쌍방향 장단기 기억 네트워크를 이용한 주기별 저주기 피로 응력-변형률 거동 예측Prediction of Low Cycle Fatigue Stress-Strain Behavior by Cycle using Bi-Long Short-Term Memory
- Other Titles
- Prediction of Low Cycle Fatigue Stress-Strain Behavior by Cycle using Bi-Long Short-Term Memory
- Authors
- 이상민; 원종익; 우성충; 김태원
- Issue Date
- Jul-2020
- Publisher
- 대한기계학회
- Keywords
- bi long short-term memory(쌍방향 장단기 기억); low cycle fatigue(저주기 피로); stress-strain behavior(응력-변형률 거동)
- Citation
- 2020년도 대한기계학회 신뢰성부문 춘계학술대회 논문집, pp.115 - 115
- Indexed
- OTHER
- Journal Title
- 2020년도 대한기계학회 신뢰성부문 춘계학술대회 논문집
- Start Page
- 115
- End Page
- 115
- URI
- https://scholarworks.bwise.kr/hanyang/handle/2021.sw.hanyang/1827
- Abstract
- 쌍방향 장단기 기억 네트워크는 장단기 기억 네트워크에 종단간 학습 특성을 부여한 네트워크이며 기계번역, 이미지 예측과 같은 다양한 분야에 널리 적용되고 있다. 재료의 저주지 피로 응력-변형률 거동을 쌍방향 장단기 기억 네트워크를 이용해 주기별로 예측할 수 있다면 예측결과를 바탕으로 다양한 기계학습 기법을 적용하여 재료의 수명 및 특성에 관한 분석이 가능하다. 본 연구에서는 스테인리스 강의 저주기 피로시험으로부터 획득한 응력 및 변형률 데이터의 일부를 쌍방향 장단기 기억 네트워크에 학습군으로 입력하였다. 이후 학습된 예측 모델을 기반으로 시험군의 저주기 피로 응력-변형률 거동을 예측하여싿. 이 때 쌍방향 장단기 기억 네트워크는 2000개의 은닉 노드들을 가지도록 설정했고 최적화 함수로 적응적 모멘트 추정을 사용했다. 전체 저주기 피로 데이터의 50%를 학습한 후 예측된 응력과 변형률의 실험값과 결정계수를 통해 예측의 정확도를 분석하였다. 분석 결과, 쌍방향 장단기 기억 네트워크를 사용한 모델은 결정계수 R2=0.9833 의 예측 정확도를 보였다. 따라서, 제시된 쌍방향 장단기 기억 네트워크를 이용한 저주기 피로 응력-변형률 거동 예측 모델 구성 방법론은 심층학습을 통한 실시간 피로 수명 자가 진단 분야에 활용 가능할 것이다.
- Files in This Item
-
Go to Link
- Appears in
Collections - 서울 공과대학 > 서울 기계공학부 > 1. Journal Articles
Items in ScholarWorks are protected by copyright, with all rights reserved, unless otherwise indicated.