복합재료 분야에서 Machine Learning은 어떻게 활용되고 있을까?

2월 27, 2024

—

제공

지식의 분포와 흐름, 진화과정을 추적하고 해석하는 시스템

인포리언스는 대용량의 문서 세트에 포함된 “지식의 분포와 흐름, 진화과정을 추적하고 해석하는 시스템 (가칭:ShadowKernel)”을 개발하고 있습니다.
ShadowKernel은 다음과 같은 기능을 탑재하고 있습니다.

지식의 구성과 흐름을 시각화
특수한 흐름이 나타난 부분에 대한 해석을 자동 추출
분석한 내용을 바탕으로 사용자의 질문에 응답

본 글은 ShadowKernel을 활용하여 작성하였습니다.

Screenshot

복합재료 분야의 세부 연구 주제

**** ChatGPT가 생성한 그림입니다.

복합재료 분야의 논문들을 모아 15개의 세부 주제로 묶어 본 결과는 다음과 같습니다.

0: “탄소 섬유를 활용한 충격보호성 향상 연구” – 이 주제는 탄소 섬유, 모양 기억 합금, 유한 요소 해석 등을 다루며, 이들 요소가 어떻게 충격보호성 향상에 기여하는지에 대한 연구를 중점적으로 다룹니다.
1: “지속적으로 강화된 탄소 섬유 복합체의 고도화에 관한 연구” – 이 주제는 탄소 섬유, 복합체, 고품질 합의, 유한 요소 해석과 같은 핵심 요소를 포함하여, 연속적으로 강화된 탄소 섬유 복합체의 개선된 특성에 대해 다룹니다.
2: “구조 최적화와 유한요소법의 새로운 접근” – 이 주제는 구조 최적화, 유한 요소 해석, 최적화 알고리즘 등을 다루며, 기존 구조 최적화 방법에 새로운 접근 방식을 제시하는 주제입니다.
3: “3D 염색 복합체의 최적화와 성능 향상” – 유리 섬유, 유한 요소 해석, 섬유재배열 등의 주요 요소를 다룹니다. 이들 요소가 어떻게 3D 염색 복합재의 성능을 향상시키는지에 집중합니다.
4: “변형 이론과 유한요소법을 활용한 형상 분석” – 이 주제는 변형 이론, 경계 조건, 횡방향 전단 응력 등에 관한 논문을 다룹니다. 이 요소들이 어떻게 복잡한 형상의 분석에 유용한지에 집중합니다.
5: “열 – 기계적 결합을 고려한 유리 섬유 강화 플라스틱의 특성 연구” – 이 주제는 유리 섬유, Hygrothermal, 플라스틱 강화 등에 대해 다룹니다. 이들 요소가 유리 섬유 강화 플라스틱의 성능 향상에 어떻게 기여하는지에 집중합니다.
6: “강철과 콘크리트를 접합한 새로운 구조체의 내구성 연구” – 이 주제는 강철 구조, 복합 강철 콘크리트, 강철 프레임 등에 대해 중점적으로 다룹니다. 이들 요소가 새로운 구조물의 내구성을 얼마나 향상시킬 수 있는지를 중점적으로 다룹니다.
7: “한계 영역 모델을 사용한 데미지 예측 연구” – 이 주제는 데미지 초기화, 한계 영역 모델, 유한 요소 분석 등에 관한 논문을 다룹니다. 예측과 분석을 통해 물체의 데미지를 더 정확하게 이해하는 것에 집중합니다.
8: “샌드위치 구조체의 최적화 연구” – 이 문서는 샌드위치 구조, 샌드위치 플레이트, 유한 요소 분석, 그래핀 나노플레이트 등의 요소를 다루며, 이들 요소가 샌드위치 구조체의 성능 향상에 어떻게 기여하는지에 집중합니다.
9: “피에조 전기 복합체의 새로운 접근 방법 및 최적화” – 논문들은 피에조 전기 복합체, 피에조 전기 층, 최소 표면, 주파수 밴드 갭 등에 관해 다룹니다. 이들 요소를 이용해 피에조 전기 재료의 성능 향상에 중점을 둡니다.
10: “폴리머 강화 콘크리트 구조물의 진화에 관한 연구” – 이 주제는 FRP 거동, 종속 콘크리트, 콘크리트 구조물 등에 대해 다룹니다. 이 요소들이 콘크리트 구조물의 성능 개선에 어떻게 기여하는지에 대해 집중합니다.
11: “변형 이론을 활용한 비선형 키네틱스 연구” – 비선형 키네틱스, 선형화 근사도, 비선형성 분석 등에 대한 논문을 다룹니다. 이 요소들이 비선형 시스템의 이해와 분석에 어떻게 도움되는지에 중점을 둡니다.
12: “콘크리트로 채워진 강철 구조물의 내구성 향상에 관한 연구” – 이 주제는 콘크리트로 채워진, 타 성능 섬유, 유한 요소 해석 등에 대해 다룹니다. 이 요소들이 강도와 내구성 개선에 어떻게 기여하는지에 대해 집중합니다.
13: “디랙트릭 소재의 효율적인 전기테크 활용 연구” – 이 주제는 고유전 상수, 물질 준비, 밀도 함수 이론 등에 중점적으로 다룹니다. 이들 요소가 어떻게 효율적인 전기기술 사용에 도움을 주는지에 관한 연구를 중점적으로 다룹니다.
14: “van der waals에서 CNT 분포에 관한 연구” – 이 주제는 특정 CNT 분포, van der waals 효과, 강화 기능성 구배재 등에 관한 논문을 다룹니다. van der waals 효과를 통해 물질의 효율성을 어떻게 향상시킬 수 있는지를 중점적으로 다룹니다.

