Owing to its heterogeneous microstructure, structural composite materials are well-known for their outstanding combination of mechanical properties, including strength and toughness, while also maintaining a lightweight nature. However, the complex microstructure of the composite materials results in complicated deformation and failure mechanisms, making it challenging to develop analytical formulas for their non-linear mechanical properties over time. Despite the significant demand for structural composites across various industries, the absence of analytical formula hinders their real-life application, as the optimal designing of the composite microstructure for higher performance is difficult to achieve.
In this thesis, we propose machine learning-driven frameworks designed to assist in the analysis and optimization of the structural composite materials for higher non-linear mechanical properties. In the first part of this thesis, we propose an optimization framework that can be used for mechanical properties directly related to the performance of composites, such as toughness, strength, and lightweight characteristics. This study efficiently derives the optimal designs by applying Bayesian optimization to a nacre-inspired composite, a representative biomimetic composite material. In the second part of the thesis, we devise a method to determine the fatigue strength, a property directly related to the reliability of composites, more quickly than conventional fatigue tests. By utilizing this fatigue strength measurement method, we can accumulate fatigue strength data of materials more efficiently, making it possible to apply machine learning-based optimization algorithms to the reliability of materials as well.
구조 복합재는 성질이 서로 다른 재료들을 효율적인 구조로 결합한 재료로써, 기존의 단일 재료에 비해 강성, 강도, 인성, 경량성 등의 기계적 물성치에 대해 뛰어난 밸런스를 가진다. 하지만, 복합재가 가지는 복잡한 미세구조로 인해 변형 및 파괴 메커니즘이 단일 물질에 비해 훨씬 복잡하고, 그로 인해 전체적인 소재의 비선형 물성치를 계산할 수 있는 이론식이 정립 되어있지 않다. 이론식의 부재로 인해 설계된 복합재의 비선형 물성치를 예측하기 어렵고 구조 최적화 또한 어려워 아직까지는 현업에서의 활용도가 떨어지고 과설계가 이루어지고 있는 실정이다.
본 학위논문에서는, 다양한 구조 복합재에 대해 비선형 물성치를 분석 및 최적화할 수 있는 머신러닝 기반 방법론을 제시한다. 본 논문의 첫번째 파트에서는 복합재의 성능에 직결된 물성치인 인성과 강도, 경량성에 대한 최적화 방법론을 제시한다. 대표적인 자연 모사 복합재인 nacre-inspired 복합재에 대해 Bayesian optimization을 적용하여 최적의 복합재 구조를 효율적으로 도출하는 연구이다. 논문 두번째 파트에서는 복합재의 신뢰성에 직결된 물성치인 피로강도를 기존 피로시험보다 빠르게 도출할 수 있는 방법론을 고안한다. 논문에서 제시하는 피로강도 계측방법을 활용하면 재료의 피로강도 데이터를 더 효율적으로 축적할 수 있기 때문에 머신러닝 기반 최적화 알고리즘을 재료의 신뢰성에 대해서도 적용할 수 있게 될 것으로 기대된다.
