컴퓨터로 구현된 선박 모델 블록의 계층적 구조는 블록의 내부 구조와 블록 간 연결 관계를 이해하는 데 중요한 역할을 한다. 블록 모델의 계층적 구조는 수작업으로 생성되기 때문에, 각 전문가가 서로 다른 계층 구조를 만들 수 있어 일관된 표준화 방법을 정의하기가 어렵다. 또한 컴퓨터지원설계 시스템에서의 블록 모델이 다른 플랫폼으로 변환될 때에는 생산 정보의 손실과 계층 구조의 변경과 같은 심각한 문제가 발생할 수 있다. 이에 본 연구에서는 중립적인 컴퓨터지원설계 형식에서 추출한 기하학적 정보를 사용하여 조선소 조립 공정에 기반한 블록의 계층적 구조를 자동으로 생성하는 알고리즘을 제안한다. 최종 계층 구조를 얻기 위해 구조 부재 간 연결 관계를 바탕으로 비용을 산정한다. 생성된 계층의 정확성은 조선소 블록 분할 전문가의 자문을 통해 검증하였다.

선박의 선체 형상은 선박의 각 설계 단계와 직접적으로 연관된다. 따라서 이러한 형상은 신규 설계 위험을 피하기 위해, 잘 설계된 모선(parent ship)의 변형에 기반하여 자주 설계된다. 그러나 선체 형상 변형에서는 모선의 만족스러운 기하학적 보존과 성능 연속성의 확보가 서로 상충하는 요구로 간주된다. 이러한 변형을 효과적으로 추진하기 위해서는 두 요구 사이의 적절한 타협이 달성되어야 한다. 선체 형상 파라미터를 변경하는 대신, 임의의 곡선 제약 조건을 두고 선체 표면을 상호작용적으로 변형할 수 있으며, 원래 선체 표면의 특성을 보존하는 데 초점을 둔 유연하고 직관적인 접근법을 제안한다. 곡선 또는 표면의 중첩(superposition) 이점을 활용하여 선체 형상을 수정한다. 중간 곡선 제약을 만족하면서 매끄러운 형상을 갖는 중간 표면을 구성하고, 이를 원래 표면 위에 중첩하여 원하는 표면을 얻는다. 곡선 제약 조건을 사용한 표면 수정의 제어를 단순화하는 형상 제어 메커니즘으로 형상 함수(shape function)를 사용한다. 개발된 방법은 컨테이너 선박의 선수미(stern) 부위에 위치한 특성 곡선 및 단면 곡선(characteristic curves and section curves)을 수정하는 데 적용하였다. 곡선 제약 변형에 따른 기하학적 형상 변화와 유동역학적 성능 변화는 제안된 방법의 실용성과 효율성을 입증하기 위해 평가되었다. 그 결과, 제안된 방법은 매끄러운 형상을 생성하며 유동역학적 패턴이 거의 변하지 않는 것으로 나타났다. 제안된 변형은 선체를 선형적(linear) 방식으로 변형하는 데 효과적인 도구를 제공한다.

강판은 철강 시장의 조건 및 중·장기 생산 전략에 따라 대량으로 주문되기 때문에 가공 일정에 맞추지 않고 조선소에 공급된다. 따라서 강판은 가공 시스템에 투입될 때까지 강재 야적장에 적치된 뒤, 가공 시작일에 따라 순차적으로 공급된다. 현재 강재 야적장은 현장 작업자의 경험에 의해 운영되고 있으며, 크레인 과다 사용과 같은 비효율이 발생하고 있으므로 효율적인 관리 기법이 요구된다. 그러나 기존 최적화 알고리즘은 강재 투입 시점이 무작위라는 점 때문에 한계가 있다. 본 연구에서는 강화학습 알고리즘을 이용하여 강재 야적장에 대한 강재 투입 순서를 결정하기 위한 연구를 수행하였다. 테스트를 통해 효과적인 알고리즘(A3C)을 확인하였으며, 제안 방법이 실제 규모의 강재 야적장 문제에 대해 유효함을 검증하였다.

