In recent years, the rapid advancement of computer performance has enabled the prediction and mapping of various complex problems previously unsolved by humans through deep learning. Consequently, surrogate model-based optimization, which involves training predictive models based on data and using them for design optimization, has gained significant attention. This dissertation presents various design optimizations in several industrial fields, including heavy industry, composite materials, and automotive parts, considering the size of the design space and the dimensions of the variables.
The first study addresses the design problem of heating pattern for forming steel plates used in shipbuilding. Ships' exteriors are constructed by welding curved surfaces with varying sizes of twisting and bending. The process of creating desired curved surfaces from flat plates involves localized thermal deformation through line heating. However, designing heating line pattern based on trial and error by practitioners leads to considerable time and cost inefficiencies. This research predicts the angle of twist and bending displacement of the processed curved surface through geometric variables such as the spacing, length, and angle of the heating lines. An AI-based optimization methodology was employed to design these heating line variables to achieve the desired angle of twist and bending displacement. The design space was small and continuous with upper and lower bounds, requiring rapid solution provision. Thus, the model was trained with data collected through grid sampling, including boundaries, making the entire design space a seen domain. High-performance models derived in this way facilitated swift optimization.
The second study focuses on the pattern optimization of grid composites. Grid composites, a fundamental form of composites, consist of materials with different properties arranged in a lattice structure. However, they suffer from digital design variables and an enormous design space. Hence, extrapolation in model prediction becomes inevitable. Notably, the toughness of composites, a property encompassing deformation from linear elasticity to final fracture through crack propagation, involves significant computational costs. This research employed hierarchical artificial neural network models to predict toughness and performed pattern optimization for grid composites through an algorithm that iterates extrapolation and model updating.
The final study tackles the rib placement optimization problem for replacing traditional metal parts with reinforced plastics in automobiles for light-weighting. Reinforced plastics, being significantly lighter than metals but mechanically weaker, use rib reinforcement structures to compensate for their mechanical properties. However, as the number of ribs increases, so does the number of design variables, making the design space varying. Traditional surrogate model-based optimization cannot be performed in such cases since models cannot have varying inputs. This research utilized reinforcement learning algorithms to optimize rib patterns, accommodating the changing number of variables.
Through these studies, this dissertation presents surrogate model-based optimization methodologies for three different design variable scenarios. The first scenario involves a small, continuous design space with upper and lower bounds. Here, the methodology improves the model's predictive performance through sampling training data that ensures interpolation within the design space, enabling rapid optimization. The second scenario deals with a digital and vast design space, where interpolation through the model is not guaranteed. A methodology is presented that enhances the model's extrapolation capabilities using physical input features, followed by repeated extrapolation and model updating for optimization. Lastly, for a varying design space with changing numbers of design variables, a methodology deviating from traditional surrogate model-based optimization using varying inputs is presented. It employs reinforcement learning algorithm-based optimization, allowing for efficient data use even as the dimensions of the design space increase. This dissertation aims to present efficient optimization strategies based on machine learning models for various engineering problems with diverse design variable scenarios.
최근 몇 년 간 컴퓨터 성능의 비약적인 발달로 심층학습을 통해 인간이 해결하지 못하던 다양한 문제들의 예측과 매핑이 가능하게 되었다. 이에 따라 데이터를 기반으로 예측모델을 학습시키고 이를 기반으로 설계최적화를 수행하는 대리모델 기반 최적화가 크게 각광받고 있다. 본 학위논문에서는 중공업, 복합재, 자동차 부품 등의 다양한 산업분야에서 설계공간의 크기와 변수의 차원을 고려하여 다양한 설계최적화를 진행하였다.
