To apply reliability-based design optimization to engineering systems, accurate information on the variability and uncertainty of design variables is required. Modeling of the uncertainty of these design variables, referred to as the statistical input model, depends on the data of the design variables. However, in many cases, only limited data can be obtained due to cost and environmental issues. In order to achieve reliability-based design optimization under this condition, input uncertainty model was established by using kernel density estimation, and statistical sensitivity analysis method was derived to enable design optimization. For accurate optimization, sampling-based reliability analysis method that showed high accuracy is needed. To mitigate the high computational cost of this method, we propose an adaptive space partition reliability analysis method that increases computational efficiency. After confirming the validity of the sensitivity analysis and the reliability analysis through various statistical input models, the accuracy and efficiency of the proposed reliability-based design optimization methodology were verified through numerical examples.
공학 시스템에 대해 신뢰도 기반 최적설계를 적용하기 위해서는 설계변수의 불확실성과 변동성에 대한 정확한 정보가 필요하다. 이러한 불확실성은 입력 데이터를 바탕으로 통계적 입력모델로서 수치화 될 수 있다. 기존의 신뢰도 기반 최적설계는 충분한 양의 입력 데이터를 기반으로 이루어지지만 많은 경우 비용과 환경적 요인으로 인해 적은 수의 입력 데이터만 획득할 수밖에 없다. 따라서 입력데이터가 제한적인 상황에서 신뢰도 기반 최적설계를 수행하기 위해 커널밀도추정을 이용하여 통계적 입력모델을 수립하였고, 통계적 민감도 해석 방법을 유도하였다. 정확한 최적화를 위해 높은 정확도를 보여주는 샘플링 기반 신뢰도 해석이 필요했다. 이 방법의 높은 계산 비용을 완화하기 위해 계산 효율성을 높인 적응적 공간분할 신뢰도 해석법을 제안하였다. 여러 통계적 입력모델을 통해 민감도 해석과 신뢰도 해석의 타당성을 확인한 뒤, 수치 예제들을 통해 제안한 신뢰도 기반 최적설계 방법론의 정확성 및 효율성을 검증하였다.
