[Simcenter 3D] AI 가속 기어 응력 분석

 

도전 과제: 빠르고 정확한 가상 프로토타이핑 달성

최적의 다중 속성 변속기 설계는 드라이브트레인 엔지니어에게 여전히 중요한 과제로 남아 있으며, 전기 자동차 시대에 더욱 큰 중요성을 얻고 있습니다. 오늘날 자동차 산업은 소음과 진동을 최소화하고 전력 밀도와 효율을 극대화하면서 전례 없는 내구성 성능을 보장하는 등 여러 측면에서 뛰어난 파워트레인을 요구하고 있습니다. 이를 위해 변속기 엔지니어는 다중 속성 성능 기준을 충족하는 혁신적인 변속기를 설계해야 합니다. 컴퓨터 지원 엔지니어링(CAE)을 통해 업계 엔지니어들은 가상으로 프로토타입을 제작하고 다음 제품 최적화를 최적화할 수 있습니다. 시뮬레이션은 개발 사이클 전반에 걸쳐 구성 요소의 동작과 시스템 수준의 변속기 성능을 정확하게 예측하고 최적화하는 데 필수적입니다.

실제 제품을 정확하게 모델링하고, 예측 시뮬레이션을 수행하며, 정적, 동역학, 공기역학, 음향학, 내구성 등에서 제품의 성능을 최적화하는 강력한 물리 기반 모델과 시뮬레이션 기능이 제공됩니다. 이러한 물리 기반 모델, 예를 들어 유한 요소(FE) 모델은 산업 개발 워크플로우에 성공적으로 채택되었습니다. 고충실도 시뮬레이션(예: 상세한 FE 접촉 시뮬레이션)의 경우, 정확한 예측을 위해 모델 충실도가 높아져야 하므로 안타깝게도 모델의 계산 시간과 비용도 증가합니다.

CAE에서 인공지능(AI)과 머신러닝(ML) 기술은 물리 시뮬레이션에 혁명을 일으키고 있습니다. 이러한 발전 중 물리 시뮬레이션을 위한 대리 모델링은 첨단 AI 기술과 아키텍처 덕분에 빠른 성장을 경험하고 있습니다. 대리 모델 또는 축소 차수 모델(ROM)은 계산 비용이 많이 드는 고충실도 시뮬레이션(예: 상세한 FE 접촉 시뮬레이션)에 대한 효율적인 대안을 제공합니다. 이러한 AI/ML 기반 대리 모델은 빠르고 정확한 예측을 제공하면서도 높은 충실도를 유지할 수 있어 광범위하고 자동화된 디자인 공간 탐색의 잠재력을 발휘합니다. 이를 통해 엔지니어들은 전통적인 시뮬레이션 방법에 필요한 수천 가지의 디자인 변형을 짧은 시간 내에 효율적으로 평가할 수 있습니다.

기어는 변속 시스템의 중요한 구성 요소로서 변형, 접촉 및 굽힘 응력, 내구성을 신중하게 고려해야 하기 때문에 특히 이러한 고급 시뮬레이션 접근 방식의 이점을 누리고 있습니다. 이 블로그 게시물에서는 FE 모델과 AI/ML 모델의 강점을 결합하여 효율적이고 정확한 기어 응력 예측을 달성하는 새로운 기어 설계 분석 방법3을 소개하며, 이 기술이 산업 워크플로우에서 실질적으로 어떻게 구현될 수 있는지 보여줍니다.

솔루션: 강력한 고충실도 모델과 AI/ML 결합

혁신적인 기어 응력 분석 방법3은 FE 모델의 강력한 예측 시뮬레이션 기능을 활용하여 정확한 시뮬레이션 데이터를 생성하고, 이를 AI/ML 대리 모델을 훈련하는 데 사용합니다. 일단 훈련되면, 효율적인 AI/ML 대리 모델은 보이지 않는 설계 매개변수 조합에 대한 기어 응력을 정확하게 예측할 수 있습니다. 이는 FE와 AI/ML의 강점을 결합하여 새로운 AI/ML 가속 기어 응력 분석 기능을 제공하여 정확한 예측을 신속하게 제공합니다.

종합적인 기어 분석을 위한 시뮬레이션 워크플로우는 Simcenter 3D4 및 Simcenter Nastran5 소프트웨어 솔루션의 기능을 통합하는 반면, Simcenter HEEDS6는 AI/ML 모델 학습을 위한 데이터 생성을 자동화하고 AI/ML 모델 계산을 활용한 다목적 최적화 연구를 조율하는 이중 목적을 수행합니다.

