본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

표제지 2

요약 5

목차 7

기호목록 15

제1장 서론 19

1.1. 연구 배경 19

1.2. 문헌 조사 24

1.3. 연구 방법 26

제2장 균열 모델링 기법 27

2.1. 균열 모델링 기법 개요 27

2.2. CDT를 이용한 균열 모델링 29

2.2.1. 초기 유한요소모델 생성 29

2.2.2. 균열 노드 생성 32

2.2.3. 새로운 균열 요소 생성 40

2.3. 균열 모델링 기법의 검증 47

2.3.1. 부분 관통 균열을 가지는 평판 47

2.3.2. 축 방향 외부 균열을 가지는 원통형 용기 51

제3장 균열 모델링 기법을 통한 학습 데이터 생성 55

3.1. 터빈 배기 케이스(Turbine Exhaust Case, TEC) 55

3.2. 항공기 엔진 구조 균열 모델링 57

3.2.1. 터빈 배기 케이스의 유한요소해석 57

3.2.2. 터빈 배기 케이스의 균열 위치 및 크기 선정 61

3.2.3. 터빈 배기 케이스의 균열 모델링 63

제4장 구조 평가용 딥러닝 모델 67

4.1. DNN(Deep Neural Network) 67

4.2. 딥러닝 모델 생성 및 훈련 69

4.3. 딥러닝 모델 검증 및 테스트 77

제5장 결론 78

참고문헌 81

ABSTRACT 85

표목차 13

표 2.1. 유한요소모델의 노드 데이터 (Node Data of FEM) 30

표 2.2. 유한요소모델의 요소 데이터 (Element Data of FEM) 30

표 2.3. 새로운 유한요소모델의 노드 데이터 (Node Data of New FEM) 46

표 2.4. 새로운 유한요소모델의 요소 데이터 (Element Data of New FEM) 46

표 2.5. 평판의 응력확대계수 비교 (a/t＝0.4) (Comparison of Plate's Stress Intensity Factors) 49

표 2.6. 원통형 용기의 응력확대계수 비교 (a/t＝0.5, t/R＝0.1) (Comparison of Cylindrical Vessel's Stress Intensity Factors) 53

표 3.1. Inconel 718의 물성치 (Material Properties of Inconel 718) 56

표 3.2. 균열 크기 조합 (Combination of Crack Sizes) 62

표 4.1. 딥러닝 모델의 입력변수와 출력변수 (Input Variables and Output Variables of Deep Learning Model) 70

표 4.2. 딥러닝 모델의 입력변수 데이터 (Input Variable Data of Deep Learning Model) 71

표 4.3. 딥러닝 모델의 출력변수 데이터 (Output Variable Data of Deep Learning Model) 71

표 4.4. 정규화 전의 데이터 (Data before Normalization) 72

표 4.5. 정규화 이후의 데이터 (Data after Normalization) 73

표 4.6. 딥러닝 모델 훈련 성능 평가 결과 (Results of Deep Learning Model Training Performance Evaluation) 74

표 4.7. 딥러닝 모델 성능 평가 결과 (Performance Evaluation Results of Deep Learning Model) 77

그림목차 9

그림 1.1. 항공기 엔진 압축기 rotor drum의 균열 (Crack in aircraft engine compressor rotor drum) 19

그림 1.2. 균열 모델링 방식 비교 (Comparison of crack modeling methods) 20

그림 1.3. Delaunay Triangulation을 이용한 요소 생성 (Generation of elements using Delaunay Triangulation) 21

그림 1.4. Constrained Delaunay Triangulation을 이용한 요소 생성 (Generation of elements using Constrained Delaunay Triangulation) 22

