http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
박수완(Soowan Park),정찬영(Chanyoung Jeong),이시형(Sihyung Lee),이형일(Hyungyil Lee) 대한기계학회 2021 大韓機械學會論文集A Vol.45 No.10
본 연구에서는 인공신경망(ANN)으로 비정질 금속의 물성을 평가하는 방법을 제시한다. 비정질 금속 거동을 모사하는 자유체적 모델은 ABAQUS 사용자 재료 모델(UMAT)로 수치구현됐다. 유한요소(FE) 모델은 자유체적 모델변수를 받고 압입정보를 제공해 데이터셋을 생성한다. 인공신경망은 자유체적 모델변수와 압입변수의 상관관계를 구축하고, 역으로 압입변수를 통해 자유체적 모델변수를 예측한다. 원활한 학습을 위해 다중공선성 제거, 주요 압입변수 추출, 정규화 등 데이터 전처리를 수행했고 학습된 인공신경망은 학습 및 평가세트에 대한 오차검증을 거쳤다. 또한 비정질 금속 실험데이터와의 비교를 통해 인공신경망의 신뢰성을 확보했다. This study suggests a method to evaluate the material properties of bulk metallic glasses (BMGs) using an artificial neural network (ANN). The free volume model (FVM) is implemented in the user material subroutine (UMAT), and the generated finite element (FE) model receives the FVM parameters to provide the indentation information. After constructing the correlations between the FVM and indentation parameters, the ANN predicts the FVM parameters using the indentation parameters inversely. For efficient training, we performed data preprocessing, such as removal of multicollinearity, extraction of the indentation parameters, and normalization. The ANN was verified using training / test sets and then further validated using experimental data for BMGs.
박수완(Soowan Park),정찬영(Chanyoung Jeong),이시형(Sihyung Lee),이형일(Hyungil Lee) 대한기계학회 2021 대한기계학회 춘추학술대회 Vol.2021 No.06
본 연구에서는 비정질 금속의 물성을 평가하는 인공신경망 모델을 제시한다. 비정질 금속을 모사하기 위해 자유체적모델을 사용하며 그 구성 방정식은 Abaqus 사용자 재료모델 (UMAT)로 수치구현됐다. 문헌을 통해 자유체적 모델변수의 범위를 조사했으며<sup>(1,2)</sup> 일정 간격으로 나누고 다양한 조합을 만들어 sphero-coniocal FE 압입모델에 입력하고 P-h 곡선을 얻었다. 압입 P-h 곡선으로부터 도출되는 주요 압입변수들을 입력변수로, 입력한 자유체적모델 변수를 출력변수로 하는 데이터셋을 형성했다. 인공신경망 모델은 이를 학습해 압입변수로 자유체적모델 변수를 예측한다. 원활한 학습을 위해 여러 데이터 전처리 기법이 사용됐고 인공신경망은 학습/평가 세트에 대한 오차검증을 거쳤다. 여기서 각 자유체적 모델변수의 R<sup>2</sup>는 0.95 이상이었다. 도출된 자유체적 모델변수가 실제 비정질 금속의 거동을 모사할 수 있는지 검증하고자 인공신경망으로 예측 자유체적 모델변수를 FE 모델에 입력해 예측 P-h 곡선을 생성하고 Zr<sub>65</sub>Cu<sub>15</sub>Al<sub>10</sub>Ni<sub>10</sub>에 대한 실험 P-h 곡선과 비교했다. 실험/예측 곡선은 잘 일치했으며 이는 본 연구에서 제시하는 인공신경망 모델이 비정질 금속의 거동을 잘 모사함을 시사한다. In this study, we present an artificial neural network (ANN) model that evaluates the property of bulk metallic glass (BMG). A free volume model (FVM) was used to describe BMG’s mechanical behavior, and the constitutive equations were implemented in the user material subroutine (UMAT). We investigated the range of FVM parameters in the literature, divided them at the same intervals, and created various combinations to input them into the sphero-conical FE indentation model. The main indentation, derived by FE simulation, is the input variable and used FVM parameters are output variables of the ANN model. The ANN model is trained through this dataset, and predicts FVM parameters corresponding to main indentation parameters. Several data pre-processing were performed to increase the accuracy of ANN. The ANN was validated with training / test sets and R<sup>2</sup> for FVM parameters were more than 0.95. We compared the predicted P-h curves derived from the FE model that receive FVM parameters from ANN with the experimental P-h curves for Zr<sub>65</sub>Cu<sub>15</sub>Al<sub>10</sub>Ni<sub>10</sub>. As a result, the predicted P-h curve shows a good agreement with the experimental curve, suggesting that the ANN model describes the behavior of BMG well.