부유체 슬로싱 모형 시험 자료 집합 해석 및 인공신경망을 이용한 실험 결과 예측

Abstract

본 논문은 서울대학교 슬로싱 모형 시험 자료를 분석한 내용과 분석 자료에 기계 학습을 이용해 실험 결과를 예측하는 내용을 다룬다. 근래 들어 건조 및 설계 기술의 발달로 LNG 운반선의 화물창이 대형화 되고 있다. 그리고 최근 LNG 관련 선박이 한국 대형 조선소의 주력 선종으로 떠오르고, 환경 규제가 강화되며 액화천연가스를 연료로 사용하는 선박이 시장의 많은 관심을 받고 있다. 화물창의 구조적 안정성 확보를 위해 슬로싱 하중을 정확히 해석하기 위한 노력이 필요한 상황이다. 슬로싱 현상은 비선형성이 강하고 복잡한 특성을 지니며, 산업체에서는 일반적으로 모형 실험을 통해 슬로싱 하중을 산정한다. 국제 선급과 ITTC(International Towing Tank Conference)를 비롯한 여러 기관에서 실험 절차와 방법을 개발해 왔고, 현재 어느 정도 정형화된 방법을 안내하고 있다. 그동안 서울대학교에서는 안내된 실험 절차에 따라 국내 조선소의 지원을 받아 많은 슬로싱 모형 시험을 수행해 왔다. 현재까지 저장된 실험 자료의 양은 약 540TB에 달하며, 여러 종류의 설계 선박에 대해 다양한 모형, 환경 하중 조건, 운용 조건, 실험 환경 조건에서의 실험 자료가 축적되어 있다. 본 연구에서는 서울대학교 슬로싱 모형 시험소에 축적된 자료를 다룬다. 이를 위하여 과거 자료부터 현재에 이르기까지 저장된 자료를 검토하고 정제하였다. 그리고 현재 산업체의 주된 관심사인 표준 크기 이상의 LNG 운반선과 LNG 연료탱크에 대한 모형 시험 자료를 추출하였다. 추출 자료를 바탕으로 기계 학습을 이용하여 실험 조건을 이용해 빠르고 정확하게 실험 결과를 예측할 수 있는 기법을 개발하였다. 기계 학습 방법으로는 인공신경망을 구축하였다. 여러 실험 조건을 적절하게 변형하여 인공신경망의 입력 인자로 사용하였다. 인공신경망의 형태와 여러 초모수들을 추출 자료에 맞게 최적화되었다. 그리고 최적화된 인공신경망에 앙상블 기법을 적용하여 실험 결과를 예측하였다. 활용도 검증을 위해 학습에 사용하지 않은 여러 모형 시험 결과를 예측하고 실제 실험 결과와 비교하였다. 인공신경망은 실험 결과를 높은 정확도로 예측하였으며, 환경 하중 조건, 운용 조건, 그리고 모델 형태의 변화에 잘 대응함으로 보여 주었다. 또한 정확도 높은 예측 결과를 바탕으로 모형 시험 조건을 선택할 수 있는 근거를 제공할 수 있고, 불필요한 실험 조건을 효과적으로 제거할 수 있음도 확인하였다. 이러한 기법을 활용하면 슬로싱 하중을 선제적으로 고려하여 화물창과 연료탱크를 설계할 수 있다. 나아가 선박 운항 시 위험한 슬로싱 하중이 발생하는 조건을 피해 운항할 수 있는 경로와 운항 방법을 제공할 수 있다.

Sloshing model test has been investigated by data mining in the sloshing model test database of Seoul National University. Owing to the increase of the LNG transportation market, South Korean shipyards have focused on the LNG-related vessels. Moreover, LNG fueled vessels has been a new item due to the enhanced environmental regulations. Therefore, sloshing analysis for the floating units has been a main interest for the Korean shipbuilding industry. When designing the tank in consideration of the sloshing loads, the experimental approach has been mainly used because of the highly nonlinear and complex nature of the sloshing phenomenon. The international classifications, ship yards, and the company designing the membrane cargo hold have developed procedures of the model test. A formal procedure that partially acceptable to the industry exist, although details of the procedure and methods are different. Numerous sloshing model tests have been conducted following this formal procedure in Seoul National University by extensive supports of the Korean shipbuilding companies. More than 540 terabytes experimental data have been accumulated for various cargo holds, vessels, environmental conditions, operational conditions, and experimental conditions. This accumulated experimental data have been studied. The database was organized, cleaned, and analyzed. Model tests related to the floating units larger than standard size LNG carriers or LNG fueled vessels were selected. Then, the selected target data have been used for the machine learning to predict the model test results from the test conditions. The artificial neural network has been developed. Many different types of model test conditions were scaled and transformed as the input attributes. The architecture and hyperparameters were optimized for the present database. The artificial neural network predicted the test results that were not used in the training process. The prediction results were validated according to the changes in environmental conditions, operational conditions, and model dimensions. The accuracy of the prediction was acceptable to be applicable to the designing perspective. Therefore, based on the accumulated database in Seoul National University, the developed neural network can be used for three purposes: to reduce the number of sloshing model test, to design the model geometry, and to optimize the operation routes of the vessels.