그림 1은 Simcenter HEEDS가 물리 기반 시뮬레이션 프로세스를 조정하는 자동화된 데이터 생성 워크플로우를 보여줍니다. 이 워크플로우는 기어 데이터셋 생성을 간소화하는 동시에 Simcenter 3D 모션 기어 설계 최적화 방법론 1,7의 요소를 통합합니다. 각 설계에 대해 먼저 비선형 FE 분석(NLFEA) 모듈이 FE 모델을 생성하기 전에 기어 쌍의 거시계량과 미시계량을 평가하고 자동화된 FE 기반 기어 접촉을 위해 Simcenter Nastran5를 사용합니다.

그림 1: 심센터 HEEDS가 오케스트레이터로 참여하는 자동화된 기어 데이터 생성 워크플로우.

이 워크플로우는 고충실도 물리 기반 시뮬레이션 모델을 채택하여 설계 엔지니어에게 여러 가지 장점을 제공합니다: 물리 현상(예: 기어 메시의 비선형 접촉 역학)의 상세한 모델링을 통해 실제 행동을 매우 정확하게 예측하고, 더 간단한 모델에서는 놓칠 수 있는 복잡한 상호작용과 현상을 깊이 이해하는 것입니다. 이러한 상세한 모델은 우리 논문에 나타난 바와 같이 AI 모델과 AI 모델 검증을 위한 신뢰할 수 있는 학습 데이터 소스를 제공합니다.

기어 응력과 내구성 분석을 가속화하기 위해, 우리의 접근 방식은 전통적인 NLFEA 기반 접촉 분석을 NLFEA 접촉 분석 결과로 훈련된 AI/ML 대리 모델로 대체하여 기어 맞물림 주기 동안 변화하는 기어 블랭크 및 치아 뿌리 응력을 예측합니다. 결과적으로 생성된 AI/ML 기반 ROM은 전체 차수의 NLFEA 기반 시뮬레이션에 비해 계산 시간을 크게 줄여 신속한 설계 반복을 가능하게 합니다. 표준 기어 설계 시뮬레이션 워크플로우 내에 AI/ML 모델을 임베딩하면 높은 정확도를 유지하면서도 다목적 최적화 연구(일반적으로 전통적인 자원 집약적, FE 모델로는 달성할 수 없는)의 문을 여는 동시에 AI/ML 가속 프로세스를 생성합니다.

AI/ML 가속 워크플로우를 실현하기 위해 두 가지 솔루션 요소가 추가로 도입되었습니다:   

• 시뮬레이션 및 테스트 데이터에서 ROM을 생성하고 배포할 수 있는 Simcenter Reducture Order Modeling8.
• 연산자 학습 기법을 활용한 3D 대리 모델링을 위한 심센터 AI 기술이 곧 출시될 예정입니다.

결과: 빠르고 정확한 기어 응력 분석 실현

AI/ML 가속 기어 응력 분석을 달성하기 위해 고충실도 모델의 성능을 AI/ML 모델과 결합하는 솔루션 워크플로우가 도입되었습니다. 이 섹션에서는 효율적이면서도 정확한 기어 응력 분석을 달성하기 위한 워크플로우와 목표를 검증하기 위한 기어 사용 사례를 소개합니다.

기어 설계 사용 사례는 상세한 논문3에 자세히 설명되어 있으며, 네 가지 설계 매개변수가 있습니다:

1. 정상 압력 각도, 범위 [18°-22°],
2. 피니언의 가산 계수, 범위 [1.00-1.30],
3. 휠의 덧셈 계수, 범위 [1.00-1.30], 및
4. 피니언의 프로파일 이동 계수, 범위 [0.35-0.70].

Simcenter HEEDS와 Simcenter Nastran을 사용하여 81개의 기어 설계가 생성되었으며, 레벨 3 완전 팩토리얼 DOE을 통해 네 가지 설계 매개변수를 변경했습니다. 데이터 세트는 훈련 세트로 64개의 설계와 테스트 세트로 17개의 설계로 무작위로 나뉩니다.

