IIHS 충격해석에 근거한 구간 조합 복합재료 범퍼 빔 개발

정찬희,함석우,김경석,전성식 한국복합재료학회 2018 Composites research Vol.31 No.1

The aim of the current work is to characterise a piecewisely-integrated composite bumper beam based on the IIHS bumper crash protocol. IIHS bumper crash FE analysis for an aluminium type bumper beam was carried out to get the information about the dominant loading types at several regions in the bumper beam during crash. In the meantime, robust stacking sequences against tension and compression have been searched for using FE analysis of a coupon type model. After determining most effective stacking sequences for tension and compression, three-point bending simulation was preliminarily carried out to investigate the combination performance of them. Finally, IIHS bumper crash FE analysis for the piecewisely-integrated composite bumper beam, which consisted of the combination of tension effective stacking sequence and compression efficacious stacking sequence, was conducted and the result was compared with other types of composite bumper beams. It was found that the newly suggested piecewisely integrated composite bumper beam showed superior crashworthy behaviour to those of uni-modal stacking sequence composite bumper beams. 본 연구에서는 IIHS기준 범퍼 충돌해석을 통하여, 구간 조합 복합 범퍼 빔의 특성 분석하였다. 충돌 시 범퍼 빔의 5개 영역에서 지배적인 하중 유형에 대한 정보를 얻기 위해 Al 범퍼 빔에 대한 IIHS 범퍼 충돌 해석이 진행되었다. 또한, 항공우주 분야에서 빈번히 사용되는 5가지 적층순서 중, 인장 및 압축하중에 가장 효과적인 적층순서가 복합재료 쿠폰 해석을 통해 결정되었다. 이와 더불어, 결정된 두가지 복합재료의 적층순서를 적용한 복합재료 빔에 대해 3점 굽힘 해석이 수행되었다. 마지막으로, IIHS 범퍼 충돌 해석을 진행하여 구간 조합으로 이루어진 복합재료 범퍼 빔을 다른 유형의 복합 범퍼 빔과 비교하였다. 제안된 구간조합 복합재료 범퍼 빔은 단일 적층순서로 이루어진 복합재료 범퍼 빔에 비해 우수한 충돌 특성을 나타내었다.

k-NN 분류 모델의 학습 데이터 구성에 따른 PIC 보의 하중 충실도 향상에 관한 연구

함석우,전성식 한국복합재료학회 2020 Composites research Vol.33 No.3

Piecewise Integrated Composite (PIC) beam is composed of different stacking against loading type depending upon location. The aim of current study is to assign robust stacking sequences against external loading to every corresponding part of the PIC beam based on the value of stress triaxiality at generated reference points using the k-NN (k-Nearest Neighbor) classification, which is one of representative machine learning techniques, in order to excellent superior bending characteristics. The stress triaxiality at reference points is obtained by three-point bending analysis of the Al beam with training data categorizing the type of external loading, i.e., tension, compression or shear. Loading types of each plane of the beam were classified by independent plane scheme as well as total beam scheme. Also, loading fidelities were calibrated for each case with the variation of hyper-parameters. Most effective stacking sequences were mapped into the PIC beam based on the k-NN classification model with the highest loading fidelity. FE analysis result shows the PIC beam has superior external loading resistance and energy absorption compared to conventional beam. Piecewise Integrated Composite (PIC) 보는 하중 유형에 따라 구간을 나누어, 각 구간마다 하중 유형에 강한복합재료의 적층 순서를 배열한 보이다. 본 연구는 PIC 보의 구간을 머신 러닝의 일종인 k-NN(k-Nearest Neighbor) 분류를 통해 나누어 기존에 제시되었던 PIC 보에 비해 우수한 굽힘 특성을 갖게 하는 것이 목적이다. 먼저, 알루미늄 보의 3점 굽힘 해석을 통하여 참조점에서의 3축 특성(Triaxiality) 값 데이터를 얻었고, 이를 통해 인장, 전단, 압축의 레이블을 가진 학습 데이터가 만들어진다. 학습 데이터를 통해 각 면마다 독립적인 k-NN 분류 모델을 구성하는 방법(Each plane)과 전체 면에 대한 k-NN 분류 모델을 구성하는 방법(one part)을 이용하여 k-NN 분류 모델을 생성하였고, 하이퍼파라미터의 튜닝을 통하여 다양한 하중 충실도를 도출하였다. 가장 높은 하중 충실도를 가진 k-NN 분류 모델을 기반으로 보를 매핑(mapping)하였고, PIC 보에 대하여 유한요소 해석을 진행한 결과, 기존에 제시되었던 PIC 보에 비해 최대하중과 흡수 에너지가 커지는 특성을 보였다. 하중 충실도를 수동으로 조절하여 100%로 만든 PIC 보와 비교하였을 때, 최대하중과 흡수에너지가 미소한 차이가 나타났으며 이는 타당한 하중충실도로 보여진다.

