머신 러닝을 사용한 열전도 문제에 대한 기능적 등급구조 설계

Functionally Graded Structure Design for Heat Conduction Problems using Machine Learning

본 연구는 효과적인 열전도를위한 거시적 구조 구성과 단위 구조 변화의 동시 설계를 위한 위상 최적화 방법을 제시한다. 거시적 규모의 구조 내에서 위치에 따른 단위 구조의 형태 변화는 거시적 규모뿐만 아니라 미시적 단위의 설계도 가능하며 등방성 단위 구조를 사용하는 것보다 더 나은 성능을 제공할 수 있다. 이 결과로 두 구성을 결합한 기능적으로 등급의 복합 구조가 생성된다. 대표 체적 요소 (RVE) 방법은 형태 변화에 따른 다중 재료 기반 단위 구조의 다양한 열전도 특성을 얻기 위해 적용된다. RVE 분석 결과를 바탕으로 머신 러닝 기법을 이용하여 특정 형태의 단위 구조물의 물성치를 도출할 수 있다. 거시적 위상 최적화는 기존의 SIMP 방법을 사용하여 수행되며, 거시 구조를 구성하는 단위 구조는 동시 최적화 과정에 따라 열전도 성능을 향상시키기 위한 다양한 형태를 가질 수 있다. 제안된 방법의 효과를 확인하기 위해 열 컴플라이언스 최소화 문제의 수치예가 제공된다.

This study introduces a topology optimization method for the simultaneous design of macro-scale structural configuration and unit structure variation to ensure effective heat conduction. Shape changes in the unit structure depending on its location within the macro-scale structure result in micro- as well as macro-scale design and enable better performance than using isotropic unit structures. They result in functionally graded composite structures combining both configurations. The representative volume element (RVE) method is applied to obtain various thermal conductivity properties of the multi-material based unit structure according to its shape change. Based on the RVE analysis results, the material properties of the unit structure having a certain shape can be derived using machine learning. Macro-scale topology optimization is performed using the traditional solid isotropic material with penalization method, while the unit structures composing the macro-structure can have various shapes to improve the heat conduction performance according to the simultaneous optimization process. Numerical examples of the thermal compliance minimization issue are provided to verify the effectiveness of the proposed method.