대표어
권호기사보기
| 기사명 | 저자명 | 페이지 | 원문 | 기사목차 |
|---|
국회도서관 홈으로
정보검색
소장정보 검색
결과 내 검색
동의어 포함
목차보기
표제지 1
초록 4
Abstract 5
목차 6
제1장 머리말 12
1.1. 연구배경 12
1.2. 관련 연구 동향 16
1.2.1. 섬유강화 복합재의 마이크로스케일 횡방향 기계적 거동 실험적 분석 16
1.2.2. 대표체적요소와 응집영역모델을 이용한 점진적 파손해석 19
1.2.3. 데이터기반 접근법을 이용한 복합재 기계적 거동 예측 23
1.3. 연구목적 및 연구내용 25
제2장 마이크로인장시험을 통한 미시구조 및 파손거동 실험적 분석 27
2.1. 개요 27
2.2. 미시구조 및 파손거동 분석 27
2.2.1. 마이크로스케일 인장시험 27
2.2.2. 마이크로스케일 미시구조 및 파손거동 30
2.3. 디지털 영상 상관관계 기법을 이용한 변형율 측정 33
제3장 실제 섬유형상을 반영하는 대표체적요소와 응집영역모델을 이용한 복합재 파손해석 37
3.1. 개요 37
3.2. 실제 섬유형상 매개변수화 및 대표체적요소 생성기법 37
3.3. 응집영역모델을 이용한 파손해석 53
3.3.1. 해석모델링 및 검증 53
3.3.2. 응집영역모델 파라미터 선정 58
3.3.3. 섬유형상 및 재료물성치에 따른 파손거동 변화 60
3.4. 심층신경망 학습을 위한 대표체적요소 생성 및 응력-변형률 곡선 63
제4장 섬유강화복합재 이차원 미시구조 입력특징 추출 65
4.1. 개요 65
4.2. 영상처리기반 입력특징 추출 65
4.2.1. 픽셀 플래트닝 65
4.2.2. 합성곱신경망 기반 자동 추출 66
4.3. 지식기반 입력특징 추출 67
4.3.1. 개요 67
4.3.2. 섬유중심위치(XY) 72
4.3.3. 최근접이웃분포 (Nearest Neighbor Distribution, NND) 72
4.3.4. 최근접이웃방향 (Nearest Neighbor Orientation, NNO) 73
4.3.5. 면적기반 Ripley' K 함수 (Area-based K-function) 개발 74
4.3.6. 면적기반 방사형분포함수 (Area-based G-function) 개발 82
제5장 심층신경망을 모델을 이용한 복합재 기계적 거동 예측 86
5.1. 개요 86
5.2. 심층신경망 입력특징 및 아키텍처 구성 87
5.2.1. 입출력특징 구성 87
5.2.2. 심층신경망 아키텍처 최적화 88
5.3. 복합재 기계적 거동 예측 92
5.3.1. 영상처리기반 입력특징과 지식기반 입력특징의 성능 비교 92
5.3.2. 공간기술자 입력특징을 이용한 복합재 거동 예측 98
5.3.3. 파라미터 셔플링 데이터 증강 기법 효과 109
제6장 맺음말 110
참고문헌 112
약력 119
그림 1.1. 탄소섬유 복합재의 균열의 생성 및 진전 16
그림 1.2. 굽힘시험과 인장시험의 파손경로 차이 17
그림 1.3. 세가지 종류의 대표체적요소 20
그림 2.1. 시험 절차 29
그림 2.2. 광학현미경 영상과 주사전자현미경 영상의 비교 29
그림 2.3. 거시영역과 미시영역 관측 비교 30
그림 2.4. M55J/M18 복합재 미시구조 30
그림 2.5. 균열 생성 및 진전 31
그림 2.6. 횡방향 하중에 대한 파손 경로 32
그림 2.7. 타 연구와 시편 표면 비교 33
그림 2.8. 표면 처리 기법 및 영상리사이징을 이용한 DIC 분석 결과 비교 34
그림 2.9. 백금 코팅 두께에 따른 영상품질 차이 (150초 코팅 시 13nm 두께) 34
그림 2.10. DIC 변형률 측정 결과 35
그림 2.11. 미시영역 관찰 시 전자빔에 의한 기지재 수축 36
그림 2.12. 섬유간 영역 변형률 측정 결과 및 해석결과 비교 36
그림 3.1. 섬유형상 푸리에급수 매개변수화 절차 38
그림 3.2. 회색조 영상을 이진영상으로 변환. (a) 주사전자현미경 회색조 영상, (b)... 39
그림 3.3. 전체 영상으로부터 개별 섬유 영상 정보 추출 41