3차원 학습 데이터를 이용한 PIC 보의 강성 향상에 대한 연구

지승민 ( Seungmin Ji ),함석우 ( Seok Woo Ham ),최진경 ( Jin Kyung Choi ),전성식 ( Seong S. Cheon ) 한국복합재료학회 2021 Composites research Vol.34 No.6

Piecewise Integrated Composite(PIC) 보는 구간 조합 복합재 보로 구간 마다 적층 각도 및 순서를 다르게 적용하여 보의 강성과 강도를 향상시킬 수 있는 복합재료 보의 새로운 개념이다. 본 연구에서는 보의 거동을 고려하기 어려운 2차원 학습 데이터를 대신하여 3차원 학습 데이터가 적용된 머신 러닝 모델을 이용한 PIC 보가 제안되었다. 학습 데이터 및 훈련 데이터 셋(Training Data Set)은 지정된 참조 요소에서 3축 특성 값(Stress Triaxiality Factor)을 추출하여 세 가지 하중 유형(인장, 압축 그리고 전단)으로 분류되어 구성되었고, 이에 따른 하이퍼파라미터(Hyperparameter)가 제안되었다. 이를 통하여 예측된 PIC 보로 유한 요소 해석이 진행되었고 3차원 학습 데이터로 예측된 모델이 처짐 변형량이 감소된 것이 확인되었다. 이를 통해 3차원 학습 데이터를 이용하는 것이 경쟁력있는 것으로 판단되었고 처짐 변형량의 감소로 타당성이 검증되었다. Piecewise Integrated Composite (PIC) is a new concept to design composite structures of multiple stacking angles both for in-plane direction and through the thickness direction in order to improve stiffness and strength. In the present study, PIC beam was suggested based on 3D training data instead of 2D data, which did offer a limited behavior of beam characteristics, with enhancing the stiffness accompanied by reduced tip deformation. Generally training data were observed from the designated reference finite elements, and preliminary FE analysis was conducted with respect to regularly distributed reference elements. Also triaxiality values for each element were obtained in order to categorize the loading state, i.e. tensile, compressive or shear. The main FE analysis was conducted to predict the mechanical characteristics of the PIC beam.

머신 러닝을 이용한 PIC 로봇 암 강성 향상에 대한 연구

지승민 ( Seungmin Ji ),함석우 ( Seokwoo Ham ),전성식 ( Seong S. Cheon ) 한국복합재료학회 2022 Composites research Vol.35 No.5

