신경회로망을 이용한 高溫 底사이클 疲勞龜裂成長 모델링에 관한 硏究 = (A) study on High Temperature Low Cycle Fatigue Crack Growth Modelling by Neural Networks

국문 초록 (Abstract)

고온용 부재의 안전성 평가를 위하여 균열성장거동에 관한 파괴역학적 평가는 대단히 중요하다. 이러한 실험 연구는 주로 균열성장구동력과 굴열성장속도 사이의 관계를 실험 조건에 영향을 받지 않는 수학적 모델링을 세우는데 주력되어 왔다.
이러한 모델은 주로 균열성장 지배 파라미터를 구하는 문제에 초점을 맞추고 있기 때문에 함수 근사화와 해석적 방법에 기초를 둔 연구가 대부분이었다. 이와 같은 균열성장문제에는비선형 특성이 많이 포함되고 피할 수 없는 실험 오차가 있기 때문에 균열성장거동을 표현하기가 매우 어렵다.
특히 고온저사이클 피로균열성장거동은 역학, 환경, 및 재료 등의 변수에 매우 복잡하게 관련 되어, 균열성장거동의 동적 특징을 모델링하는데 많은 어려움이 있다.
따라서 본 연구에서는 인지과학 방법 중의 하나인 신경회로망을 이용하여 상술의 수학적 모델링이 시퀀설(sequential) 데이터 처리에 국한됨으로써 오는 기능상의 한계를 극복하고자 한다. 즉, 피로 실험에서 얻은 균열성장속도를 파괴 역학 파라미터로 평가하는 것이 아니라 기존의 파라미터를 이용한 데이터 처리 시스템의 관점에서 다충 펍셉트론(multilayer perceptron)인 역전파 신경 회로망(back propagation neural network)을 이용하여 이러한 특징을 검토한 후 균열성장구동력인 각종의 J적분을 신경회로망의 입력층 데이터로, 균열성장 속도를 출력층 데이터로 하여 균열성장거동을 모델링하여 다음과 같은 결론을 얻었다.
1.임의 함수를 이용한 신경희로망의 학습과 일반화로부터 신경회로망은 함수 맵핑(function mapping) 능력을 가지고 있었다.
2. 균열성장 모델링에 사용하는 역전파 신경회로망은 학습시간과 추정평균 오차를 고려할 때 최적 은닉층 유니트 개수는 5개, 최적 학습 데이터 첫수는 15개이었으며, 과도한 은닉층 개수 및 학습데이터 개수는 오히려 추정평균 오차와 학습시간을 동시에 증가시켰을 뿐 학습을 개선시키지 못했다.
3. 신경회로망의 학습에 큰 영향을 미치는 학습계수와 모우멘트계수는 신경회로망의 구조에 따라 적절한 값이 존재하며, 계수 일반화에 사용한 계수연동법이 계수 고정법보다 학습효과가 더 켰다.
4. 균열성장에 관한 데이터 패턴 수가 많아질수록 패턴 분리가 잘 일어나며, 한점 표현방식보다는 균열성장 곡선의 기울기를 이용하는 두 점 표현 방식이 훨씬 더 정확하게 균열성장 모델링을 하고 있다.
5.학습된 신경회로망을 이용하여 균열성장속도를 예측한 결과, 미학습 데이터에 대한 모델링이 추정평균오차 범위내에서 정확하게 수행되므로 신경회로망이 균열성장 모델링에 유용한 것으로 평가된다.

다국어 초록 (Multilingual Abstract)

It is very important to secure reliabilty of high temperature instruments in light of prevention of catastrophic fracture. Safety assessment on the basis of crack growth rate can predict remaining life and determine inspection intervals.
Mechanical, environmental and material parameters influenced high temperature low cycle fatigue crack growth and so numerical and experimental analysis on it have been proposed by many investigators.
But prediction of crack growth rate through them was deviated from estimated mean error range(5%). Therefore in this paper neural network, cognitive science approach is used to simulate crack growth rate.
The main result are obtained as follows.
1. Neural network has a good ability in mapping for distributed data of arbitrary function.
2. Back propagation neural network for crack growth modelling needs optimal number of learning data and hidden units and excessive number of them increases estimated mean error with remarkable learning time.
3. Learning and momentum rate have optimal values according to architecture of neural network and floating rate method has a good learning efficiency than constant rate method.
4. As the number of data patterns on crack growth are increased, pattern classification is occured well and two point representation scheme with gradient of crack growth curve eimulates crack growth rate better than one point representation scheme.
5. da/dt-J' relation predicted by neural network showes that test condition with unlearned data is simulated well within estimated mean error.

목차 (Table of Contents)

• 목차 = ⅲ
• Ⅰ. 서론 = 1
• Ⅱ. 신경회로망에 관한 기초적 연구 = 4
• 1. 생물학적 신경회로망 구조 = 4
• 2. 신경회로망의 유니트 구조 = 6
• 3. 역전파 신경회로망의 층상 구조 = 8
• 4. 역전파 신경회로망의 학습 알고리즘 = 10
• Ⅲ. 신경회로망을 이용한 균열성장 모델링 = 15
• 1. 고온저사이클 피로균열성장 실험과 데이터 표현방식 = 15
• 2. 신경회로망을 이용한 균열성장 모델링 = 17
• Ⅳ. 신경회로망의 학습과 일반화 능력에 대한 검토 = 20
• 1. 학습함수의 설정 = 20
• 2. 신경회로망의 구조 및 학습방식 = 20
• 3. 신경회로망의 학습능력 = 23
• 4. 신경회로망의 학습과정과 일반화 = 24
• Ⅴ. 신경회로망을 이용한 고온저사이클 피로균열성장 모델링 = 28
• 1. 신경회로망의 기본적 구조 = 28
• 2. 학습에 미치는 은닉층 유니트 수의 영향 = 30
• 3. 학습에 미치는 학습계수와 모우멘트계수의 영향 = 33
• 4. 학습에 미치는 데이터 패턴의 영향 = 36
• 5. 학습에 미치는 데이터 크기의 영향 = 42
• 6. 신경회로망에 의한 균열성장속도의 예측 = 44
• Ⅵ. 결론 = 49
• 參考文獻 = 51
• Abstract = 53