그림 2.1. 균열 모델링 기법 개요 (Outline of Crack Modeling Method) 28

그림 2.2. SOLID 187 요소의 노드 (Nodes of SOLID 187 Element) 29

그림 2.3. 균열 형상 정의 (Definition of Crack Geometry) 31

그림 2.4. 균열 면을 이루는 타원 형태의 노드 (Elliptic Nodes of Crack Surface) 33

그림 2.5. 균열 면의 중복으로 생성된 노드 (Duplicate Created Nodes on Crack Face) 33

그림 2.6. 타원기둥 형태의 균열 주변 노드 (Surrounding Nodes of Crack with Elliptic Column Shape) 34

그림 2.7. 균열 노드 (Crack Nodes) 35

그림 2.8. Alpha shape 37

그림 2.9. α값에 따른 경계 영역 식별 (Identification of Boundary Area based on α) 38

그림 2.10. 유한요소모델의 경계 (평판의 경우) (Boundary Area of FEM - Plate) 39

그림 2.11. 유효한 균열 모델 노드 (Valid Crack Model Nodes) 39

그림 2.12. 균열 영역에 의해 삭제되는 노드 (Deleted Nodes by Crack Area) 40

그림 2.13. 균열 모델 노드 삽입 (Insertion of Crack Model Nodes) 41

그림 2.14. 균열 영역의 경계 노드 (Boundary Nodes of Crack Area) 41

그림 2.15. 균열 면을 기준으로 나눈 영역 (Area Divided by Crack Face) 42

그림 2.16. 제약조건이 없는 균열 면의 요소 (Elements of Crack Face with Constraints) 43

그림 2.17. 제약조건이 있는 균열 면의 요소 (Elements of Crack Face with Constraints) 43

그림 2.18. 요소 생성을 위한 벡터의 각도 (Angle of Vectors for Element Generation) 44

그림 2.19. 균열 모델과 초기 유한요소모델의 요소 연결 (Element Connection of Crack Model and Initial FEM) 45

그림 2.20. 부분 관통 균열을 가지는 평판 (Part-Through Crack in Plate) 48

그림 2.21. 평판의 응력확대계수 비교 그래프 (a/t＝0.4) (Comparison Graph of Plate's Stress Intensity Factors) 50

그림 2.22. 내압을 받는 원통형 용기의 축 방향 외부 균열 (Axial External Crack in Cylindrical Vessel subjected to Internal Pressure) 52

그림 2.23. 원통형 용기의 응력확대계수 비교 그래프 (a/t＝0.5, t/R＝0.1) (Comparison Graph of Cylindrical Vessel's Stress Intensity Factors) 54

그림 3.1. GE90-94B의 터빈 배기 케이스 (Turbine Exhaust Case of GE90-94B) 56

그림 3.2. GE90-94B 터빈 배기 케이스의 유한요소모델 (FEM of GE90-94B Turbine Exhaust Case) 57

그림 3.3. 열 해석 조건이 부여된 면 (Faces with Thermal Analysis Conditions) 58

그림 3.4. 구조 해석 조건이 부여된 면 (Faces with Structural Analysis Conditions) 59

그림 3.5. 터빈 배기 케이스와 Strut filet의 응력 (Stress of Turbine Exhaust Case and Strut Filet) 60

그림 3.6. 터빈 배기 케이스의 Strut filet 균열 (Strut Filet Cracks of Turbine Exhaust Case) 61

그림 3.7. 항공기 엔진 부품의 초기 균열 크기 분포 (Distribution of Aircraft Engine Part's Initial Crack Sizes) 62

그림 3.8. 터빈 배기 케이스의 균열 모델링 면 (Crack Modeling Faces of Turbine Exhaust Case) 63

그림 3.9. Inlet 파트의 균열 위치 (총 36개) (Position of Inlet Part's Cracks) 64

그림 3.10. Outlet 파트의 균열 위치 (총 36개) (Position of Outlet Part's Cracks) 64

그림 3.11. Strut filet 균열 모델링 (Crack Modeling of Strut filet) 65

그림 3.12. Inner/Outer wall 파트의 균열 위치 (총 18개) (Position of Inner/Outer Wall Part's Cracks) 65