그림 3.4. 이진영상에서 섬유형상을 정의하는 과정 42
그림 3.5. 극좌표계를 이용하여 정의된 섬유 형상 정보 43
그림 3.6. 푸리에급수 항의 개수에 따른 제곱근 평균오차 43
그림 3.7. 실제 섬유형상과 곡선 적합된 섬유형상 44
그림 3.8. 서로 다른 형상 규정에 따른 모델링 및 응력분포 46
그림 3.9. 기지재에서 발생한 응력값에 대한 확률밀도함수 47
그림 3.10. 대표체적요소 생성 알고리즘 50
그림 3.11. RSE 절차에 따라 섬유 면적의 확장 과정 50
그림 3.12. 생성된 2차원 대표체적요소 51
그림 3.13. 응집영역요소를 이용한 인터페이즈 층 생성 52
그림 3.14. 인터페이즈 층 생성 전후 대표체적요소의 유한요소모델 52
그림 3.15. 섬유 및 기지재 요소선택 53
그림 3.16. 응집영역요소의 응집응력-분리 곡선 54
그림 3.17. 요소 종류 선정에 따른 응력-변형률 곡선 및 파손경로 차이 57
그림 3.18. 일반화된 평면변형률요소 모델 방향별 변형률 57
그림 3.19. 요소크기에 따른 응력-변형률 곡선 58
그림 3.20. 응집영역모델 파라미터 변화에 따른 응력-변형률 곡선 59
그림 3.21. 시험 및 해석결과 비교 및 응력-변형률 곡선 60
그림 3.22. 섬유형상 및 정렬에 따른 응력-변형률 곡선 변화 61
그림 3.23. 섬유형상에 따른 파손거동 61
그림 3.24. 재료특성에 따른 섬유형상 영향성 (비원형섬유는 랜덤정렬) 62
그림 3.25. 섬유형상에 따른 TC33/Epoxy의 파손거동 63
그림 3.26. 섬유체적비에 따른 대표체적요소 64
그림 3.27. 심층신경망 학습 정보 64
그림 4.1. 픽셀기반 이미지 평탄화 65
그림 4.2. 합성곱신경망을 통한 입력특징의 추출 66
그림 4.3. 공간 점패턴 분석을 위한 탐색 (K-함수 예시) 67
그림 4.4. 마크드 점패턴 분석에 적용된 패턴 69
그림 4.5. 탐색반경증분크기 (bandwidth)에 따른 G-함수 변동성 69
그림 4.6. KDE를 통한 불연속성 개선 70
그림 4.7. 기존 함수의 문제점 및 개선함수 제안 71
그림 4.8. 섬유체적비별 섬유간 최소거리 확률 밀도 함수 72
그림 4.9. 섬유체적비에 따른 최근접이웃방향 함수 73
그림 4.10. K-함수의 포인트 탐색 및 점패턴에 따른 함수값 74
그림 4.11. 경계보정 기법 차이로 인한 섬유분포 인식 차이 76
그림 4.12. 섬유 인식 차이 78
그림 4.13. 점패턴을 이용한 공간분석함수와 면적을 고려한 공간분석함수의 비교 79
그림 4.14. 함수값을 이용한 입력변수값 선정 80
그림 4.15. 섬유체적비별 ∆r＝0.3R로 계산된 두 가지 K함수와 두 가지 L함수의 비교 81
그림 4.16. ∆r의 크기에 따른 Gₜ와 Gₐ 값의 변동성 (1 RVE) 82
그림 4.17. ∆r의 크기에 따른 Gₜ와 Gₐ 값의 변동성 (300 RVEs) 83
그림 4.18. ∆r의 크기에 따른 동일 탐색반경에서 G-함수값의 변동성 84
그림 4.19. 섬유체적비별 ∆r＝0.3R로 계산된 두 가지 G-함수의 비교 85
그림 5.1. 입력특징의 구성 86
그림 5.2. 입력특징별 검증셋의 평균제곱근오차 맵 90
그림 5.3. 활성화 함수 선택에 따른 검증셋 평균제곱근오차: ELU 선정 91
그림 5.4. 초기 학습률에 따른 검증셋 평균제곱근오차: 0.01 선정 91
그림 5.5. 영상기반 입력특징 경우의 탄성계수 오차 차이 93
그림 5.6. 입출력 정보별 주성분 크기 비교 94
그림 5.7. PCA 적용에 따른 응력-변형률 곡선 예측 오차 (4가지 입력특징 오차의 평균값) 97
그림 5.8. PCA 적용에 따른 기계적 특성 예측 오차 (4가지 입력특징 오차의 평균값) 97
그림 5.9. 입력특징에 따른 예측오차 (RMSE) 99
그림 5.10. two-sample t 시험 결과 (P-value) 100
