안녕하세요, 라온엑스솔루션즈입니다.
2023년 계묘년 새해가 밝은지도 어느덧 일주일이 훌쩍 지났습니다.
1월이 다 지나기 전, 저희 라온엑스솔루션즈의 임직원들이 지난 한 해 동안 참여하고 발표한 논문 4 편을 소개드리려합니다.
아래 요약을 살펴보시고, 전문에 관심이 있으신 분들은 [성함 / 소속회사(학교) / 요청논문번호] 를 marketing@raonx.com 또는 페이지 우측 상단 contact를 통해 신청해주시기 바랍니다.
1. FEGate for Ship (FFS)의 local model 자동화 및
시뮬레이션 데이터를 활용한 기계학습 기반의 구조 강도 예측 모델 생성
대한조선학회 2022 추계학술대회
안재욱, 장신우(라온엑스솔루션즈) / 고특진, 정호용(대우조선해양)
Keywords
FEGate for ship(FFS), pSeven, 기계학습, 근사 모델, Nastran, 구조해석, API (Application Programming Interface)
일반적인 선박의 구조 강도 해석은 FEM 모델 생성 후 상용 Solver를 이용한 해석으로 진행된다. 이 과정에서 추가적인 해석을 위한 기존 모델 수정 및 재해석 등의 반복적인 작업이 수행되며, 이는 매우 소모적이고 비효율적인 작업으로 자동화에 대한 요구가 증가하고 있다.
본 논문에서는 FEGate for Ship의 API를 사용, 모델링 작업을 자동화하고 PIDO(Process Integration and Design Optimization)를 지원하는 pSeven을 통해 전체 프로세스를 하나의 플랫폼에 통합하였다. 표준화 된 프로세스는 DoE(Design of Experiment)와 연계되어 선박의 구조 강도 평가를 위한 다양한 해석 케이스를 자동 생성하고, 실현 가능한 데이터를 축적하였다.
결과물로 pSeven의 머신 러닝 알고리즘으로 누적된 데이터를 학습하여 반복적인 수작업이 필요한 해석에 대해 실시간으로 평가할 수 있는 예측 모델의 활용 방법을 제안하였다.
2. 항공기 기체구조의 응력해석 자동화 연구
항공우주학회 2022 춘계학술대회
배경태, 최명제(한국항공우주산업) / 장준태(라온엑스솔루션즈)
Keywords
Stress Analysis Automation Program (응력해석 자동화 프로그램), Sizing (사이징)
항공기 구조물의 응력해석 방법은 탐색 개발 및 체계 개발 초기와 그 이후로 구분된다. 1단계 개발 초기에는 기체 구조물의 중량 최적화 사이징(Sizing)이 주요 업무이며, 2단계에서는 패널 플러터, 음향 피로해석 및 조인트 강도해석 등과 같은 상세 응력해석을 VBA(Visual Basic Application)을 활용한 Excel 수계산
으로 수행하고 있다. 이 과정에서 인적 오류와 추가 검증에 따른 과도한 해석시간이 소요되고, 해석결과의 일관성 유지가 어려운 문제점이 발생한다.
본 논문에서는 이 문제점을 해결하고, 응력해석 분야의 독자 기술력 확보를 위한 상세 응력해석 자동화 프로그램 개발 연구를 수행하였다. 이를 통해 해석시간 단축 및 해석 결과의 신뢰성을 향상하였으며, 응력해석 분야에서 선진항공사와의 경쟁력을 확보할 수 있었다.
3. 데이터 기반 시스템 단위 NVH 목표 세분화 방법
대한기계학회 2022 추계학술대회
김종훈, 안지훈(라온엑스솔루션즈) / 김용대, 서성훈(현대자동차)
Keywords
목표(Target), 전달 함수(Transfer function), 시스템(System), 음향감도(NTF, Noise Transfer Function), 샤시 가진력(Chassis MPC-Force), 전달경로해석(TPA, Transfer Path Analysis)
최근 해석기법의 발달로 완성차 해석을 이용한 NVH 성능 개발이 많이 이루어졌다. 하지만 완성차 설계 완료 후 해석을 수행하고, 목표 미달 시 시스템 성능이 부족한 부분을 개선하는 방식으로 대처하므로 설계 변경이 늦어지고 시간과 비용이 많이 소요된다. 이에 설계 초기 단계부터 각 시스템 별로 완성차의 성능과 직결된 각각의 목표를 구분하여 배분할 필요성이 생겼다. 최근에는 3D FE 해석 외에도 TPA, FBS 등의 시스템 전달 함수를 활용하여 지오메트리가 일치하지 않아도 계산이 가능하다. 각 단계 별로 여러 차종들의 시스템 전달 함수를 조합하면 수천 가지의 완성차 조합이 생성되며, 이렇게 조합된 완성차들의 성능과 시스템 별 성능을 연계하면 완성차 목표 설정 시 필요한 시스템 성능을 예측할 수 있다.
본 연구는 이러한 과정의 방법론을 제시하고 있으며, 이를 통해 강건한 완성차 NVH 성능을 달성하는 시스템 엔지니어링의 기반을 마련하였다.
4. 풍력 발전기 블레이드의 High-Fidelity FE Model 개발
2022 한국태양에너지학회 추계학술발표대회
김현목(라온엑스솔루션즈) / 황성목(한국에너지기술연구원 풍력연구팀)
Keywods
풍력 터빈 블레이드(Wind turbine blade), 유한요소해석(FE analysis), 복합재료(Composite material), 결함(Defect), 기계학습(Machine learning), 최적화(Optimization)
풍력 블레이드의 수요가 증가함에 따라 큰 사고와 비용을 초래하는 운용 중 파손에 대한 관리 중요성이 커지고 있지만, 블레이드의 결함 특성을 모두 파악하기에는 현실적으로 어려움이 있다.
이에 본 연구에서는 10kw급 정상 블레이드(1 Case)와 결함 블레이드(4 Cases) 시편을 제작하여 고유진동수와 모드 형상을 측정하고, 정상 및 비정상 상태의 구조 특성을 모두 표현할 수 있는 High-Fidelity FE Model 을 생성하였다. FE Model의 특성을 DoE를 통해 수집 및 분석하였고, 머신러닝을 활용한 예측모델 생성, 이를 기반으로 한 최적화를 적용하였다.
그 결과, 모드 형상 70%를 충족하는 조건에서 1 ~ 4차 고유진동수 3% 미만의 오차율을 나타내는 FE Model 을 생성하였다.
전문에 관심이 있으신 분들은 [성함/소속회사(학교)/요청논문번호] 를 marketing@raonx.com 또는 페이지 우측 상단 contact를 통해 신청해주시기 바랍니다.