이 논문은 목표 형상이 알려져 있을 때 곡면 선체 판을 성형하기 위한 사이클-타임(cycle-times)을 결정하기 위한 인공신경망(ANN) 모델을 제안한다. 제안된 모델은 선박 건조 회사가 선박 제작에 필요한 사이클-타임을 예측하는 데 도움을 준다. 입력 변수는 목표 형상에서 추출한 기하학적 정보(곡률(curvedness), 가우스 곡률(Gaussian curvature), 선체 판의 폭과 높이)이며, 출력 변수는 단위 면적당 가열 지속 시간이다. 제안된 모델의 구조는 냉간 성형(cold forming) 사례 이후 선상(line) 가열에 대한 사이클-타임을 예측하며, 두 개의 은닉층으로 구성된다. 제안된 모델은 데이터셋이 변경될 때에만 재학습(retraining)을 수행하면 되므로 사용이 편리하고 유연하다. 제안된 모델의 성능은 5-겹 교차검증(five-fold cross-validation)을 통해 분석하였으며, 선형 회귀 분석(linear regression analysis) 방법과 미리 정의된 공식으로부터 도출된 수학적 모델과 비교하였다. 그 결과, ANN 모델은 선박 건조 적용에서 곡면 선체 판의 사이클-타임 예측에 대해 신뢰할 수 있고 정확한 것으로 나타났다. 서론 선박 건조 회사는 일반적으로 생산 계획 부서가 제작 공정을 최적화하기 시작하기 전에, 다양한 목적을 위한 이전 선박을 기반으로 선박의 생산 비용을 추정한다. 그들은 추정된 값을 이용하여 전체 제작 공정을 정련하거나 불필요한 작업을 줄임으로써 공정을 개선하고, 전반적인 생산 효율을 극대화한다.

최근 자율선박에 대한 관심이 높아지면서 스마트 선박의 안정성, 신뢰성 및 효율성은 중요한 이슈가 되고 있다. 자동 충돌 회피 시스템은 자율선박의 필수 기능이다. 이 시스템은 충돌 가능성을 감지하고 경제성과 안전을 고려하여 자동으로 회피 조치를 수행한다. 본 연구에서는 강화학습을 이용한 자동 충돌 회피 시스템을 구축하기 위해, 선박 충돌의 순차적 의사결정 문제를 마르코프 결정 과정(Markov Decision Process, MDP)으로 수학적으로 정식화한다. 강화학습 환경은 선박 기동 방정식을 기반으로 구성하고, 이후 MDP의 세 가지 핵심 구성요소(상태, 행동, 보상)를 정의한다. 상태는 자선과 표적선 간의 관계에 대한 매개변수를 사용하고, 행동은 표적 진로로부터의 수직 거리로 설정하며, 보상은 안전과 경제성을 고려하는 함수로 정의한다. 순차적 의사결정 문제를 해결하기 위해 연속적인 행동 공간을 표현하고 최적 행동 정책을 탐색할 수 있는 딥 결정론적 정책 경사(Deep Deterministic Policy Gradient, DDPG) 알고리즘을 활용한다. 이후 충돌 회피 시스템을 90° 교차 교전 상황을 가정하여 시험하였고, 만족스러운 결과를 도출하였다.

선박 및 해양구조물의 장비(의장) 설계는 주로 제한된 공간에서 수행된다. 장비 설계에서 많은 부분을 차지하는 파이프는 통상 조선소 외부에서 제작된다. 이러한 복잡한 제작 과정은 잦은 납기 지연을 초래한다. 불가피한 설계 변경과 재료 변경 또한 비효율적인 파이프 설치 작업으로 이어졌다. 본 연구에서는 파이프 설치 순서를 체계적으로 결정하기 위한 알고리즘을 제안한다. 배관 재료의 기하학적 관계를 정확하고 빠르게 식별하는 알고리즘을 제시한다. 계산 효율을 향상시키기 위해 간단한 형상부터 복잡한 형상에 이르기까지 간섭(interference)을 점진적으로 검토한다. 후면 제거(back-face culling) 및 바운딩 박스(bounding boxes) 사용과 같은 연속적인 기하 연산을 통해 계산 효율이 유의하게 향상됨을 입증한다. 최종 설치 순서가 결정된 후에는 전체 설치 과정을 가상현실 환경에서 시각화하여, 전 규모(full-scale) 모델에 대해 해당 과정을 렌더링하고 이해할 수 있도록 한다.

