PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.22315v1cs.CV

위상적 재료 특징을 이용한 대규모 3D 직물 보강재 실 추적

Yarn tracking of large-scale 3D textile reinforcements using topological material features

CT 영상의 자동 분할(segmentation)은 고충실도 수치 모델 생성을 통해 시뮬레이션의 신뢰성을 높이는 데 점점 더 중요해지고 있다. 본 연구는 X선 CT 영상(거친 해상도, 즉 140 $\mu$m 초과)으로 촬영한 팬 블레이드 드라이 프리폼(dry preform)에서 직물 보강재를 반자동으로 추적하는 어려운 과제를 다룬다. 제안 방법은 실(yarn)의 주 방향에 수직인 평면에서 수행하는 확장 가능한 슬라이스 기반 분석을 대규모 실제 산업 부품에 적용하며, 최소한의 학습으로 실 경로를 정확히 식별·추적할 수 있게 한다. 이 방법은 세 가지 핵심 실 특성을 통계적으로 모델링한다: 전형적인 단면 형상, 3차원 공간에서의 연속성과 이동, 이웃 실에 대한 공간적 상대 배치. 이러한 통계적 특성은 연속적인 단면 평면에서 모든 실 중심 위치를 최적화하는 변분(variational) 공식화를 통해 추적 프레임워크에 통합된다. 이 방법은 1,500개 슬라이스에 걸쳐 3,000개 이상의 경사 실(warp yarn)을 추적하며 90% 이상의 추적 성공률을 달성한다. 전반적으로 본 연구는 대규모 자동 직물 보강재 주석(annotation)을 향한 유망한 접근을 보여 주며, 복잡한 복합 구조에서 보다 효율적인 재료 특성화의 길을 연다.

arXiv:2606.28996v1cs.LG

On Surrogate Modeling of Static Response of AM Short-Fiber Thermoplastics Using Graph Neural Networks

단섬유 열가소성(SFT) 복합재는 우수한 강도-중량비, 높은 생산성, 재활용성으로 인해 경량 항공우주 및 자동차 구조물에 점점 더 널리 활용되고 있다. 연속섬유 시스템과 달리, SFT의 기계적 응답은 섬유 방향, 공간적 클러스터링, 제조 유발 다공성 사이의 메조스케일 상호작용에 의해 결정된다. 이러한 특성들은 제조 부품 내에서 상당한 공간적 변동성을 나타내며 강성, 손상 개시, 비선형 변형에 영향을 미친다. 메조스케일 유한요소(FE) 모델이 이러한 불균질성을 해석할 수 있으나, 현실적인 3차원 미세구조에 적용하는 것은 계산 비용 측면에서 실현 불가능하다. 본 연구에서는 적층 제조-압축 성형(AM-CM) SFT의 기계적 거동을 예측하기 위한 데이터 기반 대리 모델 프레임워크를 제안한다. 마이크로 컴퓨터 단층촬영 데이터로부터 재구성된 미세구조를 섬유 상호작용 근방을 나타내는 Voronoi 기반 셀로 이산화하였다. 각 셀은 기지 손상을 포함한 비선형 FE 시뮬레이션을 통해 균질화되었으며, 도출된 응력-변형률 응답으로 미세구조 위상과 이력 의존적 기계 진화를 인코딩하는 하이브리드 그래프 신경망(GNN)-장단기 메모리(LSTM) 아키텍처를 학습시켰다. 제안된 대리 모델은 미지의 미세구조에 대한 강성 및 응력-변형률 거동을 정확히 예측하며, 고충실도 FE 시뮬레이션 대비 $R^2 \approx 0.98$을 달성하면서 계산 비용을 2차 이상 절감한다. 실험적으로 보정된 손상 법칙과 프레임워크를 결합함으로써, 섬유 방향, 클러스터링, 다공성이 집합적으로 국소 유효 강성을 지배함을 입증한다. 본 접근법은 기계적으로 취약한 미세구조 셀을 식별하고 SFT 부품의 디지털 트윈 개발을 가속화하기 위한 물리 정보 기반의 데이터 효율적 경로를 제공한다.