Generative AI that learn data to generate new shapes of design have a profound impact on mechanical design. Above all, the generative AI model can automatically select features and map them into the latent space without the help of experts to parameterize parameterization, which is the most bottleneck in the parameter-based shape optimization methodology. However, the fact that the AI methodologies currently being studied require a lot of data to be learned about the same class and still operate in a high level latent space from an optimization perspective is considered a limitation in the field of mechanical engineering. This study aims to propose a methodology that extracts the characteristics of a small number of data with only relatively small latent space. Using car and wheel data, this study verified the robustness and versatility of the methodology by conducting experiments that traditional shape optimization methodologies could not perform.
데이터를 학습해 새로운 형상의 디자인을 생성해내는 생성 모델 인공지능은 기계 설계 전반에 걸쳐 지대한 영향을 미치고 있다. 무엇보다도 생성형 인공지능 모델은 파라미터 기반 형상 최적화 방법론에서 가장 병목으로 지목되는 매개변수화를 전문가의 도움없이 자동으로 특징들을 선택해 잠재 공간 속에 매핑할 수 있다. 하지만 현재 연구되고 있는 인공지능 방법론들은 동일한 클래스에 대해 많은 데이터를 학습해야 하고 여전히 최적화 관점에서는 고차원인 잠재 공간 속에서 작동한다는 점은 기계 공학 분야에서는 한계점으로 꼽힌다. 본 연구는 작은 잠재 공간 차원만으로 소량의 데이터셋의 특징을 뽑아내는 방법론을 제안하고자 한다. 본 연구는 차량과 차량 휠 데이터를 활용해 기존 전통적인 형상 최적화 방법론이 수행하지 못했던 실험을 수행해 본 방법론의 강건성과 범용성을 검증하였다.