컴퓨터로 구현된 선박 모델 블록의 계층적 구조는 블록의 내부 구조와 블록 간 연결 관계를 이해하는 데 중요한 역할을 한다. 블록 모델의 계층적 구조는 수작업으로 생성되기 때문에, 각 전문가가 서로 다른 계층 구조를 만들 수 있어 일관된 표준화 방법을 정의하기가 어렵다. 또한 컴퓨터지원설계 시스템에서의 블록 모델이 다른 플랫폼으로 변환될 때에는 생산 정보의 손실과 계층 구조의 변경과 같은 심각한 문제가 발생할 수 있다. 이에 본 연구에서는 중립적인 컴퓨터지원설계 형식에서 추출한 기하학적 정보를 사용하여 조선소 조립 공정에 기반한 블록의 계층적 구조를 자동으로 생성하는 알고리즘을 제안한다. 최종 계층 구조를 얻기 위해 구조 부재 간 연결 관계를 바탕으로 비용을 산정한다. 생성된 계층의 정확성은 조선소 블록 분할 전문가의 자문을 통해 검증하였다.

선박의 선체 형상은 선박의 각 설계 단계와 직접적으로 연관된다. 따라서 이러한 형상은 신규 설계 위험을 피하기 위해, 잘 설계된 모선(parent ship)의 변형에 기반하여 자주 설계된다. 그러나 선체 형상 변형에서는 모선의 만족스러운 기하학적 보존과 성능 연속성의 확보가 서로 상충하는 요구로 간주된다. 이러한 변형을 효과적으로 추진하기 위해서는 두 요구 사이의 적절한 타협이 달성되어야 한다. 선체 형상 파라미터를 변경하는 대신, 임의의 곡선 제약 조건을 두고 선체 표면을 상호작용적으로 변형할 수 있으며, 원래 선체 표면의 특성을 보존하는 데 초점을 둔 유연하고 직관적인 접근법을 제안한다. 곡선 또는 표면의 중첩(superposition) 이점을 활용하여 선체 형상을 수정한다. 중간 곡선 제약을 만족하면서 매끄러운 형상을 갖는 중간 표면을 구성하고, 이를 원래 표면 위에 중첩하여 원하는 표면을 얻는다. 곡선 제약 조건을 사용한 표면 수정의 제어를 단순화하는 형상 제어 메커니즘으로 형상 함수(shape function)를 사용한다. 개발된 방법은 컨테이너 선박의 선수미(stern) 부위에 위치한 특성 곡선 및 단면 곡선(characteristic curves and section curves)을 수정하는 데 적용하였다. 곡선 제약 변형에 따른 기하학적 형상 변화와 유동역학적 성능 변화는 제안된 방법의 실용성과 효율성을 입증하기 위해 평가되었다. 그 결과, 제안된 방법은 매끄러운 형상을 생성하며 유동역학적 패턴이 거의 변하지 않는 것으로 나타났다. 제안된 변형은 선체를 선형적(linear) 방식으로 변형하는 데 효과적인 도구를 제공한다.

강판은 철강 시장의 조건 및 중·장기 생산 전략에 따라 대량으로 주문되기 때문에 가공 일정에 맞추지 않고 조선소에 공급된다. 따라서 강판은 가공 시스템에 투입될 때까지 강재 야적장에 적치된 뒤, 가공 시작일에 따라 순차적으로 공급된다. 현재 강재 야적장은 현장 작업자의 경험에 의해 운영되고 있으며, 크레인 과다 사용과 같은 비효율이 발생하고 있으므로 효율적인 관리 기법이 요구된다. 그러나 기존 최적화 알고리즘은 강재 투입 시점이 무작위라는 점 때문에 한계가 있다. 본 연구에서는 강화학습 알고리즘을 이용하여 강재 야적장에 대한 강재 투입 순서를 결정하기 위한 연구를 수행하였다. 테스트를 통해 효과적인 알고리즘(A3C)을 확인하였으며, 제안 방법이 실제 규모의 강재 야적장 문제에 대해 유효함을 검증하였다.