Product-Level Design Optimization Using Physics-Informed Deep Operator Network and Genetic Algorithm
- 주제(키워드) Structural Optimization , Physics-Informed DeepONet , Genetic Algorithm , TV Back Cover , High-Dimensional Parameterization , Real-Time Prediction
- 발행기관 서강대학교 일반대학원
- 지도교수 김동철
- 발행년도 2026
- 학위수여년월 2026. 2
- 학위명 석사
- 학과 및 전공 일반대학원 기계공학과
- 실제URI http://www.dcollection.net/handler/sogang/000000082743
- UCI I804:11029-000000082743
- 본문언어 영어
- 저작권 논문은 저작권에 의해 보호받습니다.
초록(요약문)
Ensuring the structural reliability of large thin-walled components, such as television back covers, is a critical challenge in modern engineering design. Traditionally, the Finite Element Method (FEM) has been used for evaluation, but its computational cost becomes prohibitive for complex designs defined by high-dimensional parameters. While data-driven AI surrogate models have been proposed to accelerate analysis, they typically require massive training datasets, which incurs significant computational costs for data generation. Furthermore, conventional AI-based optimization frameworks often employ gradient-based algorithms, which are prone to entrapment in local optima within complex, non-convex design spaces. To overcome these limitations, this study proposes a real-time structural optimization framework integrating a Physics-Informed Deep Operator Network (PI-DeepONet) with a Genetic Algorithm (GA). The PI-DeepONet serves as a robust surrogate model, predicting full-field 2D displacement distributions in real-time while minimizing data dependency through physics-informed learning. A comprehensive database of 900 models defined by 95 design variables was constructed to ensure geometric diversity. Finally, the GA-based optimizer effectively navigates the design landscape to identify a global optimum, resolving the local optima issue inherent in gradient-based methods. The results demonstrate that the proposed framework significantly reduces computational costs while ensuring product-level structural reliability.
more초록(요약문)
TV 백커버와 같은 대형 박육 부품의 구조적 신뢰성을 확보하는 것은 현대 엔지니어링 설계의 핵심 과제이다. 전통적으로 유한요소해석(FEM)이 평가 도구로 활용되어 왔으나, 고차원 변수로 정의되는 복잡한 설계에서는 막대한 계산 비용이 소요된다는 한계가 있다. 이를 개선하기 위해 해석 과정을 가속화하는 데이터 기반 AI Surrogate Model이 제안되었으나, 이 역시 모델 학습에 필요한 방대한 데이터셋 생성 과정에서 상당한 계산 비용을 유발한다. 나아가 기존의 AI 기반 최적화 프레임워크는 주로 경사 기반 알고리즘을 채택하고 있어, 복잡한 Non-convex 설계 공간에서 국소 최적해에 수렴하기 쉽다는 한계를 지닌다. 본 연구에서는 이러한 문제를 극복하기 위해 Physics-Informed Deep Operator Network와 Genetic Algorithm을 결합한 실시간 구조 최적화 프레임워크를 제안한다. PI-DeepONet은 물리 정보 기반 학습을 통해 데이터 의존성을 최소화하는 동시에, Full-field의 2차원 변위 분포를 실시간으로 예측하는 강건한 대리 모델 역할을 수행한다. 또한 기하학적 다양성을 확보하기 위해 95개의 설계 변수로 정의된 900개 모델의 포괄적인 데이터베이스를 구축하였다. 최종적으로 GA 기반의 최적화 기법을 적용하여 설계 공간을 효과적으로 탐색함으로써 전역 최적해를 도출하고, 경사 기반 방법의 고유한 문제인 국소 최적해 문제를 해결하였다. 연구 결과, 제안된 프레임워크는 제품 수준의 구조적 신뢰성을 보장하면서도 계산 비용을 획기적으로 절감함을 입증하였다.
more목차
1. Introduction 1
2. Configuration of Simulation Environment and Database 4
2.1. Theoretical Background 4
2.1.1. Kirchhoff-Love Plate Theory (KLPT) 4
2.2. Design of Experiments (DOE) 5
2.2.1 Parametric Modeling of TV Back Cover 5
2.2.2 3-Level Balanced Sampling Strategy 6
2.2.3 Finite Element Simulation Setup 7
3. Development of Inverse Design Framework 8
3.1. Physics-Informed Deep Operator Network (PI-DeepONet) 8
3.1.1 Network Architecture 9
3.1.2 Physics-Informed Loss Function 10
3.1.3 Physics-based Bounding Guidelines for Maximum Displacement 11
3.2. Integration of Genetic Algorithm 12
3.2.1 GA-based Optimization Framework 13
3.2.2 Optimization Setup 13
4. Validation of Prediction Model and Optimization Results 14
4.1. Physical Interpretation of Deformation Modes 14
4.2. Qualitative Evaluation of Prediction Performance 15
4.3. Quantitative Error Analysis 17
4.3.1 Accuracy of Maximum Displacement Prediction 17
4.3.2 Data Efficiency and Comparative Assessment 18
4.3.3 Model Robustness via Cross-Validation 19
4.4. Structural Optimization Results 20
5. Conclusion 22
