Model-based design is a concept that contrasts with design through tests. The model refers to any simulations or calculations using a computer instead of physical values obtained from actual measurements or tests. The model-based design follows the process of 1) construction of surrogate models to reduce the computational cost of the simulations, 2) calibration of the models using the actual test data, and 3) running an optimization using the surrogate models as the performance functions. In this study, four methods are presented to overcome the difficulties of existing methodologies in the series of the engineering design framework in each research topic. The first difficulty is that the model is often too heavy and of high dimension, which causes difficulty in surrogate modeling. Therefore, this study proposes an efficient method to construct a surrogate model and variable selection simultaneously with very few samples. The second difficulty is the lack of the number of test data for statistical model calibration. Therefore, a method is proposed to overcome the insufficient number of test data in model calibration using multiple responses. As the third research, this research proposes a method to perform conservative reliability-based design optimization (CRBDO) considering model uncertainty not to result in the unreliable optimum for model-based optimization. Finally, this research proposes a process to reduce the experimental error, which is the most problematic when applying all of the above engineering design procedures using experimental data.
모델을 활용한 설계는 시험을 통한 설계와 대비되는 개념이다. 여기서 모델이란 실제 측정을 통한 물리값을 대체하여 컴퓨터를 이용해 계산 가능한 모든 종류의 시뮬레이션이나 계산값들을 의미한다. 이러한 모델 기반 설계의 프로세스는 일반적으로 1) 시뮬레이션의 계산비용을 줄이기 위한 근사모델링, 2) 이러한 근사모델을 실제 시험데이터와 비교하여 보정, 3) 모델을 성능 함수로 삼아 최적화를 수행하는 프레임을 따른다. 이 연구에서는 이러한 모델 기반 설계의 일련의 프로세스에서 기존의 어려움을 극복하는 방법들을 각각의 4개의 독립된 연구 주제에서 제시한다. 첫째, 고차원 모델의 경우 시뮬레이션 대체용 대리모델을 구성하는 계산 비용이 크므로, 중요 변수의 선정과 동시에 대리모델을 매우 적은 수의 샘플로 구성하는 효율적 근사법을 제시하였다. 둘째, 통계적 모델 보정 수행시 부족한 시험데이터 수를 극복하기 위한 다중 응답 활용 방법을 제시하였다. 셋째, 모델을 이용한 최적화를 수행시 성능함수로 쓰이는 대리모델의 불확실성을 신뢰도 기반 최적화에 반영한 보수적인 최적화 방법을 구축하였다. 마지막으로, 공학 설계의 전반에서 활용되는 실험데이터에서 가장 문제가 되는 실험오차를 줄이는 프로세스를 제안하였다.