딥 러닝 기반 CGIDN을 이용한 유도전동기 슬롯 형상 최적설계

Abstract

본 연구의 목적은 딥 러닝 기반 최적화 기법인 CGIDN(constrained generative inverse design network)을 사용하여 15 kW급 유도전동기의 효율을 극대화할 수 있는 고정자 및 회전자 슬롯 형상 조합을 제시하는 것이다. CGIDN은 Predictor와 Designer 두 개의 Network로 구성된다. Predictor 생성 단계에서는 학습 데이터를 통해 설계변수와 성능 간의 관계를 학습한 딥 러닝 모델을 생성한다. Designer 단계에서는 생성된 모델과 역전파 알고리즘을 사용하여 최적화를 진행한다. 학습 데이터는 고정자 기본 슬롯 형상 3가지와 회전자 기본 슬롯 형상 4가지를 조합하여 총 12가지 기본 슬롯 형상들의 조합으로 이루어져 있으며, Matlab 기반의 SMEKlib FEA 코드를 활용하여 생성되었다. CGIDN을 활용하여 총 12가지 기본 슬롯 형상들의 조합에 대한 최적화를 진행하였고, 이 과정에서 최적화된 결과는 유한 요소 해석을 통해 검증되었다. 각 조합별로 최적화된 슬롯 형상의 설계변수를 도출하고, 이를 기반으로 효율과 재료비를 고려해 최적의 슬롯 조합을 선정하였다. 또한, 기존 학습 데이터와의 비교를 통해 최적화된 설계의 성능을 평가하는 작업도 수행되었다. CGIDN을 통한 최적화 과정은 기존 학습 데이터를 넘어선 우수한 효율의 설계안을 성공적으로 도출함을 보여주었다. 이러한 접근은 충분한 데이터가 확보될 경우, 상용 소프트웨어에 대한 높은 숙련도 없이도 최적해를 찾을 수 있는 가능성을 제시한다. 또한, 유도전동기 슬롯 형상 설계에만 국한되지 않고, 다양한 기계제품의 최적 설계에도 활용될 수 있을 것으로 기대된다.