첫번째 연구는 조선업에서 배의 외관을 이루는 강판의 성형을 위한 가열 패턴 설계문제이다. 배의 외관은 다양한 크기의 비틀림과 굽힘을 갖는 곡면들을 용접을 통해 이어 붙여 제작한다. 평판으로부터 원하는 곡면으로 가공하기 위해 선상가열을 통해 국부적으로 열변형을 일으키는데, 원하는 곡면을 얻기 위한 가열선의 패턴의 설계는 현업자의 시행착오 방식을 기반으로 하기 때문에 시간적 비용적 손실이 크다. 본 연구에서는 가열선의 간격과 길이 각도 등의 기하학적 변수들을 통해 가공된 곡면의 비틀림과 굽힘을 예측하고 이를 기반으로 원하는 비틀림과 굽힘을 얻기 위한 가열선 변수들을 인공지능기반 최적화 방법론을 통해 설계하였다. 설계공간이 작고, 연속적이고, 상한과 하한이 존재하지만 빠른 솔루션을 제공해 줘야하는 조건이 있었다. 따라서 경계를 포함한 격자 샘플링으로 수집된 데이터로 모델을 학습시켜서 전체 설계공간을 seen domain으로 만들었고, 이를 통해 얻은 고성능의 모델을 기반으로 최적화를 빠르게 수행하였다.
두번째 연구는 그리드 복합재의 패턴 최적화 연구이다. 그리드 복합재는 격자구조 형태로 서로 다른 물성의 재료가 배열된 복합재로, 모든 복합재 구조를 표현할 수 있는 가장 기본적인 형태의 복합재이다. 하지만 설계변수가 디지털하고 설계공간이 매우 크다는 단점이 있다. 이로 인해 전체 설계공간을 seen domain으로 만들 수 없고 외삽을 통한 모델의 예측이 필연적이다. 특히 복합재의 인성은 단순히 선형 탄성 영역뿐만 아니라 균열이 진전하여 최종적으로 파단에 이를 때 까지의 변형을 고려해야 하므로 계산 비용이 큰 물성치이다. 본 연구에서는 계층적 인공신경망 모델을 통해 인성을 예측하고 외삽과 모델 갱신을 반복하는 알고리즘을 통해 그리드 복합재의 패턴 최적화를 수행하였다.
마지막으로 자동차의 경량화를 위해 기존 금속 부품을 강화플라스틱으로 대체하기 위한 리브 배치 최적화 문제이다. 강화플라스틱은 금속에 비해 훨씬 가벼운 대신 기계적 물성이 부족하다. 이를 보완하기 위해 플라스틱 제품에서는 리브 보강구조를 통해 부족한 기계적 물성을 보완한다. 하지만 리브의 개수가 늘어나면 설계 변수의 개수 또한 증가하기 때문에 설계공간이 가변적이다. 모델은 가변적인 변수를 입력으로 할 수 없기 때문에 이와 같은 경우 전통적인 대리모델 기반 최적화를 수행할 수 없다. 본 연구에서는 강화학습 알고리즘을 활용하여 변수의 개수가 변하는 리브의 패턴을 최적화할 수 있었다.
이를 통해 본 학위논문에서는 세가지 다른 설계변수 상황에 대한 대리모델 기반 최적화 방법론을 제시한다. 첫번째는 설계공간이 작고, 연속적이고 상하한이 존재하는 경우 설계 공간에 대해 모델의 내삽을 통한 예측이 보장되도록 학습데이터를 샘플링 하여 모델의 예측 성능을 향상시키고, 이를 기반으로 빠르게 최적화를 수행하는 방법을 제시하였다. 두번째는 설계공간이 디지털하고 매우 커서 모델의 내삽을 통한 예측이 보장되지 않는 경우이다. 물리적 입력특성을 사용하여 모델의 외삽 능력을 향상시킨 후, 이를 기반으로 외삽과 모델 갱신을 반복하여 최적화를 수행하는 방법론을 제시하였다. 마지막으로 설계변수의 개수가 변하는 설계공간이 가변적인 경우이다. 설계변수를 입력으로 하는 모델을 사용하는 전통적인 대리 모델 기반 최적화 방법론에서 벗어나 강화학습 알고리즘 기반 최적화를 통해 설계공간의 차원이 증가하여도 하나의 모델을 사용하며 데이터 측면에서도 효율적인 방법론을 제시하였다. 이를 통해 다양한 공학문제에서 마주할 수 있는 다양한 설계변수 상황에서 머신러닝 모델 기반 효율적인 최적화 전략을 제시하고자 한다.
