Professional Documents
Culture Documents
B2 유용균 원자력연 CAE컨퍼런스2019 업데이트 (공개용)
B2 유용균 원자력연 CAE컨퍼런스2019 업데이트 (공개용)
최적설계와 딥러닝
한국원자력연구원 유 용 균
(ygyu@kaeri.re.kr, yoyogo@gmail.com)
2019.11.6
최적설계
2
악기의 최적설계
3
최적설계
?
문제 정의 : 무엇을 어떤 목적으로 최적화 할 것인가?
- 무엇: 설계 대상, Domain, 경계조건
- 목적: 최적화 목적 (강성, 부피, 고유진동수, 음질…)
4
5
Topology Optimization
6
Topology optimization methods
SIMP ESO
7
SIMP (solid isotropic microstructure with penalization)
𝑑𝐹
𝑑𝜌
=?
https://mavt.ethz.ch/content/dam/ethz/special-interest/mavt/departmen
8 sigmund-presentation-dls-hs-15.pdf
10
억?!
9
ESO (evolutionary structural optimization)
https://www.digitalengineering247.com/article/topology-optimization-metho
10
ESO
11
SIMP vs. ESO
12
13
14
위상최적설계에서 기계학습
15
딥러닝
16
뇌과학과 인공신경망
- Perceptron (1957)
- Backpropagation (1975)
- Convolutional Neural Network(1998)
- Deep Learning (2006)
17
동물이 사물을 어떻게 인지하는가?
한국 유용균
18
New York Times (1958)
세계 최초
인지하는 기계
퍼셉트론 등장
인공지능 시대가
곧 등장할 것
19
그러나….
20
현실적인 인공지능의 정의
기계학습
경험을 통해
22
데이터데이터 데이터
23
PG-GAN
24
최적설계와
딥러닝
25
최적설계에서 기계학습
26
기존 설계로부터 설계의 원리를 배운다면?
27
AI가 최적설계를 대신해줄 수 없을까?
28
Variational Autoencoder
29
Unsupervised Learning of
Topology Optimization Results
가능한 적은 수의 변수로 구조를 표현할 수 있는
가?
30
2개의 잠재변수로 표현한 구조
31
Image-to-Image Translation with
Conditional Adversarial Networks
32
Deep Learning for Topology Optimization Design
Encoder Decoder
Network Network
latent vector
33
Deep Learning for Topology Optimization Design
: Discretization of boundary conditions
https://arxiv.org/abs/1801.05463
34
Deep Learning for Topology Optimization Design
: 1st Stage
https://arxiv.org/abs/1801.05463
35
Deep Learning for Topology Optimization Design
https://arxiv.org/abs/1801.05463
36
37
최적설계와
딥러닝의 융
합
38
경험(과거 해석 데이터)를 통하여
39
SIMP ESO AI
40
SIMP + ML ?
Optimization
Scheduler
41
위상최적설계 (Topology Optimization)
42
Learning to Generate Long-term Future via Hierarchical Prediction
https://arxiv.org/pdf/1704.05831.pdf
43
Neural networks for topology optimization
https://arxiv.org/abs/1709.09578
44
Reinforcement Learning to Topology Optimization
어디에 구멍을 뚫고 채울 것인가??
New design
FEM RL
Reward
45
Autodesk Generative Design
46
Autodesk Generative Design
47
Accelerating topology optimization algorithm
48
Ahpha Go? Fast simulator??
49
인공지능을 활용한 최적설계
50
디자인을 고려한 최적설계
51
52
딥러닝과 최적설계를
이용한
골격계 고해상화
53
골다공증이란?
• 골량 감소 및 골질 악화로 인해 골 강도가 감소하여 골절 위험성이 증가하는 골격계 질환
골다공증성 골절
54
기존 진단 방식의 한계
한국원자력연구원 유용균
55
골다공증 진단을 위한 뼈 CT 사진 고해상화
정확한 골다공증 진단을 위한 저선량 CT 사진 고해상화
78µm resolution
한국원자력연구원 유용균
57
인공지능 기반의 임상 골격계 영상 재구성 알고리즘 개발
204x204 204x204
512
256 256
256 256
128 128 128
Kernel size 64 64 128 64 64 1
59
3차원 골격계 영상의 고해상화
60
SIMP ESO AI
61
Geometric deep learning: going beyond Euclidean Data
62
https://doi.org/10.1016/j.buildenv.2018.05.026
63
디지털 트윈
64
65
원자로의 Digital Twin을 이용한 사고 대응
http://www.corys.com/en/steps/article/digital-twin-challenge-nuclear-power-
plants
66
Digital Twin with machine learning
Simulation
(Surrogate,
Digital Twin)
model
Control &
Monitoring
Real
Environment
67
Dimensionality reducibility
for multi-physics reduced order modeling
The final goal of this study is to construct a surrogate model for the
coupled Rattlesnake-BISON models
The computational cost needed for the construction of surrogate models
for a multi-physics model can be significantly reduced if one employs
dimensionality reduction to identify the effective DOF.
Another important conclusion of this study is that while fine mesh
simulation is highly needed to accurately describe the multi-physics
nature of system behavior, it comes at a great cost.
68
중대사고 대응 로직
사고발생
Safe or
Not ?
69
물리모델 기반 Reduced Order Model
71
72
원자력연구원 지능형 컴퓨팅 랩
원자력연
구원
AI
IC
Lab 기술제공업
체
컨설팅 핵심 인공지능
중소기업 POC project 기술 고도화
73
머신러닝은 지금의 컴퓨터와 같이 존재라고 생각합니다.
74
결국 ML도 문제해결을 위한 방법론들 중 하나…
Math
SIMP ESO
Rule based ML
75
중요한 것은 힘을 합쳐 지구를 구하는 것…
76