데이터 증강을 활용한 선체 블록 조정 배관의 변형량 예측 알고리즘 개발

초록

조정 배관(Adjustment Pipe)은 선체 블록의 조립 과정에서 발생되는 단차를 연결하기 위해 사용되는 부재로 메인 파이프에 두개의 플랜지가 결합된 형태로 제작된다. 본 연구에서는 제작 과정에서 발생하는 조정관의 변형을 예측하는 방법을 제안한다. 이를 위해 열-탄소성 유한요소해석(FEA)으로 용접 조건에서 발생하는 변형을 수치적으로 모사하고, 조정배관과 플랜지 규격에 따른 용접 변형 시뮬레이션 데이터셋을 수집 하였다. 시뮬레이션 데이터는 용접 조건과 변형량 간의 물리적 경향성을 잘 표현하지만 실제 용접에서 발생되는 변동성과 결함을 모사하기 어려운 단점이 있다. 이를 보완하고자 실험계획법(Design Of Experiments)을 통해 물리적 경향성을 대변할 수 있는 최적 실험 조건을 도출하고 산업용 로봇을 활용한 실험 데이터셋을 획득하였다. 또한 실험 데이터와 해석데이터를 통합하여 데이터 보정, 증강 기법인 cGAN(Conditional Generative Adversarial network)을 통해 대량의 데이터셋을 생성하였다. 이 과정에서 용접 조건 별 변형량의 확률적 특성을 반영한 조건벡터를 적용하여 특정 용접 조건에 대응되는 변형량 분포를 생성하고 이를 학습모델에 적용하였다. 변형량 예측 알고리즘은 전통적인 다중회귀모델(Multiple Regression Model)과 MLP(Multi?Layer Perceptron)모델을 적용하여 성능을 비교하였다. 성능 비교 결과, MLP 기반 모델이 보다 낮은 MAE(Mean Absolute Error)와 높은 R² Score로 우수한 예측 성능을 보였다. 본 연구의 결과는 다양한 용접 조건에서 신뢰성 있는 예측을 제공하는 방법론으로 조정관의 설계 및 품질 관리에 기여할 것으로 기대된다.