[논문 리뷰] Integrating Deep Learning into CAD/CAE System: Case Study on Road Wheel Design Automation.

Soyoung Yoo, Sung‐Hee Lee외 4명|arXiv (Cornell University)|2020. 05. 25.

Manufacturing Process and Optimization참고 문헌 45인용 수 5

한 줄 요약

이 논문은 3D 도로 휠 설계를 자동화하기 위해 딥러닝 기반의 CAD/CAE 프레임워크를 제안한다. 이 프레임워크는 2D 스케치에서 모델을 생성하고, CAE 결과를 즉각적으로 예측하며, 실시간 성능 피드백을 제공한다. 프레임워크는 잠재 공간 설계 탐색에서 시각화에 이르기까지 일곱 단계를 통합하며, 초기 단계의 제품 개발에 실질적인 AI 통합을 보여준다.

ABSTRACT

Research regarding design automation that integrates artificial intelligence (AI) into computer-aided design (CAD) and computer-aided engineering (CAE) is actively being conducted. This study proposes a deep learning-based CAD/CAE framework that automatically generates three-dimensional (3D) CAD models, predicts CAE results immediately, explains the results, and verifies the reliability. The proposed framework comprises seven stages: (1) two-dimensional (2D) generative design, (2) dimensionality reduction, (3) design of experiment in latent space, (4) CAD automation, (5) CAE automation, (6) transfer learning, and (7) visualization and analysis. The proposed framework is demonstrated through a road wheel design case study and indicates that AI can be practically incorporated into end-use product design. Using this framework, it is expected that industrial designers and engineers can jointly review feasible engineering 3D CAD models created by AI and select the best design for the market in the early stages of product development. In addition, because the proposed deep learning model can predict CAE results based on 2D disc-view design, industrial designers can obtain instant feedback regarding the engineering performance of 2D concept sketches.

연구 동기 및 목표

• 기존 CAD/CAE 워크플로우에 인공지능을 통합하여 제품 설계 속도를 높이는 도전 과제를 해결한다.
• AI 기반 설계를 활용해 산업 디자이너와 엔지니어가 초기 개발 단계에서 실현 가능한 3D CAD 모델을 공동으로 설계할 수 있도록 한다.
• 완전한 CAE 시뮬레이션 없이도 2D 개념 스케치 기반으로 공학적 성능(예: 응력, 변형)에 대한 즉각적인 피드백을 제공한다.
• 이전 학습 및 설명 가능한 시각화 기법을 통해 설계 신뢰도를 향상시킨다.
• 개념 설계와 공학적 검증 사이의 격차를 메우기 위해 2D 스케치에서 검증된 3D 모델로의 전환을 자동화한다.

제안 방법

• 낮은 차원의 잠재 공간을 생성하기 위해 2D 생성 설계 및 차원 축소를 위해 변동형 오토인코더(VAE)를 사용한다.
• 잠재 공간에서 실험 설계(DoE)를 수행하여 효율적으로 다양한 실현 가능한 2D 설계 변형을 탐색한다.
• 잠재 공간에서의 최적화된 2D 설계를 바탕으로, 잠재 공간에서 파arametric CAD 기하학으로의 매핑을 학습하여 3D CAD 모델 생성을 자동화한다.
• 딥러닝 모델을 통해 2D 설계 입력에서 직접적으로 구조적 성능(예: 응력, 변형)을 예측함으로써 CAE 자동화를 통합한다.
• 다양한 설계 구성에 걸쳐 예측 정확도와 일반화 능력을 향상시키기 위해 전이 학습을 적용한다.
• 설계 결론 도출과 검증을 지원하기 위해 설명 가능한 AI 기법을 활용해 결과를 시각화하고 분석한다.

실험 결과

연구 질문

• RQ1 딥러닝 프레임워크가 도로 휠 설계 맥락에서 2D 설계 스케치로부터 3D CAD 모델의 생성을 자동화할 수 있는가?
• RQ2 2D 입력 설계만으로도 높은 정확도와 낮은 지연 시간으로 CAE 결과를 얼마나 정확하게 예측할 수 있는가?
• RQ3 잠재 공간 DoE와 전이 학습의 통합이 설계 탐색과 예측 신뢰도 향상에 얼마나 효과적인가?
• RQ4 산업 디자이너가 초기 설계 단계에서 2D 개념 스케치로부터 공학적 성능에 대한 실시간 피드백을 받을 수 있는가?
• RQ5 제안된 프레임워크는 초기 제품 개발 단계에서 디자이너와 엔지니어 간의 협업을 어떻게 향상시키는가?

주요 결과

• 프레임워크는 2D 설계 입력에서 3D CAD 모델 생성을 성공적으로 자동화하여 수동 모델링 노력을 줄였다.
• 응력 및 변형과 같은 CAE 결과가 고속으로 정확하게 예측되어 개념 설계 단계에서 실시간 피드백을 제공할 수 있었다.
• 잠재 공간 DoE의 활용으로 전체 시뮬레이션 없이도 다양한 실현 가능한 설계 변형을 효율적으로 탐색할 수 있었다.
• 전이 학습은 다양한 설계 구성에 걸쳐 모델의 일반화 능력과 예측 신뢰도를 향상시켰다.
• 설명 가능한 시각화 통합으로 엔지니어와 디자이너가 함께 AI 기반 설계를 평가하고 검증할 수 있었다.
• 사례 연구는 AI가 산업적 CAD/CAE 워크플로우에 실질적으로 통합되어 초기 단계의 제품 개발 속도를 높일 수 있음을 보여주었다.