기계학습을 이용한 저소음 복합소재 추진기 유체-구조 연성해석 및 설계 시스템 개발

Abstract

선박 및 함정의 고속, 대형화 및 요구조건 강화로부터 수중방사소음의 중요성이 강조되고 있다. 특히, 잠수함에서 발생하는 수중방사소음은 잠수함의 은밀성과 생존성에 직결되기 때문에 해당 성능 향상을 위하여 수중방사소음을 저감시키기 위한 저소음 설계가 필수적이다. 잠수함 추진기에서 발생하는 소음은 전체 수중방사소음에 높은 기여도를 차지하며 최근 잠수함의 고속화에 따른 해당 추진기 소음의 기여도가 증가하고 있다. 따라서, 저소음 잠수함 설계를 위해서는 추진기 소음을 저감시켜야 한다. 최근 추진기 소음을 저감시키기 위한 수단으로써 복합소재 추진기의 활용이 대두되고 있다. 복합소재 추진기는 탄소섬유 강화플라스틱(Carbon fiber-reinforced plastic, CFRP) 등의 낮은 밀도와 강성을 가진 재료로 제작되어 다양한 유동 조건에 대하여 변형 및 적응함으로써 목표 성능을 만족시킬 수 있는 특징을 가지고 있다. 복합소재 추진기를 활용하여 목표 수치까지 소음을 저감시키기 위해서는 엄밀한 변형의 평가와 변형으로 인한 발생 소음 변화를 정확히 도출해야 하고 이를 활용한 설계를 수행해야 한다. 본 논문에서는 설계 단계에서 복합소재 추진기의 주요 소음성능을 평가하기 위하여 기계학습을 기반으로 목적 변수 예측 모델을 개발하고 개발된 모델을 활용한 설계 시스템을 구축하여 대상 복합소재 추진기에 대한 최적 설계안을 도출하였다. 학습을 위한 데이터들을 확보하기 위하여 유입류 조건별 날개의 굽힘-비틀림 커플링(Bend-twist coupling) 및 관성력 커플링(Inertial force coupling)을 고려한 구조 모델과 FW-H, permeable FW-H 방정식의 음향상사법(Acoustic analogy)을 적용한 복합소재 추진기 유체-구조 연성(Fluid-structure interaction, FSI) 및 소음해석 기법을 정립하였다. 정립된 해석기법을 기반으로 데이터 스캔 격자 위 단순 정상상태 데이터로 구성된 입력 데이터셋과 각 목적 변수에 대한 출력 데이터셋을 확보하고 확보된 학습 데이터셋과 합성곱 신경망(Convolutional neural network, CNN) 알고리즘을 통해 기계학습 기반 목적 변수 예측 모델이 개발되었다. 본 예측 모델을 활용하여 날개 공동, 날개주파수 소음을 최소화하기 위한 설계 시스템을 구축하고 각 성능에 대한 복합소재 추진기 최적 설계안을 도출하였다. 각 성능별 기존 추진기 대비 도출된 최적안의 성능 향상 정도를 분석함으로써 구축된 복합소재 추진기 설계 시스템의 유용성을 확인하였다.

The importance of underwater radiation noise is emphasized due to the increased speed and size of commercial and naval ships. The stealth and survivability of submarines are directly related to underwater radiated noise. Thus, a low-noise design is essential to improve performance. The propeller noise of submarines accounts for a high contribution to the overall underwater radiated noise. Recently, the contribution of propeller noise has been gradually increasing due to the increased speed of submarines. Therefore, it is necessary to reduce the propeller noise to achieve a low-noise submarine design. In recent studies, the composite propeller having flexible characteristics has been proposed to reduce noise. Composite propellers are made of materials with low density and stiffness, such as carbon fiber-reinforced plastics(CFRP), and have adaptive characteristics that can satisfy target performance under various flow conditions. In order to achieve the noise reduction up to the target value using the composite propeller, it is essential to accurately evaluate a deformation and a noise change caused by the deformation and design using it. In this study, a deep learning-based objective parameter prediction model was developed to evaluate the main noise performance of the composite propeller at the design stage, and an optimal design for the reference composite propeller was obtained by constructing a design system using the developed model. In order to acquire the data for learning, fluid-structure interaction(FSI) and acoustic analysis methods applying a structural analysis model considering bend-twist and inertial force coupling and acoustic analogy such as FW-H and permeable FW-H were established for various inflow conditions. An input dataset consisting of simple steady-state data on a data scan grid and an output dataset for each objective parameter was acquired using the established analysis methods, and the deep learning-based objective parameter prediction model was developed using the acquired training dataset and convolutional neural network(CNN) algorithm. Using the prediction model, a design system for the cavitation and blade passing frequency(BPF) minimization was estabilished, and optimal designs for each performance were obtained. The improvement of each noise performance of optimal designs proved the usefulness of the low-noise composite propeller design system.