본 연구는 기계 학습 기반 piecewise integrated composite(PIC) 구조 설계의 성능 향상을 위해 최적화된 학습 데이터 할당 방법을 제안한다. 기존 연구에서는 학습 데이터를 일정한 간격으로 배치하여, 특히 전단 하중 유형에 대한 예측 정확도에 한계가 있었다. 이러한 문제를 해결하기 위해 차원 축소 및 클러스터링 기법을 활용하여 학습 데이터를 불규칙적으로 할당하는 새로운 알고리즘을 개발했다. 고차원 데이터는 차원 축소 기법을 사용하여 먼저 축소한 후, 클러스터링을 통해 대표적인 학습 샘플을 추출했다. 이후 각 클러스터에서 무작위로 선택된 샘플을 사용하여 기계 학습 모델을 학습하여 전체 구조물의 응력 값과 하중 유형을 예측했다. 그 결과, 모든 하중 유형에서 예측 정확도가 향상되었으며, IIHS 범퍼 빔 해석 결과 향상된 하중 지지력과 에너지 흡수 성능을 보였다.
Ji et al. (Thu,) studied this question.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: