This study developed a machine learning model to predict the cross-sectional properties of pultruded hybrid composite structures. The model aims to optimize the mechanical performance of these structures, which depends on factors such as material properties, layer thickness, fiber volume fraction, and cross-sectional shape. The machine learning model takes 5 cross-sectional variables and 8 material property variables as inputs to predict 4 cross-sectional property variables. To generate the training data for the model, a finite element-based 2D cross-sectional analysis model was employed. The accuracy of the 2D model was validated against a 3D finite element analysis, showing a maximum error of 0.56%. With 50,000 training samples, the trained feed-forward neural networks achieved an average error of 1.6%. This model is expected to be valuable during the design phase of beam-shaped components using various materials, even without any analysis software.

본 연구는 인발 공정으로 제작된 하이브리드 복합재 보 구조물의 단면 물성을 예측하는 기계학습모델을 개발하였다. 보 구조물의 기계적 성능은 소재의 물성, 층별 두께, 섬유 분율, 단면의 형상 등 구성 요소의 조합에 따라 결정된다. 기계학습모델은 하이브리드 보 구조물의 기계적 성능을 최적화하는 조합을 탐색하는데 활용될 수 있다. 기계학습모델은 단면 변수 5개, 소재 물성 변수 8개를 입력받고, 단면 물성 변수 4개를 예측한다. 기계학습에 필요한 학습 데이터는 유한 요소 기반의 2차원 단면 해석 모델로부터 생성되었다. 2차원 단면 해석 모델은 3차원 유한 요소해석 모델과 비교하였을 때 최대 0.56% 오차를 가진다. 학습 데이터는 50,000개 생성되었으며, 학습된 순방향 신경망들은 평균 1.6% 오차를 보였다. 기계학습모델은 입력값에 따라 단면 물성을 즉시 제공하며, 별도의 해석 소프트웨어가 없어도 작동할 수 있다. 향후 다양한 소재가 함께 사용되는 보 형태의 부품 설계 단계에서 유용하게 사용될 것으로 기대된다.

Keywords: 기계학습(Machine learning), 단면 물성(Cross-sectional property), 인발(Pultrusion), 유한요소해석(Finite element analysis), 하이브리드 복합재료(Hybrid composite)