Damage Modeling and Direct Structural Design for Metal Alloys with Deep Learning and Genetic Algorithm
- 발행기관 서강대학교 일반대학원
- 지도교수 Dongchoul Kim
- 지도교수 김동철
- 발행년도 2025
- 학위수여년월 2025. 8
- 학위명 박사
- 학과 및 전공 일반대학원 기계공학과
- 실제 URI http://www.dcollection.net/handler/sogang/000000081927
- UCI I804:11029-000000081927
- 본문언어 영어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
The increasing demand for lightweight, high-performance components in transportation, biomedical, and energy sectors has intensified the need for advanced material systems and intelligent design methodologies. Traditional trial-and-error approaches to material selection and structural design are time-consuming and often fail to exploit the full potential of modern alloys and manufacturing processes. Moreover, the lack of accurate damage modelling frameworks limits the predictive capability for failure under complex loading and environmental conditions. Motivated by these challenges, this research presents a comprehensive framework that integrates physically based damage modelling with AI-driven inverse design for metal alloys. The research begins by constructing mechanistic damage models for ductile fracture, accounting for void nucleation, growth, and coalescence, and calibrating them across various stress states. These models are applied to a wide range of materials, including 22 steels and 9 aluminium alloys with diverse strength–ductility profiles, leading to a 50% increase in predictive accuracy than digital image correlation method through improved shear strain characterization. The core contribution lies in a data- driven inverse design platform that leverages a deep neural network and genetic algorithm to enable direct structural design and material selection. Trained on a simulation-based dataset comprising 1000 design-material combinations, the model predicts impact energy absorption and maximum force with 95% accuracy. The resulting optimized designs by genetic algorithm and deep learning achieve up to 55% improvement in specific energy absorption and 72% reduction in peak stress, significantly outperforming conventional structures. This research demonstrates a shift toward intelligent, simulation-informed engineering design by merging damage mechanics with machine learning. The proposed framework paves the way for rapid, reliable, and scalable design of next-generation structural components across multiple industries. Keyword: Damage modeling, Ductile fracture, Finite element analysis (FEA), Deep neural network (DNN), Genetic algorithm (GA), Inverse design, Data-driven design.
more초록 (요약문)
교통, 바이오의료, 에너지 산업 전반에서 경량화와 고성능 부품에 대한 수요가 증가함에 따라, 첨단 소재 시스템과 지능형 설계 방법론의 중요성이 부각되고 있다. 기존의 시행착오 기반의 재료 선정 및 구조 설계 방식은 많은 시간과 비용이 소요될 뿐만 아니라, 최신 합금 및 공정 기술의 잠재력을 충분히 활용하지 못하는 한계가 있다. 또한, 손상 거동을 정확히 예측할 수 있는 모델링 프레임워크의 부재는 복잡한 하중 및 환경 조건 하에서의 파손 예측 능력을 저해한다. 본 연구는 이러한 문제의식에서 출발하여, 물리 기반의 손상 모델링과 인공지능 기반의 역설계 기법을 통합한 종합적 프레임워크를 제안한다. 먼저, 연성 파단의 핵심인 공극의 핵생성, 성장, 병합을 기반으로 한 기계론적 손상 모델을 구축하고, 다양한 응력 상태에 대해 보정함으로써 22 종의 강재와 9 종의 알루미늄 합금의 파단 거동을 정밀하게 예측하였다. 디지털 이미지 상관법(DIC) 기반의 보정법 대비 최대 50% 향상된 예측 정확도를 달성하였으며, 특히 전단 변형률 도출방식의 개선을 통해 정밀도를 높였다. 이러한 파단물성을 기반으로 본 연구는 딥러닝 및 유전 알고리즘을 결합한 데이터 기반 역설계 플랫폼을 구현하였다. 1000 개의 구조설계–재료 조합으로 구성된 시뮬레이션 기반 데이터셋을 학습한 딥러닝 모델은 충격 흡수 에너지와 최대 하중을 95% 이상의 정확도로 예측하였고, 이를 바탕으로 유전 알고리즘을 통해 도출된 최적 설계는 기존 구조 대비 단위 질량당 에너지 흡수 성능 55% 향상, 최대 하중 72% 감소라는 탁월한 개선 효과를 보여주었다. 본 연구는 손상역학과 머신러닝의 융합을 통해 시뮬레이션 기반의 지능형 설계 체계를 제시하며, 차세대 구조 부품의 신속하고 신뢰도 높은 설계를 가능하게 하는 기반 기술로서 다양한 산업 분야에 기여할 수 있다. 주제어(키워드, 색인어): 데미지 모델링, 연성 파단, 유한요소해석, 심층신경망, 유전 알고리즘, 역설계, 데이터 기반 설계
more목차
Contents i
List of figures iii
Abstract vii
I. Introduction 1
II. Damage modeling for steel and aluminum alloys 5
A. Steel and aluminum alloys with diverse strength and ductility 12
II.A.1 Mesh size and triaxiality dependent damage model 12
II.A.2 Validate damage model by component test 18
B. Additively manufactured (AM) aluminum alloy with impact 22
II.B.1 Damage modeling for Additively manufactured aluminum 22
II.B.2 Predict Fracture Behavior of AM Aluminum at Impact Condition 28
III. Direct structural design and material selection for desired impact performance 30
A. Develop structural design for diverse impact performance 31
B. Generating database by damage model for deep learning 36
C. Develop deep neural network to predict impact performance 40
D. Develop genetic algorithm for structure design and material selection 44
E. Validate direct structural design and material selection by crash box design 49
IV. Conclusion 54
References 57
