함정의 생존성 향상을 위한 스텔스 함형 설계 시스템 개발

Abstract

A survivability of naval ship is defined as its ability to evade or withstand a hostile environment while performing a given mission. Stealth technology, which reduces the probability of being detected by enemy detection equipment with the development of a highly advanced detection system, is one of the most important technologies for improving the survivability of naval ships. Radar cross section (RCS) reduction is a very important factor in stealth technology, because the smaller RCS, which is the main parameter of susceptibility, making them better able to evade enemy detection equipment. Also, During naval warfare, if the armed space of a naval ship is exposed to the enemy, even a single shot can damage the combat system. Therefore, it is important to minimize damage to the armed space of naval ships and improve survivability. In this study, an automated topology design for improving susceptibility was developed by combining the geometric deep learning and the topology optimization. Also, a system was implemented to automate the ship compartment layout design process considering survivability and to derive the optimal compartment layout. A convolution neural network (CNN) model was used as the geometric deep learning model, and the triangle mesh of the naval ship models and equipment models were set as datasets. To compensate for the lack of training data, randomly generated meshes were additionally used as datasets. In order to express the feature data of the mesh as a matrix, points at equal intervals were projected orthogonally and the distance between plane and the point was set as a matrix value. The label data was defined as the highest RCS value excluding the cardinal points. After performing the topology design improving susceptibility using the developed system, verification was performed through RCS analysis of the original model and the topology designed model. The survivability of a compartment can be calculated using the susceptibility distribution obtained using the axis-aligned bounding box (AABB) model and damage ellipsoid volume. In addition, the line distribution space division (LDSD) method was developed to extract the AABB model from the analysis model. The internal space susceptibility was derived from the susceptibility distribution obtained using the AABB model and the damage ellipsoid volume. A genetic algorithm (GA) was used to derive an optimal compartment layout considering survivability. To compare the differences in survivability according to the compartment layout, optimal and worst compartment layout analysis was performed.

함정의 생존성은 주어진 임무를 수행하면서 적대적인 환경을 회피하거나 견딜 수 있는 능력으로 정의된다. 고도로 발전된 탐지시스템의 개발로 적 탐지장비에 탐지될 확률을 줄이는 스텔스 기술은 함정의 생존성을 높이는 가장 중요한 기술 중 하나이다. 피격성의 주요 매개변수인 레이다반사면(Radar Cross Section, RCS)이 작을수록 아함이 적 탐지 장비에 의한 피탐 확률을 줄일 수 있어 레이다반사면적은 스텔스 설계 기술에서 매우 중요한 요소이다. 또한, 해전 중 함정의 무장공간이 적에게 노출되면 단 한 발의 사격으로도 전투 시스템에 손상을 입어 함정의 생존성에 영향을 줄 수 있다. 따라서 함정의 피격성을 줄이는 스텔스 함형 설계와 무장공간에 대한 피해를 최소화하여 생존성을 높이는 연구가 필요하다. 본 연구에서는 스텔스 함형설계를 위한 레이다반사면적 해석 시스템을 개발하였다. 기존 레이다반사면적 해석 시스템의 경우 전체 형상에 대한 레이다반사면적 해석만 가능하여 높은 레이다반사면적을 나타내는 영역의 특정이 어렵다. 또한, 레이다반사면적 기여도 분포 해석의 경우 요소의 크기에 따라 기여도 분석에 차이가 발생하여 정확한 기여도 분포 해석에 어려움이 있다. 이러한 기존 시스템의 한계를 보완하기 위해 해석 모델의 영역을 구분하여 레이다반사면적 특성 분석이 가능한 시스템을 구축하여 높은 레이다반사면적을 나타내는 형상을 특정하여 형상설계가 가능하도록 하였고, 기여도 분석 모델 생성을 통한 기여도 분포 해석 시스템을 구축하여 짧은 해석시간에 정밀한 기여도 분석이 가능한 시스템을 개발하였다. 또한, 함정 외부탑재장비에서 발생하는 다중반사와 레이다반사면적을 최소화하는 외부탑재장비 레이다반사면적 특성분석 시스템을 개발하였다. 함정의 생존성능은 전투환경에 임무를 수행하고 생존할 수 있는 능력으로 외부 형상의 스텔스 함형 설계를 통하여 함정의 생존성 향상이 가능하다. 하지만 기존 생존성 설계변수는 피격사례, 전문가의 의견 등 경험적 지식에 의존하여 정의할 수 있다. 경험적 지식에 의한 스텔스 설계의 경우 설계자의 숙련도에 따라 차이가 발생하게 되는데, 전문가의 의견, 설계자의 경험적 지식 없이 최적설계를 수행하기 위해 기계학습과 요소의 위상 설계를 결합하여 피격성을 향상시키는 자동화 시스템을 개발하였다. 피격성 최적화를 위한 기계학습 모델은 합성곱 신경망(Convolutional Neural Network, CNN) 모델을 사용하였다. 합성곱 신경망의 학습 데이터는 함정 모델의 요소로 설정하였고, 학습 데이터의 부족을 보완하기 위해 무작위로 생성된 요소를 학습 데이터에 추가 하였다. 요소의 특성 데이터를 행렬로 표현하기 위해 등간격의 점들을 직교 투영하고 평면과 점 사이의 거리를 행렬 값으로 설정하였고, 레이블 데이터는 방위각에서 희생각를 제외한 영역의 가장 높은 RCS 값으로 정의하였다. 학습된 합성곱 신경망으로 도출한 함형의 피격성 분포를 통하여 높은 피격성을 나타내는 요소를 도출하여 요소의 위상 설계를 통하여 피격성 감소 설계를 수행하였고, RCS 해석을 통하여 검증을 수행하였다. 함형의 피격성이 높은 영역에 취약성이 높은 격실이 배치될 경우 생존성에 영향을 미친다. 함형의 피격성을 이용하여 생존성을 고려한 격실 배치 설계 프로세스를 자동화하고 최적의 격실 배치를 도출하기 위한 시스템을 구현하였다. 내부공간을 모델링 하기위해 함정 모델 내부의 기하학적 형상을 Box로 모델링하는 AABB 모델의 추출이 필요하다. 다양한 형상의 함정에 대하여 빠르게 AABB 모델을 추출하기 위해 LDSD(Line Distribution Space Division) 방법을 개발하였다. 함형 내부공간의 피격성은 함형의 피격성 분포, AABB(Axis Aligned Bounding Box) 모델 그리고 손상 유발 체적을 사용하여 도출하였다. 생존성을 고려한 최적의 격실 배치를 도출하기 위해 유전 알고리즘(Genetic Algorithm, GA)이 사용하여 최적배치를 도출하였다. 격실 배치에 따른 생존성 차이를 비교하기 위해 최적 격실 배치와 최악 격실 배치의 분석을 통하여 피격성을 고려한 최적배치로 생존성 향상 효과를 분석 하였다.