그림 5.11. 섬유분포 정보만 이용한 입력특징별 예측오차 100
그림 5.12. 섬유정렬 정보(방향성)의 영향성 101
그림 5.13. L-함수를 이용하는 경우 예측오차 102
그림 5.14. G-함수를 이용하는 경우 예측오차 102
그림 5.15. 입력특징에 따른 인성 예측오차 103
그림 5.16. 입력특징에 따른 Ultimate strength 예측오차 104
그림 5.17. 최적의 심층신경망 모델을 이용한 150개 시험셋 샘플의 인성 예측오차 비교 106
그림 5.18. 섬유체적비 별 응력-변형률 곡선 (1, 4A, 6A) 108
그림 5.19. 파라미터 셔플링 데이터 증강 기법 109
그림 5.20. 데이터 증강에 따른 예측오차 저감 109
초록보기
섬유강화 복합재의 횡방향 기계적 거동을 효율적으로 예측하는 심층신경망을 이용하는 데이터기반 예측모델을 개발하였다. 학습정보는 점진적 파손해석을 수행하여 확보하였으며, 입출력정보는 각각 복합재 미시구조와 응력-변형률 곡선에 해당한다. 복합재 미시구조 영상정보를 벡터형식의 다양한 입력특징으로 변환하여 적용함으로써, 심층신경망 모델의 성능에 대한 입력특징의 영향성을 분석하였다. 섬유면적에 기반한 섬유분포함수를 개발하여 입력특징으로 적용함으로써 심층신경망 모델의 예측성능을 향상시켰다. 연구는 시험과 해석을 통하여 미시역학적 관점에서 복합재의 기계적 거동을 이해하는 부분과 데이터기반 예측모델 개발을 통하여 복합재의 기계적 거동을 예측하는 부분으로 나누어 진행하였다. 우주용 소재로 활용되고 있으나 미시역학적 관점에서 연구결과가 거의 제시되지 않고 있는 높은 취성의 섬유강화 복합재를 시험 대상으로 선정하였다. 마이크로스케일 횡방향 인장시험을 수행하여 복합재 미시구조와 미시균열 및 파손을 관측하였다. 표면 파티클의 분산이 필요없는 방법을 제안하여 디지털영상상관분석 능력을 향상시키고 섬유간 미시영역에서 발생하는 변형률을 비접촉식으로 측정하였다. 관측된 실제 섬유형상을 푸리에급수로 보간하여 매개변수화하여 실제 섬유형상을 반영하는 대표체적요소 생성시에 활용하는 방안을 제안하였다. 응집영역모델을 이용한 점진적 파손해석을 수행하여 시험결과에 부합하는 해석결과를 도출하였다. 이러한 과정을 통하여 실제시험에 기반한 고충실 해석기법에 대한 프레임워크를 구축하였다. 기존의 연구에서는 원형 섬유 복합재의 미시구조는 섬유중심좌표로 표현되어 심층신경망의 입력특징으로 활용되어 왔다. 본 연구에서는 복합재 미시구조를 영상기반 또는 지식기반한 다양한 벡터형식의 입력특징으로 표현하고 예측모델의 성능에 미치는 영향성을 분석하였다. 그리고, 새로운 섬유분포함수를 개발하여 적용함으로써 심층신경망모델의 복합재 횡방향 기계적 거동예측 성능을 향상시킬 수 있었다. 추가적으로 차원축소기법 및 데이터 증강의 데이터 처리기법의 효과를 검증하였다.
MARC 보기
오류 데이터 정정요청
*표시는 필수 입력사항입니다.
알림톡 발송
| 전화번호 |
|---|
개인정보 수정 바로가기
연속간행물 권호 선택
우편복사 안내
- ◾ 도서관을 방문하지 못할 경우 인터넷, 팩스 등으로 자료 복사를 신청하고, 복사물을 우편·팩스 등으로 제공받는 서비스
- ◾ 대상자료: 일반도서, 연속간행물 및 학위논문
- ※ 고서, 고잡지, 훼손될 우려가 있는 자료, 마이크로폼 자료 및 신문 등 제외
- ◾ 신청 책수: 1인 5책 이하(1일 기준)
- ◾ 신청 절차: 자료 검색 → 우편복사 목록담기 → 복사 범위 입력 → 우편복사 주문서 입력 → 접수 및 확인
- ※ 저작권법에 의거하여 부분 복사(전체 페이지 수의 1/3 범위 이내)만 가능
- ◾ 복사 범위 입력 예시: (연속 페이지) 1-30, (부분 페이지) 25, 30-40
| 번호 | 발행일자 | 권호명 | 제본정보 | 자료실 | 원문 | 신청 페이지 |
|---|
도서위치안내(서울관)
도서위치안내: / 서가번호:
0
확인
우편복사 목록담기를 완료하였습니다.
내서재에 담기
새로운 서재
*표시는 필수 입력사항입니다.
저장
저장 되었습니다.