Indentation-informed plastometry and tensile-flow prediction using FE and deep learning
연구 내용
인덴테이션 하중-변위 데이터를 유한요소 해석과 신경망으로 연계하여 소성 유동, 항복/경화 파라미터, 잔류응력을 역추정하는 연구
연구는 구형 인덴터 기반 압흔 실험으로 확보한 하중-깊이 곡선을 출발점으로 합니다. 유한요소(FE) 시뮬레이션으로 다양한 강/이방성 조건의 학습 데이터를 생성하고, 인덴테이션 특징을 추출해 인공신경망(ANN) 또는 컨볼루션 신경망(CNN)에 매핑합니다. 이를 통해 경화 파라미터, 항복함수, 비등방 소성 유동과 함께 비평면 조건에서 잔류응력 및 소성흐름을 동시에 예측하도록 모델을 설계합니다. 또한 실험 기반 검증과 오차 평가로 예측 신뢰성을 점검합니다.
관련 연구 성과
관련 논문
5편
관련 특허
0건
관련 프로젝트
1건
연구 흐름
초기에는 FE 기반 인덴테이션 시뮬레이션과 ANN을 결합해 일축 인장 유동을 압흔 데이터로 예측하는 접근을 정립했습니다. 이후 이방성 재료로 확장하여 인덴테이션 플라스토메트리에서 소성 거동을 딥러닝으로 정밀화했습니다. 다음 단계에서는 신경망 기반 역문제 형태로 이방성 항복함수 파라미터를 추정하는 연구로 심화되었습니다. 최근에는 인덴테이션-정보형 CNN을 도입해 비등축/비등방 잔류응력과 소성 흐름을 동시에 산출하는 방향으로 확장하고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Prediction of uniaxial tensile flow using finite element-based indentation and optimized artificial neural networks
Deep learning-based indentation plastometry in anisotropic materials
Parameter determination of anisotropic yield function using neural network-based indentation plastometry
Indentation-informed convolutional neural network for simultaneous prediction of non-equibiaxial residual stress and plastic flow
Indentation-informed convolutional neural network for simultaneous prediction of non-equibiaxial residual stress and plastic flow
관련 프로젝트
구분
제목
핵심(후속) : MEMS 센서 핵심 연구 지원센터