AI/ML 모델을 학습하는 트랜스포머 기반 연산자는 모델 입력으로 표면 기하학과 접촉력을 고려하여 기어 표면 응력을 예측하도록 훈련됩니다. 이 첫 번째 연구에서는 AI/ML 모델이 압축 및 인장 거동을 모두 포착하는 전체 3D 서명 폰 미제스 응력장을 학습하도록 선택했습니다. 서명 폰 미제스 응력은 각 노드에서 전체 3D 텐서의 후처리를 통해 생성되며, 이는 NLFEA 기반 접촉 결과에 저장됩니다.

a. FE 참조: NLFEA 기반 접촉 시뮬레이션 (참조),
b. FE 힘이 있는 ML: NLFEA 접촉 힘을 사용한 AI/ML 예측,
c. 모션 포스가 있는 ML: 심센터 3D 모션 접촉력을 사용한 AI/ML 예측.

이 연구에서는 멀티바디 기반 기어 접촉력(Simcenter 3D Motion를 통해 계산)을 사용하여 값비싼 비선형 유한 요소 분석에 대한 계산 효율적인 대안을 제공하면서도 접촉력 분포를 예측하는 데 충분한 정확성을 유지합니다. 이는 향후 설계 최적화 워크플로우(논문에서 자세히 설명한 바와 같이)에 중요한 측면입니다.

그림 2는 세 가지 접근 방식을 사용하여 전체 응력장을 분석한 것입니다. FE 기반 접촉력을 입력으로 하는 AI/ML 대리 모델에 의해 예측된 응력장은 참조 FE 기반 결과와 거의 동일한 것으로 나타났습니다(그림 2a). 반면, 모션 기반 접촉력을 입력으로 하는 AI/ML 대리 모델에 의해 예측된 응력장은 참조 결과와 약간의 편차만 보입니다(그림 2c). 이러한 결과는 그림 3에 의해 확인되었으며, 이는 얼굴 너비의 중간과 치아 뿌리 호의 중간에 위치한 지점에 대해 5번의 메쉬 사이클 동안 치아 뿌리 응력에 대한 결과를 나타냅니다.

그림 2: Von Mises(signed) 응력장, a) NLFEA 기반 접촉 시뮬레이션에서 계산, b) FE 기반 힘이 있는 ML 모델(입력), c) 피니언 기어 예제 케이스의 경우.

그림 3: 피니언 기어 예제 케이스의 5 메쉬 사이클 동안 점(중간 측면, 중간 뿌리 호)의 치아 뿌리 응력 비교(1 메쉬 사이클 동안 5개의 치아 응력을 기반으로 생성됨) 그림 3.

데이터 생성 및 AI/ML 모델 학습에는 초기 시간 투자가 필요하지만, 이는 일회성 오프라인 프로세스입니다. 결과적으로 학습된 모델은 빠른 예측을 가능하게 하여 효율적인 설계 공간 탐색 및 최적화에 이상적입니다.

이 연구에 사용된 AI/ML 모델은 메쉬 사이클의 한 지점에 대한 전체 응력장을 계산하는 데 약 0.1초가 소요되는 반면, NLFEA 접촉 시뮬레이션 한 번은 평균 약 5분이 소요됩니다. 전체 메쉬 사이클에는 기어 쌍당 약 20~30개의 각도 구성이 필요하고 산업용 변속기에는 수백 가지 변형이 탐색되는 여러 기어 쌍이 있다는 사실을 알고 있다면, AI/ML 대리 모델을 포함하면 기어 설계 최적화를 진정으로 가속화할 수 있습니다.

결론 및 전망

이 연구는 AI/ML 대리 모델을 기어 설계 워크플로우에 성공적으로 통합하여 스트레스 예측의 속도와 정확성을 모두 달성하는 것을 보여줍니다. AI/ML 접근 방식은 전통적인 비선형 유한 요소 분석과 밀접하게 일치하면서도 몇 배 더 빠른 결과를 제공합니다. 이러한 극적인 속도 향상과 유지된 정확성은 종합적인 설계 공간 탐색 및 전송 시스템 최적화의 새로운 가능성을 열어줍니다.

심센터 툴 4-8에서 지원하고 실제 사례 연구를 통해 검증된 개발된 워크플로우3는 AI/ML 가속 기어 및 변속기 설계의 산업적 타당성을 효과적으로 입증합니다.

[출처] https://blogs.sw.siemens.com/simcenter/ai-accelerated-gear-stress-analysis/