1. Physics-AI 구현을 위한 CAD/CAE 통합 등기하해석법

기존 유한요소해석(FEM)은 CAD 모델과 해석 모델 간의 불일치로 인해 반복적인 메싱과 형상 오차가 발생합니다. 본 연구는 **NURBS 기반 등기하해석(Isogeometric Analysis, IGA)**을 활용하여 CAD 형상을 해석 모델에 직접 통합하고, 이를 통해 고정확도 구조·쉘·연속체 해석 및 설계 민감도 해석을 수행합니다. 나아가, 이러한 CAD/CAE 통합 환경을 Physics-AI 학습을 위한 고품질 데이터 생성 플랫폼으로 확장하는 연구를 진행하게 됩니다.

 

2. 데이터 기반 신뢰성 해석 및 최적설계 

제조 공정 오차, 재료 불확실성, 하중 변동 등 현실적인 불확실성을 고려한 설계는 현대 공학에서 필수적입니다.
본 연구에서는 Kriging, Dynamic Kriging, 확률모델 기반 대리모델을 활용하여 고비용 수치해석 문제에 대한 "신뢰성 해석(Reliability Analysis)"과 "신뢰성 기반 최적설계(RBDO)"를 효율적으로 수행할 수 있습니다. 특히, 계산비용을 최소화하면서도 신뢰도 예측 정확도를 유지하는 지능형 샘플링 및 하이퍼파라미터 추정 기법 개발에 집중하고 있습니다.

3. 물리지식 기반 인공지능 활용 해석 및 설계

순수 데이터 기반 AI의 한계를 극복하기 위해, 물리 법칙과 수치해석 지식을 AI 모델에 내재화하는 Physics-informed / Physics-guided AI 접근법을 고려할 수 있습니다. 이를 통해 본 연구실에서는

    (1) 소량 데이터 환경에서도 강건한 예측이 가능한 AI 모델 

    (2) 물리적으로 일관된 응답면(Surrogate model) 생성

    (3) 해석–최적화–AI를 통합한 차세대 설계 자동화 프레임워크

를 구현하고자 합니다. 궁극적으로는 **해석 신뢰성과 설계 의사결정의 설명 가능성(Explainability)**을 동시에 확보하는 것을 목표로 합니다.