PIC(Piecewise Integrated Composite)는 적층 복합재의 기계적 특성을 향상시키기 위해 다양한 적층 순서를 모자이크 방식으로 할당하여 복합 구조를 설계하는 새로운 개념이다. 또한 머신 러닝은 인공 지능의 하위 범주로, 컴퓨터가 데이터에서 지속적으로 학습하고 데이터를 기반으로 예측하는 능력을 개발한 다음 추가 프로그래밍 없이 조정하는 과정을 의미한다. 본 연구에서는 구조적 강성을 높이기 위해 기계학습을 기반으로 넓고 얇은 LCD 디스플레이를 운반 및 이송하기 위한 테이퍼 박스형 빔형 PIC 로봇 암이 설계되었다. 필수 학습 데이터는 예비 FE 해석 과정에서 유한 요소 모델 중 의도적으로 배치된 참조 요소에서 수집되었다. 또한 인장, 압축 또는 전단과 같은 지배적인 외부 하중 유형을 판단하기 위해 각 유한 요소에 대한 3축 특성 값을 얻었다. 학습 데이터를 이용하여 머신 러닝 모델을 훈련하고 평가되었으며, 정확도 레벨을 만족한 머신 러닝 모델을 이용해 요소의 로딩 유형을 예측하였다. 특정 하중 유형에 대해 우세한 것으로 알려진 세 가지 유형의 적층 각도 순서가 PIC 로봇 암에 모자이크 방식으로 할당되었습니다. 이후 굽힘형 FE 해석을 수행한 결과 PIC 로봇 암이 기존의 단일 적층 각도 순서로 제작된 복합재 로봇 암에 비해 강성이 증가된 것으로 나타났다. PIC (Piecewise Integrated Composite) is a new concept for designing a composite structure with mosaically assigning various types of stacking sequences in order to improve mechanical properties of laminated composites. Also, machine learning is a sub-category of artificial intelligence, that refers to the process by which computers develop the ability to continuously learn from and make predictions based on data, then make adjustments without further programming. In the present study, the tapered box beam type PIC robot arm for carrying and transferring wide and thin LCD display was designed based on the machine learning in order to increase structural stiffness. Essential training data were collected from the reference elements, which were intentionally designated elements among finite element models, during preliminary FE analysis. Additionally, triaxiality values for each finite element were obtained for judging the dominant external loading type, such as tensile, compressive or shear. Training and evaluating machine learning model were conducted using the training data and loading types of elements were predicted in case the level accuracy was fulfilled. Three types of stacking sequences, which were to be known as robust toward specific loading types, were mosaically assigned to the PIC robot arm. Henceforth, the bending type FE analysis was carried out and its result claimed that the PIC robot arm showed increased stiffness compared to conventional uni-stacking sequence type composite robot arm.

참조점의 불규칙적 배치를 통한 PIC보의 하중 충실도 향상에 관한 연구

함석우,조재응,전성식 한국복합재료학회 2019 Composites research Vol.32 No.5

Piecewise integrated composite (PIC) beam has different stacking sequences for several regions with respect to their superior load-resisting capabilities. On the interest of current research is to improve bending characteristics of PIC beam, with assigning specific stacking sequence to a specific region with the help of machine learning techniques. 240 elements of from the FE model were chosen to be reference points. Preliminary FE analysis revealed triaxialities at those regularly distributed reference points to obtain learning data creation of machine learning. Triaxiality values catagorise the type of loading i.e. tension, compression or shear. Machine learning model was formulated by learning data as well as hyperparameters and proper load fidelity was suggested by tuned values of hyperparameters, however, comparatively higher nonlinearity intensive region, such as side face of the beam showed poor load fidelity. Therefore, irregular distribution of reference points, i.e., dense reference points were distributed in the severe changes of loading, on the contrary, coarse distribution for rare changes of loading, was prepared for machine learning model. FE model with irregularly distributed reference points showed better load fidelity compared to the results from the model with regular distribution of reference points. Piecewise Integrated Composite (PIC) 보는 하중 유형에 따라 구간을 나누어, 각 구간마다 하중 유형에 강한 복합재료의 적층 순서를 배열한 보이다. 본 연구에서는 보의 거동을 고려하여 PIC 보의 구간을 머신 러닝을 통해 나누어 기존에 제시되었던 PIC 보에 비해 우수한 굽힘 특성을 갖게 하는 것이 목적이다. FE 모델의 240개 요소가 참조점으로 선택되었다. 선행 유한요소해석은 머신 러닝의 학습데이터 생성을 위하여 규칙적으로 분포된 참조점에서 3축 특성 값(Triaxiality)으로 나타냈다. 3축 특성 값은 인장, 압축 그리고 전단의 하중유형을 나타낸다. 머신러닝 모델은 하이퍼파라미터(Hyperparameter)와 학습데이터로 구성되었으며, 하이퍼파라미터 튜닝을 통해 적절한 하중 충실도를 도출하였지만, 거동이 큰 보의 옆면에서는 적절하지 않은 하중 충실도가 도출되었다. 이를 해결하기 위하여 고르게 배치한 참조점을 보의 거동에 따라 배치하여 학습 데이터를 얻었고, 머신 러닝 모델이 생성되었다. 앞서 생성된 머신 러닝 모델을 통하여 보가 매핑 되었고, PIC 보에 대하여 유한요소 해석을 진행한 결과, 기존에 제시되었던 PIC 보에 비해 최대하중과 흡수 에너지가 커지는 특성이 나타났다.