Material development and process optimization are essential for product development in the manufacturing industry. Homogenization theory can efficiently predict the effective behavior of the composites using mathematical assumptions. In this thesis, two methods are proposed to predict the effective behavior of composites. First, an adaptive incrementally affine method improved from the previous homogenization method is proposed and verified for viscoelastic-viscoplastic composites. Second, a methodology that can efficiently train a deep neural network model predicting the effective behavior of composites is proposed by combining homogenization theory and transfer learning. On the other hand, process optimization is essential to improve productivity and quality of products. In particular, injection molding is the most commonly used process for plastic products. In this thesis, frameworks for optimizing the injection molding process are proposed using multiobjective Bayesian optimization and constrained generative inverse design networks.
소재 개발과 공정 최적화는 제조산업에서 제품 개발을 위해 필수적이다. 소재 개발 단계에서 복합재의 유효 거동을 해석하는 것은 중요하다. 균질화 이론은 수학적 가정을 통해 복합재의 유효 거동을 효율적으로 예측할 수 있다. 본 학위논문에서는 복합재의 유효 거동 예측을 위해 두가지 방법을 제안한다. 첫번째로 기존의 균질화법을 발전시킨 적응형 증분 아핀 방법을 제안하고 점탄성-점소성 복합재에 대해 검증을 진행하였다. 두번째로 균질화 이론과 전이학습을 접목하여 복합재의 유효 거동을 예측하는 심층신경망 모델을 효율적으로 학습할 수 있는 방법론을 제안하였다. 한편, 공정 최적화는 제품의 생산성과 품질을 향상시키기 위해 필수적이다. 특히 사출 성형은 플라스틱 제품 생성을 위해 가장 많이 사용되는 공정 방법이다. 본 학위논문에서는 다목적 베이지안 최적화 방법과 제약 생성 역설계 네트워크를 통해 사출 성형 공정 조건을 최적화하는 방법론을 제안하였다.
