지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2020.4
- 수록면
- 89 - 96 (8page)
이용수
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
The finite element method has been widely applied in the sheet metal forming process. However, the finite element method is computationally expensive and time consuming. In order to tackle this problem, surrogate modeling methods have been proposed. An artificial neural network (ANN) is one such surrogate model and has been well studied over the past decades. However, when it comes to ANN with two or more layers, so called deep neural networks (DNN), there is distinct a lack of research. We chose to use DNNs our surrogate model to predict the behavior of sheet metal in the deep drawing process. Thickness variation is selected as an output of the DNN in order to evaluate workpiece feasibility. Input variables of the DNN are radius of die, die corner and blank holder force. Finite element analysis was conducted to obtain data for surrogate model construction and testing. Sampling points were determined by full factorial, latin hyper cube and monte carlo methods. We investigated the performance of the DNN according to its structure, number of nodes and number of layers, then it was compared with a radial basis function surrogate model using various sampling methods and numbers. The results show that our DNN could be used as an efficient surrogate model for the deep drawing process.
목차
Abstract
1. 서론
2. 딥 드로잉 공정 유한요소 해석
3. 대체 모델링 방법
4. 결과
5. 결론
REFERENCES
참고문헌 (14)
참고문헌 신청
G. E. P. Box, K. B. Wilson, 1951, On the Experimental Attainment of Optimum Conditions, J. R. Stat. Soc. Ser. B stat. Methodol., Vol. 13, No. 1, pp. 1~38.
Y. M. Xie, 2011, Multi-Objective Optimal Approach Based on Kriging Model in a Deep Drawing Process, Key Eng. Mater., Vol. 474, pp. 205~210.
Y. Tang, J. Chen, 2009, Robust Design of Sheet Metal Forming Process Based on Adaptive Importance Sampling, Struct. Multidiscip. Optim., Vol. 39, No. 5, pp. 531~ 544.
G. Sun, G. Li, Q. Li, 2012, Variable Fidelity Design Based Surrogate and Artificial Bee Colony Algorithm for Sheet Metal Forming Process, Finite Elem. Anal. Des., Vol. 59, pp. 76~90.
K. M. Liew, H. Tan, T. Ray, M. J. Tan, 2004, Optimal Process Design of Sheet Metal Forming for Minimum Springback Via an Integrated Neural Network Evolutionary Algorithm, Struct. Multidiscip. Optim., Vol. 26, No. 3~4, pp. 284~294.
Y. M. Xie, 2011, Multi-Objective Optimal Approach Based on Kriging Model in a Deep Drawing Process, Key Eng. Mater., Vol. 474, pp. 205~210.
Y. Tang, J. Chen, 2009, Robust Design of Sheet Metal Forming Process Based on Adaptive Importance Sampling, Struct. Multidiscip. Optim., Vol. 39, No. 5, pp. 531~ 544.
G. Sun, G. Li, Q. Li, 2012, Variable Fidelity Design Based Surrogate and Artificial Bee Colony Algorithm for Sheet Metal Forming Process, Finite Elem. Anal. Des., Vol. 59, pp. 76~90.
K. M. Liew, H. Tan, T. Ray, M. J. Tan, 2004, Optimal Process Design of Sheet Metal Forming for Minimum Springback Via an Integrated Neural Network Evolutionary Algorithm, Struct. Multidiscip. Optim., Vol. 26, No. 3~4, pp. 284~294.
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
계층 연관성 전파를 이용한 DNN PM2.5 예보모델의 입력인자 분석 및 성능개선
멀티미디어학회논문지
2021 .10
-
신경망의 계층 연관성 전파를 이용한 DNN 예보모델의 입력인자 분석
멀티미디어학회논문지
2021 .08
-
Development of Deep Neural Network for Predicting the Thickness and Strain of Multi-Stage Deep Drawing Process
Journal of the Korean Society for Precision Engineering
2020 .11
-
DNN에서 효율적인 학습을 위한 활성화 함수에 대한 고찰
대한전자공학회 학술대회
2016 .11
-
SMT-based Formal Verification Methods of Deep Neural Networks using Structural Properties
Journal of KIISE
2021 .09
-
Artificial Neural Network Based Optimization For Deep Drawing Process
한국소성가공학회 학술대회 논문집
2019 .10
-
Similarity based Deep Neural Networks
INTERNATIONAL JOURNAL of FUZZY LOGIC and INTELLIGENT SYSTEMS
2021 .09
-
Self-adaptive sampling for sequential surrogate modeling of time-consuming finite element analysis
Smart structures and systems
2016 .01
-
자율주행 자동차에서 DNN 기반 안전 필수 응용의 성능 저하 방지
전자공학회논문지
2020 .09
-
Self-adaptive sampling for sequential surrogate modeling of time-consuming finite element analysis
Smart Structures and Systems, An International Journal
2016 .01
-
Structural reliability analysis using temporal deep learning-based model and importance sampling
Structural Engineering and Mechanics, An Int＇l Journal
2022 .11
-
차량용 ITR의 토크 저감을 위한 DNN기반 설계최적화에 관한 연구
한국생산제조학회 학술발표대회 논문집
2024 .12
-
Shape prediction of high efficiency (IE4) induction motor using DNN
한국생산제조학회 학술발표대회 논문집
2022 .05
-
머신러닝기반 대리모델을 이용한 유한요소모델 동특성 보정에 관한 연구
한국항공우주학회 학술발표회 초록집
2024 .06
-
자율주행차용 우선순위 기반 다중 DNN 모델 스케줄링 프레임워크
한국정보통신학회논문지
2021 .03
-
3차원 CFD 분석 활용 EWP 성능 예측을 위한 데이터 기반 대체모델 개발
한국유체기계학회 학술대회 논문집
2024 .07
-
상정사고 시 전력계통 최대 주파수 편차 예측을 위한 DNN(Deep Neural Network) 모델 개발 및 검증
대한전기학회 학술대회 논문집
2020 .07
-
글로벌 큐를 통한 임베디드 멀티코어 프로세서의 멀티 DNN 연산 성능 향상
한국정보통신학회논문지
2020 .06
-
DNN 알고리즘을 이용한 파이프 비드높이 예측에 관한 연구
대한용접학회 특별강연 및 학술발표대회 개요집
2020 .11
-
Effects of Latin hypercube sampling on surrogate modeling and optimization
International Journal of Fluid Machinery and Systems
2017 .09
이 논문의 저자 정보
이 논문과 함께 이용한 논문
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-ECN-0101-2020-551-000539077