When the adhesive pillar is detached from the substrate, initial crack starts at the edge because of the stress singularity, which leads to a rapid detachment. If a relatively soft material is added to the tip of the pillar, stress singularity is reduced and the performance of the adhesive pillar is enhanced. By varying the interface geometry of the soft tip layer, different composite pillars with different performances are created. In this thesis, we calculated the singularity and performance scores of the full detachment process on different geometry of the soft tip layer using FEA simulation and predicted using machine learning. Using the trained machine learning model, we proposed an optimized composite adhesive pillar geometry using genetic algorithm and generative inverse design method.
접착 기둥이 표면에서 분리될 때, 응력 특이점으로 인해 가장자리에서 초기 균열이 시작되어 빠르게 분리된다. 이때 상대적으로 연한 소재를 기둥의 끝에 추가하면 가장자리에서 발생하는 응력집중의 정도가 감소하게 되고 접착기둥의 성능이 향상된다. 추가되는 연한 소재로 이루어진 팁의 형태가 달라질 때, 성능이 다른 다양한 복합기둥이 생성된다. 본 학위논문에서는 유한요소해석을 통해 다양한 형태를 가진 복합접착기둥의 응력 특이점 및 전반적인 분리과정에서의 성능 점수를 계산하고 머신러닝 알고리즘을 이용하여 이를 예측하였다. 훈련된 머신러닝 모델을 바탕으로 유전 알고리즘과 역설계 방법을 이용하여 최적화된 복합접착기둥의 형태를 제안하였다.
