학과소식

유승화 교수 연구팀, 딥 러닝을 기반으로 최적화된 접착 기둥 모양 및 설계 알고리즘 개발

관리자 2020.06.08

파일
  
(좌) 김용태 박사과정 (우) 유승화 교수


그림 1. 딥러닝과 유전적 알고리즘을 통한 최적화된 접착 기둥 모양 설계 방법 요약


그림 2. 딥러닝과 유전적 알고리즘을 통한 비모수 형태 최적화 알고리즘 구조도. 데이터 전처리 과정과 최적화 과정은 각각 실선과 점선으로 표시됩니다.



그림 3. (a) 이상적인 날카로운 모서리와 (b) 실제 제작시의 해상도를 고려한 잘린 모서리 모양의 최적화된 접착 기둥의 단면적 모양과 계면에서의 응력 분포
 

유승화 교수 연구팀은 게코 도마뱀의 발바닥에서 영감을 받아 제안된 접착 기둥에 대하여 높은 접착특성 가지는 최적화된 접착 기둥 모양을 제시하였습니다. 지난 수십 년간, 기존 연구자들은 계면 응력 분포의 최적화를 통한 높은 접착특성을 가지는 최적의 기둥 형상을 찾기 위해 많은 노력을 기울여 왔습니다. 하지만, 기존 접착 기둥 형태는 파라메트릭 형태 (Parametric form) 로 설계되어, 최적의 접착특성과 상이한 특성을 가집니다. 이에, 본 연구에서는 광범위한 설계 공간에 대한 자유 형태 (free-form)의 최적화 된 접착 기둥 모양을 제시하고, 이를 얻기 위한 프레임 워크를 제시합니다. 본 연구는 실제 제조의 경우 제한된 제작 해상도를 가지는 것을 고려하여 이상적인 날카로운 모서리 모양과 잘린 모서리 모양에 대하여 베지어 곡선 (Bezier-curve)을 기반으로 한 200,000개의 서로 다른 접착 기둥을 생성하였으며, 수치 시뮬레이션을 이용하여 계면 응력과 분리의 형태에 대한 데이터를 얻었습니다. 이러한 데이터는 각 에지 유형에 대해 응력 분포와 분리 형태를 예측하는 심층 신경망을 훈련시키는 데 사용되었으며, 훈련된 신경망 모델은 유한 요소 분석에 비해 확연히 감소한 계산 시간과 함께 정확한 계면 응력 분포 예측과 99 % 이상의 분리 형태의 분류 정확도를 보여주었습니다. 우리는 훈련된 신경망과, 높은 접착 성능을 가지는데 요구되는 조건 (응력 집중이나 특이점이 없는 균일 한 계면 응력 분포) 을 선호하는 피트니스 함수 (Fitness function) 을 최대화함으로써 유전자 최적화를 수행하였으며, 이를 통해 최적화된 접착 기둥 모양은 볼록한 부분과 오목한 부분이 매끄럽게 혼합된 모양으로 구성된 것을 확인하였습니다. 유승화 교수가 주도하고, 김용태 박사과정, U.C Berkely 의 Grace X. Gu 교수와 Charles Yang 이 참여한 본 논문은 ACS applied material & Interfaces에 “Designing an Adhesive Pillar Shape with Deep Learning-Based Optimization” 라는 제목으로 개재되었으며, 본 연구는 다양한 피트니스 함수의 정의를 바탕으로 자유 형태의 곡선 최적화 및 다목적 최적화 작업에 딥 러닝을 사용할 수 있음을 보여줍니다.
 
<논문 정보>
Kim, Y., Yang, C., Kim, Y., Gu, G. X., & Ryu, S. (2020). Designing adhesive pillar shape with deep learning-based optimization. ACS Applied Materials & Interfaces.