가중 라플라시안 DFF를 이용한 압입 형상 측정과 재료 물성 예측
Indented imprint measurement using weighted Laplacian DFF and material property prediction
- 주제어 (키워드) 압입 시험 , 초점 깊이 추출 , 압입 형상 변위 , 적합직교분해 , 딥러닝 , Indentation test , Depth From Focus (DFF) , Indented Imprint , Proper orthogonal deposition , Deep learning
- 발행기관 서강대학교 일반대학원
- 지도교수 이철수
- 발행년도 2023
- 학위수여년월 2023. 2
- 학위명 석사
- 학과 및 전공 일반대학원 기계공학과
- 실제 URI http://www.dcollection.net/handler/sogang/000000069903
- UCI I804:11029-000000069903
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
This paper presents DFF algorithm that measures indented imprint caused by indentation and material properties prediction model. Since it is impossible to measure the indented imprint with Traditional DFF algorithm, we divide the region according to the characteristics of the indented imprint and measure imprint by the DFF method with a weighted Laplacian suitable for each region. For reducing error, we adjust the interpolation considering the axisymmetric of indenter on the Depth image by weighted Laplacian DFF. For the properties prediction, FEA based database was built. A new flow stress curve is introduced to predict the physical properties of Steel materials used in industrial settings. POD modes are derived from the POD of database and all indented imprint data is expressed as a linear combination of the POD modes. The indented imprint curve can be specified by the POD mode coefficients used in the linear combination. The deep learning model is trained with the POD mode coefficients as the input and the mechanical properties used in FEA as the output. This paper concludes with comparing and verifying the results of the tensile test and the prediction model presented in this study
more초록 (요약문)
본 논문은 압입으로 발생하는 압입 형상을 측정하는 DFF 알고리즘과 인공지능 물성 예측 모델을 제시한다. 기존의 DFF 알고리즘으로 압입 형상을 측정이 불가능하여, 압입 형상의 특징에 맞게 영역을 나누고 각 영역에 적합한 가중 라플라시안을 적용한 DFF 방법으로 형상을 측정한다. 가중 라플라시안 DFF방법으로 얻은 깊이 이미지에 압입자의 축대칭을 고려한 보간 법을 적용한다. 또한, 해당 방법으로 얻어낸 형상을 이용하여 물성 예측을 하기 위해 FEA 기반의 데이터 베이스를 구축한다. 산업 환경에서 사용되는 철 금속 재료의 물성을 예측하기 위해 새로운 유동응력 곡선을 도입한다. 데이터베이스의 POD를 통해 POD 모드를 도출할 수 있으며 모든 압입 형상 데이터는 POD 모드의 선형 조합으로 표현된다. 선형 조합에 사용되는 POD 모드 계수를 이용하여 형상 곡선을 특정할 수 있다. POD 모드 계수와 FEA에 이용된 기계적 물성을 각각 입력과 출력으로 딥러닝 모델을 학습시킨다. 이를 통해 형상 변위를 이용하여 물성을 예측할 수 있는 POD-DL예측 모델을 제시한다. 인장시험 결과와 본 연구에서 제시한 예측 모델의 결과를 비교 검증하였다.
more