Generative Design 기술과 위상 최적화 알고리즘을 결합한 Deep Generative Design 기술을 실제 산업에 활용할 수 있음을 탐구하는 연구로써, POSCO의 의 기술력으로 개발한 성형성 좋은 Steel 물성을 기반으로 Deep Generative Design 프로세스를 결합하여 생산 제품에 대한 기술 적용 가능성을 확인
# Generator
HYUNDAI MOBIS
3D 딥러닝 기반의 제너레이티브 디자인 - 대항형 캘리퍼 브레이크
# Generator # Explorer
3D 딥러닝 기반의 제너레이티브 디자인 - 대항형 캘리퍼 브레이크
규칙 기반으로 생성하는 Parametric Design 기술과 공학 성능(stiffness)을 기반으로 한 Topology Optimization 기반 Generative Model 기술을 활용해 시드 데이터들을 생성 후 이들을 바탕으로 동일한 클래스(대향형 캘리퍼)에 대해서 빅데이터를 구축할 수 있었고 이를 바탕으로 기존 PD 데이터셋이나 TO 데이터셋에서 보기 힘든 데이터 합성이라던가, 저차원에서 형상들을 변형시키는 등의 task를 수행
# Generator
HYUNDAI
MeshGraphNet을 이용한 보행자-차량 충돌 시뮬레이션
# Evaluator
MeshGraphNet을 이용한 보행자-차량 충돌 시뮬레이션
Deepmind에서 제시한 MeshGraphNet을 이용해 보행자 상해 평가 시뮬레이션을 예측, Mesh를 Graph 형태로 변환해 정보 소실을 적게 하고, 초기 위치만으로 high-dimensional 물리 시스템을 시뮬레이션 가능하게 하였다. 또한 기존의 MeshGraphNet은 단일 물질 및 단순 구조물 예측이 가능했지만, 본 연구에서는 복잡한 구조물에 대해 부딪히는 양쪽 구조물 모두 동적으로 거동과 형태가 변하는 예측을 보여줌
# Evaluator
HYUNDAI MOBIS
딥러닝을 활용한 차량 브레이크 시스템 역설계(Inverse Design)
# Evaluator # Optimizer
딥러닝을 활용한 차량 브레이크 시스템 역설계(Inverse Design)
목표 성능을 입력으로 conditional generative model을 사용한 차량 브레이크 시스템의 역설계(inverse design)을 제안한다. Apparent piston travel(APT)는 차량 개발에서 제동 성능을 평가하는 가장 대표적인 요소이다. APT는 운전자가 페달을 밟을 때 피스톤이 이동하는 거리를 나타낸다. 본 연구에서는 APT를 위해 딥러닝 기반 역설계 모델을 제안하여 반복적인 최적화 방법을 시간과 비용을 줄이고자 하였다. CVAE 모델은 CGAN보다 더 나은 reconstruction accuracy를 달성하였다. 제안된 프레임워크의 효과성은 상용 브레이크 시스템의 APT 데이터를 사용하여 검증하였다.
# Evaluator
HYUNDAI
차량 통합 열관리를 위한 물리 기반의 하이브리드 AI 모델
# Evaluator
차량 통합 열관리를 위한 물리 기반의 하이브리드 AI 모델
물리 기반의 1D 시뮬레이션 모델을 개선하여, Physics와 실제 데이터(Real Data)를 결합한 메타 모델을 제안. 제안된 메타 모델은 실제 테스트 데이터와 물리 데이터를 학습하여 근사화된 모델을 형성, 이를 통해 물리적 경향성을 고려하면서 실제 환경을 반영한 예측 모델을 개발할 수 있으며, 실제 데이터의 업데이트를 통해 모델의 성능을 지속적으로 강화
# Evaluator
HYUNDAI
스몰오버랩 거동 예측 AI를 활용한 차량 컨셉 디자인 검증
# Evaluator
스몰오버랩 거동 예측 AI를 활용한 차량 컨셉 디자인 검증
차량 geometry 및 사양 정보를 기반으로 스몰오버랩 충돌 시험을 예측하는 기계 학습 기반 예측 모델을 구축하였다. 스몰오버랩 시험은 차량 전면의 일부만 장애물과 충돌시키는 전방 충돌 시험 중 하나이다. 하지만 스몰오버랩에 대한 충돌 반응은 정량적인 분류 방법이 없으며, 대발자의 주관적 판단에 의해 결정된다. 또한 차량 설계와 충돌 반응 간의 상관관계에 대한 연구가 부족하다. 따라서 본 연구는 차량 궤적을 AI로 추출해 데이터를 구축한 후, 차량 설계 변수와 운동학적 반응 간의 상관관계를 기계 학습을 이용해 분석 및 예측 하였다. 이를 통해 설계 컨셉 단계에서 차량 설계 정보만을 이용하여 스몰오버랩 충돌 시험 예측을 할 수 있다.
