최근 고층 건축물의 설계 시 풍향 변화에 따른 내풍 안전성 평가는 필수적이나, 유한요소해석은 막대한 시간과 비용이 소요 된다. 본 연구에서는 풍공학 표준 모형인 CAARC 건축물을 대상으로 해석 속도를 혁신적으로 단축하면서 물리적 타당성을 확보한 물 리정보 신경망을 포함한 다양한 대체모델 체계를 제안한다. 이 연구에서는 해석 자동화 파이프라인을 구축하여 0°-360° 풍향별 구조 응답 데이터를 생성하였으며, 3차 스플라인 보간, 다항회귀, 가우시안 프로세스 회귀, 다층 퍼셉트론과 물리정보 신경망의 성능을 정량 적으로 비교하였다. 분석 결과, 물리정보 신경망 모델은 결정계수 0.9991, 평균 절대 오차 5.848×10-10으로 가장 우수한 성능을 기록하 였다. 특히 물리정보 신경망은 학습 데이터가 없는 외삽 구간에서도 물리적 제약 조건을 통해 실제 유한요소해석 결과와 일치하는 응 답을 성공적으로 재구성하였다. 또한 단일 케이스 유한요소해석 대비 약 31배 이상의 연산 속도 향상을 보여 실시간 구조 응답 평가의 가능성을 확인하였다. 본 연구의 결과는 정적 등가 풍하중에 대한 풍향별 최대 변위 예측에 한정되며, 가스트·와류 진동 등 동적 거동 의 직접 예측은 향후 연구 과제이다.

This study proposes a surrogate model framework that integrates finite element analysis and deep learning to rapidly estimate equivalent material properties of patterned sheets. Conventional homogenization methods can only be applied after the pattern geometry has been finalized, requiring additional modeling and simulation. In contrast, the proposed approach establishes a surrogate model in advance, enabling the immediate estimation of equivalent material properties once the pattern geometry is defined. A dataset of 5,000 cases was generated using simulations, and Bayesian hyperparameter optimization was applied to improve model performance. The surrogate model achieved R² values above 0.99 for all target properties, confirming high internal consistency. Experimental validation with patterned STS304 specimens yielded meaningful results, with all errors remaining within 15%, which demonstrates the reliability of the proposed surrogate model despite minor deviations caused by fabrication imperfections and limited training data. Despite these limitations, the proposed system enables instant estimation of equivalent properties from pattern geometries, offering significant reduction in computational cost and design time. This approach enhances design reliability and provides a practical tool for the application of patterned materials in industrial engineering.

본 논문에서는 다이나믹크리깅 대리모델 기반 자동차 브레이크 패드 마모량 측정센서 브라켓의 설계최적화를 소개한다. 브레이크 작동시 마찰재 바닥의 온도가 600°C 이상으로 상승하고, 이 열이 전달되어 센서의 기능을 상실시킨다. 따라서 열전달을 최소화하는 브라켓 형상의 설계최적화는 필수적이다. 최적화에 소요되는 계산비용을 절감하기 위해 다이나믹크리깅 대리모델로 열전달 시뮬레 이션을 대체하였다. 다이나믹크리깅은 최적의 상관함수와 기저함수를 선정하였으며, 정확한 대리모델을 도출하였다. 최적화 결과 센 서위치의 온도가 초기모델에 비해 7.57% 감소하였으며, 이를 열전달 시뮬레이션으로 다시 한번 확인하여 대리모델 기반 최적설계가 유의미함을 검증하였다.

Bellows expansion joints enhance the displacement performance of piping systems owing to their unique geometrical features. However, structural uncertainties such as wall thinning in convolutions, a byproduct of the manufacturing process, can impair their structural integrity. This study addresses such issues by conducting a global sensitivity analysis to assess the impact of these uncertainties on the performance of bellows expansion joints under monotonic loading. Global sensitivity analysis, which examines main and nth order interaction effects, is computationally expensive. To mitigate this, we employed a surrogate model-based approach using an artificial neural network. This model demonstrated robust prediction capabilities, as evidenced by metrics such as the coefficient of determination. The sensitivity indices of the main effect for the 2-ply and 3-ply bellows at the sixth convolution were 0.3340 and 0.3233, respectively. The sensitivity index of the sixth convolution was larger than that of other convolutions because the maximum deformation of the bellows expansion joint under monotonic bending load occurs around it. Interestingly, the sensitivity index for the interaction effect was negligible (0.01%) compared to the main effect, suggesting minimal activity between uncertainty factors across convolutions. Notably, bellows expansion joints under repetitive loading exhibit more complex behaviors, with the initial leakage typically occurring at the convolution. Therefore, future studies should focus on the structural uncertainties of bellows expansion joints under cyclic loading and employ a surrogate model for comprehensive global sensitivity analysis.

한국형 e-Navigation의 내항성 안전 모듈은 운항 중인 선박을 실시간으로 모니터링하고 내항성의 이상 상태를 사전에 경고함으로써 선박의 안정성을 확보하는 선내 원격 모니터링 서비스 중 하나이다. 일반적으로 선박설계를 위한 내항성능은 주어진 조건에서 선체 운동 시뮬레이션을 수행하여 평가하여 왔다. 하지만 운항 중 선박의 내항성능을 실시간으로 평가하기 위해 이러한 시뮬레이션을 실제 운항조건에 맞추어 수행하는 것은 계산시간의 한계로 인해 현실적이지 않다. 본 연구에서는 기계학습 기반의 근사모델을 활용하여 선박의 내항성능 평가 요소들 중 하나인 횡동요 운동특성을 합리적으로 보다 빠르게 예측하는 방법을 소개하고자 한다. 다양한 학습 기법과 데이터의 샘플링 조건을 적용하여, 얻어진 근사모델의 결과와 운동해석 결과의 오차가 거의 1% 내로 일치함을 보였다. 따라서 이러한 방법을 활용하면 선박의 실시간 내항 성능을 평가하는데 효율적으로 사용할 수 있을 것으로 판단된다.

Multi-objective optimization using response surface methodology-based surrogate model was employed to find optimal design parameter of TMD installed on structure under the El Centro earthquake. It is found that the RSM based weighted multi-objective optimized damper improves frequency responses and root mean square displacements of the structure without TMD by 31.6% and 82.3% under El Centro earthquake, respectively, and has an equal or higher performance than the conventionally designed dampers with respect to frequency responses and root mean square displacements and when applied to earthquakes.