Surrogate models, which approximate real-world systems as mathematical models, have been widely used to solve computationally expensive engineering system. However, despite advances in surrogate modeling and increase in computing power, obtaining a sufficient number of data is limited in engineering fields. To solve this issue, this dissertation proposes an integrated advanced surrogate modeling framework using auxiliary information such as gradient, low-fidelity, and nearby prior information. First, a novel adaptive gradient-enhanced Kriging (AGEK) method is proposed to reduce the total time from simulation to surrogate modeling while achieving the required target performances. The main goal of the proposed method is to adaptively exploit the gradient information, ultimately break down the boundary between Kriging and gradient-enhanced Kriging. Second, an efficient multi-fidelity (MF) surrogate framework based on modified MF dataset selection method is proposed to make the most of cheap auxiliary data. The main purpose of the proposed method is to select best surrogate model between single- and multi-fidelity surrogate models by determining whether to use low-fidelity information. Third, a reanalysis-based multi-fidelity (RBMF) surrogate method, which combines the MF surrogate modeling and a structural reanalysis method, is developed to reduce the computational cost for each sample, not the number of samples. The core idea of the RBMF surrogate modeling is to approximately obtain a large number of data based on a small number of exactly calculated data as prior knowledge. Sub-strategies for the proposed three methods are developed to strengthen the performances of each methodology. The superiorities of each proposed method are verified through various numerical examples and real-world engineering problems. Finally, guidelines on the proposed integrated framework are provided.
실제 시스템을 수학적 모델로 근사하는 대리 모델은 계산 비용이 많이 드는 엔지니어링 시스템을 해결하는 데 널리 사용되어 왔다. 그러나, 대리 모델링의 발전과 컴퓨팅 성능의 향상에도 불구하고 공학 분야에서는 요구되는 충분한 수의 데이터를 얻는 것이 제한적이다. 이를 해결하기 위해 본 논문에서는 보조 정보인 기울기, 저 충실도, 인접 사전 데이터들을 이용한 세 가지 대리 모델링 방법론들을 제시한다. 첫째, 원하는 성능을 달성하면서 시뮬레이션에서부터 대리 모델링까지의 총시간을 줄이기 위한 적응형 구배 강화 크리깅 방법을 제안한다. 제안된 방법은 기울기 정보를 적응적으로 활용하여 크리깅과 구배 강화 크리깅 사이의 경계를 효과적으로 무너뜨리는 것이 주요 목적이다. 둘째, 실제 엔지니어링 문제에서 주변으로부터 얻은 저 충실도 데이터를 최대한 활용하기 위해 수정된 다중 충실도 데이터 세트 선택 방법 기반의 효율적인 다중 충실도 대리 모델링 프레임워크를 제안한다. 제안된 방법에서는 저 충실도 정보의 사용 여부를 결정하여 단일 충실도 대리 모델과 다중 충실도 대리 모델 중에서 성능이 우수한 모델을 선택하는 것이 주요 목적이다. 셋째, 다중 충실도 대리 모델링과 구조적 재분석 방법을 결합한 효율적인 재분석 기반 다중 충실도 대리 모델링 방법을 제안한다. 제안된 방법에서는 정확하게 얻은 적은 수의 데이터를 사전 지식으로 활용하여 많은 수의 데이터를 효율적으로 얻는 것이 주요 목적이다. 제안된 세 가지 방법론은 각각의 성능을 강화하기 위해 하위 전략들이 개발된다. 또한, 다양한 수치 문제와 실제 공학 문제를 통해 제안된 방법들의 성능이 기존 방법들보다 우수함이 검증된다. 마지막으로 제안하는 방법론들에 대한 통합 가이드라인을 제공한다.