Machine learning의 비중이 커진다.

위의 그림은 2010년부터 최근까지 복합재료의 전체 분야에서 deep learning이 차지하는 비중이 늘어났음을 보여줍니다.

그러나 모든 세부 주제에서 비중이 커진 것은 아니다.

위의 그림은 15개 세부 주제에서의 비중을 보여줍니다. 이 그림을 보면, 복합재료 분야의 모든 세부 주제에서 deep learning의 비중이 골고루 커진 것이 아니라, 특정 세부 주제에서만 눈에 띄게 커졌음을 보여주고 있습니다.

Deep learning의 비중이 가장 커진 세부 주제의 번호는 2이고 해당 세부 주제의 주요 키워드들은 [‘simply supported’, ‘boundary condition’, ‘computational cost’, ‘structural optimization beso’, ‘finite element analysis’, ‘optimization macrostructure’, ‘optimization genetic’, ‘optimization magnetoelectric’, ‘finite element method’, ‘composite material’]입니다.

위에서 언급했듯이, 이 세부 주제에서는 구조 최적화, 유한 요소 해석, 최적화 알고리즘 등을 다루며, 기존 구조 최적화 방법에 새로운 접근 방식을 제시합니다.

Machine learning의 활용 패턴

최근 몇 년간 복합재료(composite materials) 분야에서는 기계학습(Machine Learning, ML)이 중요한 역할을 하고 있습니다. 이는 복합재료의 설계, 제작, 그리고 성능 예측과 같은 여러 과정에서 효율성과 정확성을 대폭 향상시키는 데 기여하고 있습니다.

첫째, fiber-reinforced polymeric composites의 설계에 ML 기반 접근법이 제안되었으며, 이를 통해 필요한 속성을 만족시키면서 대상 filler 함량을 달성하기 위한 artificial neural network(ANN) 모델이 개발되었습니다.

또한, composite manufacturing에 ML과 artificial intelligence(AI)의 적용 가능성이 탐색되고 있습니다. 이는 Automated Fiber Placement(AFP) 과정에서 결함 데이터를 제조 과정에 완전히 통합할 수 있는 ML vision system 개발에 이르렀습니다.

다른 연구에서는 소량의 training database를 사용하여 fiber-reinforced composite의 elastoplastic behavior를 예측하기 위해 mechanics-informed ML 접근 방식이 제안되었습니다. 추가적으로, 제한된 labeled 샘플로 composite의 구조-성질 연결을 수립하는 것은 여전히 도전이 되고 있으며, 이를 위한 transfer learning 기반 방법이 제안되었습니다.

또한, composite materials의 성능과 행동을 예측하기 위한 computational 방법의 적용이 반영되어 있습니다.

이렇게 ML은 composite 분야에서 성능 예측, 제조 최적화, 결함 검출 등을 포함하여 광범위하게 활용되고 있으며, 이 과정에서 데이터 수집의 어려움과 같은 도전에도 불구하고 새로운 방법론이 지속적으로 모색되고 있습니다.