머신러닝 기반 음향방출 특성분석에 의한 자가천공리벳 접합부의 파손모드 분류Classification of Failure Modes in a Self-Piercing Rivet Joint via Analysis of Acoustic Emission Characteristics Based on the Machine Learning
- Other Titles
- Classification of Failure Modes in a Self-Piercing Rivet Joint via Analysis of Acoustic Emission Characteristics Based on the Machine Learning
- Authors
- 최완규; 원종익; 우성충; 김태원
- Issue Date
- Jul-2020
- Publisher
- 대한기계학회
- Keywords
- self-piercing rivet(자가천공리벳); acoustic emission(음향 방출); failure mode(파손모드); machine learning(머신러닝)
- Citation
- 2020년도 대한기계학회 신뢰성부문 춘계학술대회 논문집, pp.173 - 173
- Indexed
- OTHER
- Journal Title
- 2020년도 대한기계학회 신뢰성부문 춘계학술대회 논문집
- Start Page
- 173
- End Page
- 173
- URI
- https://scholarworks.bwise.kr/hanyang/handle/2021.sw.hanyang/1831
- Abstract
- 차량 부품 강도 향상을 위해 알루미늄과 CFRP를 접합한 혼성 복합재료를 차량에 적용하려는 많은 노력이 있어왔다. 자가천공리벳은 복합재료와 금속재료를 기계적으로 결합하는 방법중의 하나이다. 본 연구에서는 자가천공리벳 접합부에서의 다양한 파손모드를 확인하기위해 알루미늄-CFRP 혼성 복합재료 시편에 대해 겹치기이음시험을 수행하였다. 또한, 음향방출 시험을 기계적시험과 함께 수행하고 자가천공리벳 접합부에서 발생하는 파손모드를 AE진폭, 최고주파수 및 에너지 관점에서 분류하였다. 이후, 앞서 언급한 음향방출인자를 다양한 비지도학습 기법에 근거하여 군집화 하였으며, 다양한 기법들의 정확도를 확인하기 위하여 그 결과를 시편의 파면 분석 결과와 비교하였다. 여섯 종류의 비지도학습 기법을 적용하였다. 그 중에서, K-means, Gaussian Mixture Model의 정확도가 실제 파손 모드 결과와 비교하였을 때 각각 94.6%와 93.7%로 가장 높았다. 따라서, 본 연구에서 제시한 머신러닝 기반 파손모드 분류 방법론은 다양한 혼성 복합재료의 파손예측 뿐만 아니라 다양한 차량 부품의 신뢰성 평가까지 활용될 수 있을 것으로 사료된다.
- 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.