# Evaluator
HYUNDAI
AI 기반 제너레이티브 디자인 프레임워크 22’ - GUI 기반 협업플랫폼
# Generator
AI 기반 제너레이티브 디자인 프레임워크 22’ - GUI 기반 협업플랫폼
초기 디자인 단계에서 디자인팀, 설계팀, 해석팀이 데이터를 기반으로 새로운 아이디어를 얻고, 의사결정을 할 수 있도록 하는 신개념의 제품설계프로세스에 AI를 접목하고 실제 GUI 기반 SW를 개발한 첫번째 사례. 이해관계자들의 니즈를 쉽게 파악하고 협업할 수 있는 AI 설계 플랫폼의 토대 마련
# Generator
HYUNDAI
AI 기반 제너레이티브 디자인 프레임워크 21’ - 휠 강성과 심미성을 고려
# Evaluator
AI 기반 제너레이티브 디자인 프레임워크 21’ - 휠 강성과 심미성을 고려
디자이너의 2D Reference 디자인을 기반으로 Generative Design으로 강성 중심의 다양한 컨셉 디자인을 자동으로 생성하고 3D CAD로 변환. 이러한 디자인은 딥러닝을 활용해 성능과 중량을 신속하게 예측하며, 온라인에서 심미성을 평가받고, 이를 통해 설계의 여러 요소 간의 상충 관계를 분석하고, 컨셉 디자인 결정에 대한 정량적인 근거를 도출
# Evaluator
HYUNDAI
데이터 기반 차량 충돌성능 수립 기법
# Evaluator
데이터 기반 차량 충돌성능 수립 기법
# Evaluator
HYUNDAI
AI 기반 제너레이티브 디자인 프레임워크 20’ - CAD/CAE 통합 차량 휠 설계
# Generator
AI 기반 제너레이티브 디자인 프레임워크 20’ - CAD/CAE 통합 차량 휠 설계
2D 컨셉 휠 디자인의 제너레이티브 디자인을 통한 생성과, 그에 이어 3D CAD 디자인의 자동화, 그리고 성능 평가를 위한 딥러닝 기반 CAD/CAE 프레임워크를 제안 로드 휠 디자인 사례를 중심으로, AI가 제품 디자인 프로세스에 실제로 어떻게 적용될 수 있는지를 탐구
# Generator
HYUNDAI
멀티 모달을 활용한 로드휠 동적 해석 예측 AI
# Evaluator
멀티 모달을 활용한 로드휠 동적 해석 예측 AI
비싼 비용과 시간이 많이 소요되는 3D 유한 요소 분석(FEA)을 대체할 수 있는 로드 휠의 충격 성능을 예측하는 딥러닝 기반 모델을 제안. 이 모델은 휠의 2D 디스크 뷰 이미지, 3D 휠 복셀 데이터, 그리고 배리어 질량 값을 입력으로 사용하여 최대 폰 미시스 응력, 해당 위치, 그리고 2D 디스크 뷰의 응력 분포를 예측
# Evaluator
LG Electronics
딥러닝을 활용한 TV 스탠드 역설계(Inverse Design)
# Generator # Explorer # Optimizer
딥러닝을 활용한 TV 스탠드 역설계(Inverse Design)
파라메트릭 디자인을 통해 딥러닝 학습에 필요한 다량의 2 pole TV Stand 를 자동 생성하는 프로세스를 제안한다. 또한 이러한 데이터를 학습에 사용한 비지도학습 기반 역설계 기법을 제안함으로써 요구 성능조건을 만족하면서도 여러 최적 설계 파라미터를 실시간으로 동시에 추천하여 비교하고 선택적으로 스탠드 모델을 활용
# Generator
LG DISPLAY
MeshGraphNet을 활용한 디스플레이 패널 충돌 시뮬레이션
# Evaluator
MeshGraphNet을 활용한 디스플레이 패널 충돌 시뮬레이션
외부 충격에 대한 디스플레이 제품 안정성 평가 및 향상을 위해 수행하는 컴퓨터 시뮬레이션 기반 볼충격시험 (Ball impact test)을 예측하는 기계 학습 기반 예측 모델을 구축
# Evaluator
Hyundai Heavy Industries
선박 엔진 성능 예측을 위한 Multi Fidelity 모델 적용 플랫폼
# Evaluator
선박 엔진 성능 예측을 위한 Multi Fidelity 모델 적용 플랫폼
시뮬레이션 데이터와 실제 측정 데이터를 결합한 Multi-fidelity 기반 모델을 제안합니다. Multi-fidelity 모델링은 신뢰도가 낮은 시뮬레이션 데이터와 신뢰도가 높은 측정 데이터를 함께 활용하여 다양한 분야에서 높은 정확도를 달성하는 효과적인 방법. 또한 이러한 모델링 방법을 통해 새로운 데이터에 대한 지속적인 학습과 예측이 가능한 플랫폼을 구현하고 제공
# Evaluator
DLE&C
플랜트를 위한 대규모 장비 배치 최적화
# Optimizer
플랜트를 위한 대규모 장비 배치 최적화
[화공 플랜트를 위한 대규모 배치 최적화] 장비 배치 설계 단계에서 상세 도면 없이 초기 장비의 위치 및 장비 간 제약조건 정보만을 활용하여 플랜트의 Area 및 장비 간 연결된 파이프의 길이를 최소화 하는 최적화 문제 해결
# Optimizer
Contact us to discover new opportunities for new growth and progress
Interested in our solutions? Propel your business with our AI technology solution customized to your needs