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
- 학위논문
- 저자정보
- 지도교수
- 강범수
- 발행연도
- 2021
- 저작권
- 부산대학교 논문은 저작권에 의해 보호받습니다.
이용수13
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
딥 드로잉 공정은 가장 중요한 판재성형 공정 중 하나로 평가받고 있다. 다단 딥 드로잉 공정은 고려해야할 공정 설계 변수가 많기 때문에, 공정 설계 변수 선택에 대한 공정 결과를 예측하기가 힘들고 시간도 많이 걸린다. 본 연구에서는 심층 신경망을 다단 딥 드로잉 공정 결과 예측 모델로 활용할 것을 제안하였고, 이를 적용하여 성능을 정량적으로 평가하였다. 먼저 목적 형상을 설정한 후, 펀치와 다이의 곡률 반경과 마찰 계수를 포함한 7 개의 공정 설계 변수를 설정했으며, 경험식을 참고하여 설계 변수의 범위를 결정하였다. 다음으로 공정 결과 판단을 위한 지표로 최대 유효 변형률, 최소 두께, 바닥부 평균 두께를 설정하였다. 라틴 하이퍼 큐브 방법으로 획득된 500 개의 샘플링 포인트에 대한 유한요소 해석을 수행했으며, 유한요소 해석 결과 데이터를 사용하여 심층 신경망을 학습시켰다. 80 개의 랜덤 샘플에 대한 추가 유한요소 해석을 수행한 후, 이를 사용하여 심층 신경망의 성능을 평가하였으며, 이를 방사형 기저 함수 서포트 벡터 회귀와 비교하여 평가하였다. 성능 평가 결과 심층 신경망의 성능이 서포트 벡터 회귀에 비해 우수함을 확인할 수 있었다.
목차
1. 서론 11.1 연구의 배경과 목적 12. 딥 드로잉 공정 32.1 딥 드로잉 공정 개요 32.2 목적 형상 및 설계변수 선정 62.3 공정 결과 평가 지표 73. 해석적 연구 93.1 실험 계획법 93.2 유한요소 해석 103.3 유한요소 해석 결과 134. 회귀 모델 154.1 서포트 벡터 회귀 154.2 심층 신경망 194.3 심층 신경망 학습 215. 심층 신경망 성능 평가 246. 결론 27참고문헌 46영문초록 48
최근 본 자료
댓글(0)
0