그림 3.13. Inner wall 균열 모델링 (Crack Modeling of Inner Wall) 66

그림 3.14. Outer wall 균열 모델링 (Crack Modeling of Outer Wall) 66

그림 4.1. Deep Neural Network 구조 (Structure of Deep Neural Network) 67

그림 4.2. 경사 하강법의 진행 과정 (Process of Gradient Descent) 68

그림 4.3. 항공기 구조 평가용 딥러닝 모델 구조 (Structure of Aircraft Structure Evaluation Deep Learning Model) 69

그림 4.4. MSE(Mean Squared Error) 74

그림 4.5. 딥러닝 모델 훈련 결과 (Results of Training Deep Learning Model) 75

그림 4.6. Epoch 증가에 따른 딥러닝 모델의 MSE (MSE by Increasing Epoch of Deep Learning Model) 76

그림 4.7. 딥러닝 모델 검증 및 테스트 결과 (Validation & Test Results of Deep Learning Model) 77

초록보기

 항공기 엔진은 비행 중 엔진 추력의 변화와 주변 환경에 따라 고온, 고압과 터빈 축의 회전으로 인한 응력이 발생한다. 이러한 하중으로 인해 구조 내/외부에 미세한 균열이 발생할 수 있다. 또한, 부품 제작을 위한 주조과정 중 용탕의 불충진, 응고 시 수축 등과 같은 현상으로 인해 균열이 발생할 수 있다. 이와 같이 발생한 균열은 항공기가 운용됨에 따라 균열에 열림이 발생하고, 응력확대계수의 변화에 따라 진전하게 된다. 이는 구조적 결함으로 이어져 부품의 수명에 영향을 준다. 이러한 현상을 사전에 방지하고, 부품의 안전성을 확보하기 위해서는 파괴역학적 접근에 따른 응력확대계수 산출이 필수적이다. 이를 위해 최근 인공지능 알고리즘을 활용한 응력확대계수 예측에 대해 많은 연구가 이루어졌다. 특히, 딥러닝은 데이터를 기반으로 입력변수(균열의 위치, 크기)에 따른 출력변수(응력확대계수)의 복잡한 관계를 규명하고, 출력변수에 대한 높은 예측력을 보인다는 장점이 있다. 하지만 학습 데이터 생성을 위해 다량의 균열에 대한 반복적인 균열 모델링과 유한요소해석을 수행해야 한다는 한계점이 존재한다. 이를 극복하기 위해 본 연구에서는 유한요소모델 기반의 균열 모델링 기법을 개발하고, 이를 딥러닝 모델을 위한 새로운 학습 데이터 생성 방식으로 제안하였다. 균열 모델링 기법에는 점 간의 연결에 제한을 갖고 공간을 삼각 분할하는 Constrained Delaunay Triangulation을 사용하였다. 기법의 검증을 위해 평판과 원통형 용기의 반타원 균열에 대한 응력확대계수 이론값과 유한요소해석 결과값을 비교하였다.

개발된 기법을 응력확대계수 예측 딥러닝 모델의 학습 데이터 생성에 적용하였다. 딥러닝 모델은 Hidden layer 2개를 가지는 DNN(Deep Neural Network)을 사용하였다. 균열을 정의할 수 있는 변수를 입력변수로 하고, 응력확대계수를 출력변수로 하였다. 모델의 성능 검증 결과, 검증은 평균 제곱 오차 0.0667, 결정계수 0.9479의 값을 보였으며, 테스트는 평균 제곱 오차 0.0361, 결정계수 0.9586의 값을 보였다. 따라서 본 연구에서 개발된 균열 모델링 기법을 이용한 응력확대계수 예측 딥러닝 모델을 통해 반복적인 유한 요소해석을 하지 않고, 항공기 엔진 구조에 대한 균열 평가를 높은 정확도로 수행할 수 있음을 확인하였다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차