The product design process in manufacturing involves iterative design modeling and analysis to achieve the target engineering performance, but such an iterative process is time consuming and computationally expensive. Recently, deep learning-based engineering performance prediction models have been proposed to accelerate design optimization. However, they only guarantee predictions on training data and may be inaccurate when applied to new domain data. In particular, 3D design data have complex features, which means domains with various distributions exist. Thus, the utilization of deep learning has limitations due to the heavy data collection and training burdens. We propose a bi-weighted unsupervised domain adaptation approach that considers the geometry features and engineering performance of 3D design data. It is specialized for deep learning-based engineering performance predictions. Domain-invariant features can be extracted through an adversarial training strategy by using hypothesis-discrepancy, and a multi-output regression task can be performed with the extracted features to predict the engineering performance. In particular, we present a source instance weighting method suitable for 3D design data to avoid negative transfers. The developed bi-weighting strategy based on the geometry features and engineering performance of engineering structures is incorporated into the training process. The proposed model is tested on a wheel impact analysis problem to predict the magnitude of the maximum von Mises stress and the corresponding location of 3D road wheels. This mechanism can reduce the target risk for unlabeled target domains on the basis of weighted multi-source domain knowledge and can efficiently replace conventional finite element analysis.
제조업의 제품 설계 프로세스에서는 목표로 하는 공학 성능을 보장하기 위해 반복적인 설계 모델링과 해석이 수행되어, 시간과 계산 비용이 많이 소요된다. 이로 인해, 최근에는 설계 최적화를 가속화하기 위해 딥러닝 기반의 공학 성능 예측 모델이 많은 주목을 받고 있다. 하지만 이러한 연구들은 학습 데이터에 대한 예측 성능만을 보장하기 때문에 새로운 도메인 데이터에 대해서는 예측 정확도가 저하될 수 있다. 특히 3D 설계 데이터는 복잡한 요소로 구성되어 있어 다양한 데이터 분포를 가지는 도메인이 존재하기 때문에 데이터 수집과 딥러닝 학습에 대한 부담이 커서 딥러닝을 활용하는데 한계가 있다. 따라서 도메인 적응을 통한 딥러닝 기반 공학 성능 예측 방법론의 필요성이 강조되고 있다. 본 연구에서는 기존의 유한요소해석을 대체하는 것을 목표로 딥러닝 기반 공학 성능 예측에 특화된 두가지 방식의 가중치 기반 비지도 도메인 적응 방법론을 제안한다. Hypothesis-discrepancy를 이용한 적대적 학습 전략을 통해 도메인 불변한 특징 표현을 추출하고, 추출된 잠재 특징을 통해 다중 출력 회귀를 수행할 수 있다. 특히, 3D 설계 데이터에 적합한 가중치 방법론을 제안하기 위해 공학 구조물의 기하학적 특성과 공학 성능을 고려한 소스 인스턴스 (source instance) 가중치를 학습 과정에 반영하였다. 제안한 모델을 휠 충격 해석에 적용하여 실험을 진행한 결과, 라벨링이 없는 타겟 도메인 데이터에 대해서도 휠 충격 성능 예측이 가능함을 확인하였다. 해당 메커니즘은 다중 소스 도메인 지식을 기반으로 라벨이 전혀 없는 타겟 도메인에 대해 타겟 리스크 (target risk)를 줄일 수 있다.
