음의 강성 벌집 단위 셀(NSH-UCs)은 음의 강성 보를 사용하며, 충격 에너지를 흡수하고 재사용이 가능하여 에너지 흡수 구조 응용 분야에서 유망하다. 그러나 이들의 작동 수명과 제조 가변성에 대해서는 제한된 연구만이 이루어져 왔으며, 이는 실용적 구현에 있어 모두 핵심적인 요소이다. 본 연구는 에너지 흡수(EA)와 같은 성능 지표뿐 아니라 재사용성 및 제조로 인한 불확실성과 같은 운영 측면을 모두 고려하는 NSH-UC의 설계 최적화 프레임워크를 구축하는 것을 목표로 한다. 이를 위해 PLA/PHA 필라멘트를 이용하여 퓨즈드 필라멘트 제작(fused filament fabrication) 방식으로 치수가 서로 다른 NSH-UC 시편을 제작하였고, 준정적 및 반복 압축 시험을 통해 이들의 기계적 거동을 평가하였다. 이후 부가 제조 공정에서 고유하게 내재된 기하학적 및 재료 불확실성을 고려하면서, EA를 향상시키고 작동 수명을 연장하기 위해 대리모델 기반 최적화 방법을 적용하였다. 제안된 프레임워크는 초기 설계와 비교하여 특정 EA에서의 변화는 크지 않았음에도 불구하고 EA 및 수명 종료(end-of-life) 성능을 유의하게 개선시켰다. 이러한 결과는 초기 단계 설계에 성능, 신뢰성, 그리고 제조 가변성을 통합하는 것이 가능함을 보여주며, 구조 건전성 모니터링 및 예측·건전성 관리(prognostics and health management) 응용 분야에서의 프레임워크 잠재력을 시사한다.

본 연구는 군용 차량의 내구성 시험 모드를 실제 운용 조건에 더 가깝게 시뮬레이션하도록 최적화하는 것을 목표로 한다. 이를 위해 섀시와 파워트레인의 상대 손상에 대한 두 가지 시스템 수준 목적과 이에 대응하는 여섯 가지 구성요소 수준 제약을 결합한 수정된 이목적 최적화 접근법을 개발하였다. 수정된 이목적 최적화는 NSGA II(Non-dominated Sorting Genetic Algorithm II)를 사용하여 다양한 최적해 집합을 생성한다. 결과는 CRM(Coefficient of Residual Mass) 및 GMRAE(Geometric Mean Relative Absolute Error) 지표를 통해 평가하였으며, 이 접근법을 시스템 수준 목적에만 초점을 둔 이목적 최적화와 구성요소 수준 목적에만 초점을 둔 육목적 최적화와 비교하였다. 그 결과, 수정된 이목적 접근법은 이목적 및 육목적 방법 모두에 비해 더 정확하고 신뢰할 수 있는 내구성 시험 모드를 제공하는 것으로 나타났다.

본 논문에서는 냉장고 사이클의 진공 공정에서 발생하는 다양한 이상 패턴을 탐지하고 분류하기 위한 CAE-MLP 기반 AI 모델을 제안한다. 기존의 규칙 기반 진단 방법은 새롭게 나타나는 이상 패턴이나 공정 지연의 불규칙성을 효과적으로 탐지하는 데 한계가 있다. 이러한 문제를 해결하기 위해 본 연구에서는 정상 데이터의 패턴을 학습하기 위해 컨볼루션 오토인코더(Convolutional Autoencoder, CAE)를 사용하고, 재구성 오차를 바탕으로 이상 데이터를 탐지한다. 또한 탐지된 이상 패턴을 특정 고장 유형으로 분류하기 위해 다층 퍼셉트론(Multi-Layer Perceptron, MLP)을 적용한다. 제안된 CAE-MLP 모델은 불균형 데이터에서도 높은 성능을 보였다. 규칙 기반 방법을 통합함으로써, 이상 탐지에서 F1 Score 1.0을 달성하였으며 고장 패턴 분류에서는 100%의 정확도를 나타냈다. 본 방법론은 냉장고 제조 공정의 품질 관리를 향상시킬 뿐 아니라, 다양한 산업에서의 진공 공정 전반에 걸친 이상 탐지 및 분류 시스템의 확장성과 적용 가능성을 시사한다.