신경회로망을 이용한 타이어의 장력 추정에 관한 연구 = A Study on Estimation of Tire Tension using Neural Networks

국문 초록 (Abstract)

다양한 요구 성능을 만족하는 설계를 하기 위해서 대부분의 타이어 회사들은 유한요소해석을 타이어 설계에 적용하고 있으나 타이어는 특성상 해석의 비선형이 강하기 때문에 많은 유한요소해석 시간이 요구된다. 따라서 타이어의 해석시간을 줄이기 위해 많은 연구를 기울이고 있으며, 특히 신경회로망의 적용에 관한 연구가 활발히 이루어지고 있다.
신경회로망의 경우, 적용의 단순성과 범용성 때문에 많은 분야에서 적용되고 있으며, 특히 공학 분야에서는 기존의 수치적 파라미터(Parameter)를 대처하거나, 최적설계 분야에서 유한요소해석 시간을 단축시키기 위하여 많이 적용되고 있다.
하지만 이러한 신경회로망을 공학적으로 적용하기 위해서는 우선적으로 신경회로망을 효율적으로 설계를 해야 한다. 신경회로망은 일반적으로 입력층(Input layer), 은닉층(Hidden layer)과 출력층(Output layer)의 구조로 이루어져 있으며, 각 층마다 각각의 뉴런수(Unit)를 가지고 있다. 이러한 신경회로망의 성능은 입력층의 뉴런수, 은닉층의 개수와 뉴런수 그리고 학습데이터의 구성과 개수, 학습률, 학습회수 등에 의하여 많은 영향을 받는다. 따라서 신경회로망의 효과적인 구조설계에 대한 연구가 많이 진행되고 있으며, 많은 연구진들에 의하여 실험계획법의 직교배열표를 다층 퍼셉트론 신경망의 구조설계에 적용하여 적은 실험횟수로 적합한 신경망 모델을 구성할 수 있음을 검증하고, 실제 사례에 적용하여 그 유용성을 제시하였다. 그러나 신경회로망의 구조설계에 있어 대부분의 연구는 은닉층의 수와 은닉뉴런 수, 학습에 이용되는 학습데이터의 개수 또는 학습 횟수나 학습률 등에 한정되어 있으며, 실질적인 공학문제에서 설계변수에 해당하는 입력층을 구성하는 입력뉴런의 구성에 관한 연구는 전무한 실정이다. 따라서 본 연구에서는 신경회로망을 구성하는 입력층의 입력뉴런의 영향을 평가하기 위하여, 타이어 컨투어(Contour) 설계에 사용되는 설계변수를 입력층으로 조종안정성에 영향을 미치는 바디플라이부의 장력을 출력층으로 하는 신경회로망을 구성하였다. 그리고, 실험계획법의 주효과 분석을 이용하여 설계변수의 구성을 결정한 후, 설계변수의 구성 변화에 따른 신경회로망의 성능을 평가하였다.

다국어 초록 (Multilingual Abstract)

Recently, car consumer requires various tire performances. The most tire companies apply finite element analysis to tire design. Because structural analysis for tire shows strong non-linearity, a lot of computation times are required. Therefore, a lot of studies has been performed to reduce analysis time for tire. Specially, neural network is used widely to solve this problem. Concept for neural network was begun in study for human brain and nerve cell. Many scientists has been studying about brain activity based on experience and learning. They show that brain is operated by interaction between neurons. Neuron input signal is converted to neuron output signals by activation function. Signal transmission between neurons is done by connection link. The connection strength is determined by each link weight. That is, neural network is dependent on neuron architecture, activation function of neuron, and learning method for connection link weight. Neural network is applied to a lot of fields because of simplicity and universality. Specially, neural network is used as nonlinear numerical relation in general engineering fields and to shorten finite element analysis time optimum design. Cho etc. showed that non-linear high temperature low cycle fatigue growth rate was estimated by using neural network. Also, Cho etc. applied neural network to optimum design of tire sidewall. However, we must design neural networks efficiently to acquire powerful engineering reliability. Usually,
neural network is consisted of input layer, hidden layer and output layer and each layer has some neurons. Performance of neural network is dependent on number of neuron of input layer, number of hidden layer, number of neuron of hidden layer, construction method of learning data, learning rate, and learning epochs etc. Therefore, effective structural design for neural network has been studied by many scientists. Kim etc. and Lee etc. presented that orthogonal array in DOE could be applied to structural design of multilayer perceptron neural network. They insisted that neural network could be constructed by a few experiment numbers. However, this neural network structure is designed by using number of hidden layer, hidden neuron number, number of learning data , learning epochs and learning rate etc. usually. In application to optimization design problem of neural networks, there are few studies about arrangement method of input layer neurons. To investigate the effect of arrangement of input neurons on neural network learning, tire contour design parameters and bodyply tension were assigned to neural network input and output respectively. Design variables arrangement in input layer was determined by main effect analysis.

목차 (Table of Contents)

• I. 서 론 1
• Ⅱ. 이론적 배경 3
• 1. 실험 계획법 3
• 2. 신경 회로망 4
• 3. 타이어 구조 12
• III. 신경회로망의 입력층 설계에 관한 연구 13
• 1. 신경 회로망 설계 14
• 2. 주효과 분석 16
• 3. 신경 회로망의 구조 설계 19
• 4. 결과 및 토의 25
• IV. 결론 28
• 참고문헌 29
• 국문초록 31
• 감사의 글 33