지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 저널정보
- Korean Society for Precision Engineering Journal of the Korean Society for Precision Engineering Journal of the Korean Society for Precision Engineering Vol.37 No.11
- 발행연도
- 2020.11
- 수록면
- 835 - 842 (8page)
- DOI
- 10.7736/JKSPE.020.059
이용수
초록· 키워드
오류제보하기
Deep drawing is one of the most crucial processes in sheet metal forming. As for the multi-stage deep drawing process, because of many design parameters it comprises, predicting process results is a difficult and time-consuming task. In this study, to predict process results, the deep neural network was proposed. Seven design parameters were set and their range was determined with references to empirical formulas. Then, we determined prediction outputs, comprising maximum effective strain, minimum thickness, and bottom mean thickness. Five-hundred sampling points were determined using latinhypercube sampling method. According to the sampling points, finite element analysis was conducted to achieve process results. From the data rendered by the finite element analysis, the deep neural network was trained. Then, the deep neural network was tested with an additional 80 test samples to evaluate performance, and its performance was compared with radial basis function kernel support vector regression. The results showed that the relative performance of the deep neural network was superior to support vector regression.
목차
1. 서론
2. 다단 딥 드로잉 공정
3. 유한요소해석 및 샘플링
4. 심층 신경망 예측 모델 개발
5. 결론
REFERENCES
참고문헌 (10)
참고문헌 신청
Yossifon, S., Sweeney, K., Ahmetoglu, M., and Altan, T., “On the Acceptable Blank-Holder Force Range in the Deep-Drawing Process,” Journal of Materials Processing Technology, Vol. 33, No. 1-2, pp. 175-194, 1992.
Browne, M. and Hillery, M., “Optimising the Variables When Deep-Drawing C.R.1 Cups,” Journal of Materials Processing Technology, Vol. 136, Nos. 1-3, pp. 64-71, 2003.
Colgan, M. and Monaghan, J., “Deep Drawing Process: Analysis and Experiment,” Journal of Materials Processing Technology, Vol. 132, Nos. 1-3, pp. 35-41, 2003.
Manoochehri, M. and Kolahan, F., “Integration of Artificial Neural Network and Simulated Annealing Algorithm to Optimize Deep Drawing Process,” The International Journal of Advanced Manufacturing Technology, Vol. 73, Nos. 1-4, pp. 241-249, 2014.
Kim, H. K. and Hong, S. K., “FEM-Based Optimum Design of Multi-Stage Deep Drawing Process of Molybdenum Sheet,” Journal of Materials Processing Technology, Vol. 184, Nos. 1-3, pp. 354-362, 2007.
Browne, M. and Hillery, M., “Optimising the Variables When Deep-Drawing C.R.1 Cups,” Journal of Materials Processing Technology, Vol. 136, Nos. 1-3, pp. 64-71, 2003.
Colgan, M. and Monaghan, J., “Deep Drawing Process: Analysis and Experiment,” Journal of Materials Processing Technology, Vol. 132, Nos. 1-3, pp. 35-41, 2003.
Manoochehri, M. and Kolahan, F., “Integration of Artificial Neural Network and Simulated Annealing Algorithm to Optimize Deep Drawing Process,” The International Journal of Advanced Manufacturing Technology, Vol. 73, Nos. 1-4, pp. 241-249, 2014.
Kim, H. K. and Hong, S. K., “FEM-Based Optimum Design of Multi-Stage Deep Drawing Process of Molybdenum Sheet,” Journal of Materials Processing Technology, Vol. 184, Nos. 1-3, pp. 354-362, 2007.
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
Deep Neural Network 를 이용한 음성 품질 평가에 관한 연구
한국통신학회 학술대회논문집
2017 .06
-
Artificial Neural Network Based Optimization For Deep Drawing Process
한국소성가공학회 학술대회 논문집
2019 .10
-
Deep Neural Network 기반의 최적 조류 계산 연구
대한전기학회 학술대회 논문집
2022 .07
-
다단 딥드로잉 공정에서 아이어닝 곡률부 면적 예측에 대한 연구
한국소성가공학회 학술대회 논문집
2018 .05
-
심층 신경망 기반 딥 드로잉 공정 블랭크 두께 변화율 예측
소성·가공
2020 .04
-
Rotating Your Face Using Multi-task Deep Neural Network
한국컴퓨터그래픽스학회 학술대회
2015 .07
-
Deep Neural Network Structure Selection Using Coverage Methods
Journal of KIISE
2021 .01
-
표면 거칠기 예측을 위한 심층신경망(DNN) 모델의 적용
한국기계가공학회 춘추계학술대회 논문집
2019 .10
-
심층 순환 신경망
정보과학회지
2015 .08
-
Deep Neural Network를 이용한 카메라 기반 차선변경예측 알고리즘
한국통신학회 학술대회논문집
2020 .11
-
심층신경망을 이용한 운전자의 스트레스 측정
한국정밀공학회 학술발표대회 논문집
2019 .05
-
심층신경망(Deep Neural Network)을 이용한 GMAW에서 백비드 생성 유무 판단에 관한 연구
대한용접학회 특별강연 및 학술발표대회 개요집
2018 .04
-
Deep Neural Network를 이용한 차량 내부 센서 기반 도로 노면 상태 판단
한국자동차공학회 춘계학술대회
2019 .05
-
Improvement of the Convergence Rate of Deep Learning by Using Scaling Method
International journal of advanced smart convergence
2017 .01
-
Improved Deep Learning Algorithm
JOURNAL OF ADVANCED INFORMATION TECHNOLOGY AND CONVERGENCE
2018 .12
-
A Study on Projection Welding Failure Detection Using Deep Learning
대한용접학회 특별강연 및 학술발표대회 개요집
2019 .05
-
주행 차량의 운전자 유형 분류를 위한 심층 신경망에 대한 연구
제어로봇시스템학회 국내학술대회 논문집
2023 .06
-
전기 구동 조향 장치의 추종 제어 성능 향상을 위한 Deep Neural Network 설계
제어로봇시스템학회 국내학술대회 논문집
2018 .05
-
차체 성능분석 및 최적화를 위한 Deep Neural Network 구축에 관한 연구
한국자동차공학회 추계학술대회 및 전시회
2018 .11
-
유전 알고리즘 기반의 심층 학습 신경망 구조와 초모수 최적화
멀티미디어학회논문지
2021 .04
이 논문의 저자 정보
이 논문과 함께 이용한 논문
Prediction of Elastic Modulus in Porous Structures Considering Materials and Design Variables Using Artificial Neural Network
함민지
,
문인용
Journal of the Korean Society for Precision Engineering
2024
.11
유한요소해석을 통한 전자기 성형과 딥 드로잉 공정의 성형성 비교 분석
임미래
,
변한비
,
송윤준
외 2명
한국자동차공학회논문집
2022
.08
Study on PCM Cooling of Wireless Charger Using Electromagnetic Field-thermal-fluid-structure Coupled Analysis
황순재
,
이사랑
,
홍석무
Journal of the Korean Society for Precision Engineering
2024
.04
Digital Thread for Machining Process
이훈희
,
이동윤
Journal of the Korean Society for Precision Engineering
2023
.05
부산권 지역 UAM 버티포트 최적 위치 선정을 위한 종합적 요인 고려와 GIS 분석에 기반한 방법론 제안
문찬희
,
시하영
,
강범수
항공우주시스템공학회 학술행사 논문집
2023
.10
최근 본 자료
댓글(0)
0