http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 장경석(Kyung Suk Jang) (검색결과 3 건)
- 무료
- 기관 내 무료
- 유료
-
미소 구조 물성의 확률적 분포를 고려한 하이브리드 성형 공정 연계 멀티스케일 구조 해석
장경석,김태리,김정환,윤군진,Jang, Kyung Suk,Kim, Tae Ri,Kim, Jeong Hwan,Yun, Gun Jin 한국복합재료학회 2022 Composites research Vol.35 No.3
본 논문은 멀티스케일 공정-구조 해석의 방법론을 제안하고 단섬유층과 직물층으로 이루어진 배터리 하우징 파트에 적용한다. 특별히 마이크로스케일 대표체적요소(RVE: Representative Volume Element)안 기지의 불확정성을 고려하였다. 마이크로스케일의 RVE내 기지 물성의 랜덤한 공간내 분포는 KLE(Karhunen-Loeve Expansion)을 통해 구현하였다. 공간상 랜덤분포된 기지 물성을 갖는 RVE의 유효 물성을 전산균질화를 통해 얻어 매크로스케일 유한요소 모델에 매핑하였다. 또한 하이브리드 공정해석을 통해 압축 성형 해석으로부터 얻은 잔류응력과 섬유배향을 매핑한 유한요소 모델과 드레이핑 공정 해석결과로부터 얻어진 섬유배향을 매핑한 모델을 결합하였다. 본 연구에 제안된 방법은 배터리 하우징 뿐만 아니라 다양한 재료 구성을 갖는 복합재료의 공정-구조해석을 통해 설계요구도를 엄밀하게 평가할 수 있을 것이라 기대된다.
-
하이브리드 유한요소해석을 위한 인공지능 조인트 모델 개발
장경석(Kyung Suk Jang),임형준(Hyoung Jun Lim),황지혜(Ji Hye Hwang),신재윤(Jaeyoon Shin),윤군진(Gun Jin Yun) 한국항공우주학회 2020 韓國航空宇宙學會誌 Vol.48 No.10
심층신경망 기반 하이브리드 유한요소해석을 위한 조인트 모델 방법 구축을 소개한다. 트렉터의 앞차축에서 다양한 체결 조건에 의해 유발되는 복잡한 거동 상태를 가지는 볼트와 베어링의 재료모델을 심층신경망으로 대체했다. 볼트는 6자유도를 갖는 1차원 티모센코 빔 요소를 이용했고, 베어링은 3차원 솔리드 요소를 이용했다. 다양한 하중 조건을 바탕으로 유한요소해석을 한 뒤, 모든 요소에서 응력-변형률 데이터를 추출하고 텐서플로를 이용하여 학습시켰다. 신경망 기반 유한요소해석을 할 때 추출된 데이터를 바탕으로 학습된 심층신경망은 ABAQUS 서브루틴 안에 포함되어 현재 해석 증분의 응력을 예측하고 접선강도행렬을 계산할 수 있게 했다. 학습된 심층신경망 조인트 모델의 일반화 성능은 훈련에 사용되지 않은 새로운 하중 조건에서 해석하여 검증하였다. 최종적으로 이 방법을 이용하여 심층신경망 기반 앞차축 해석을 진행하고 응력장 분포를 검증했다. 또한, 실제 트렉터의 3점 굽힘 실험 결과와 비교하여 심층신경망 기반 해석의 타당성을 검토했다. The development of joint FE models for deep learning neural network (DLNN)-based hybrid FEA is presented. Material models of bolts and bearings in the front axle of tractor, showing complex behavior induced by various tightening conditions, were replaced with DLNN models. Bolts are modeled as one-dimensional Timoshenko beam elements with six degrees of freedom, and bearings as three-dimensional solid elements. Stress-strain data were extracted from all elements after finite element analysis subjected to various load conditions, and DLNN for bolts and bearing were trained with Tensorflow. The DLNN-based joint models were implemented in the ABAQUS user subroutines where stresses from the next increment are updated and the algorithmic tangent stiffness matrix is calculated. Generalization of the trained DLNN in the FE model was verified by subjecting it to a new loading condition. Finally, the DLNN-based FEA for the front axle of the tractor was conducted and the feasibility was verified by comparing with results of a static structural experiment of the actual tractor.
-
ScienceON
KISS연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
