2025 MATLAB AI 경진대회 _ ANN 기반 수소전기차 파워트레인 다목적 최적설계

본 프로젝트는 연료전지 전기차(FCEV)의 파워트레인 설계 변수(기어비, 천이전력)를 대상으로, 인공지능 기반 예측 모델과 다목적 유전 알고리즘(NSGA-II)을 활용하여 수소 소비량과 가속 성능을 동시에 최적화하는 MATLAB 기반 시스템입니다.

개요

본 프로젝트는 연료전지 전기차(FCEV)의 파워트레인 시스템을 대상으로, 기어비 (r1, r2) 및 천이전력 (p_tr1, p_tr2) 를 최적 설계하여수소 소비량을 최소화하고가속 성능을 극대화하는 MATLAB 기반 다목적 최적화 시스템입니다. 샘플링 및 신경망 학습을 통해 surrogate 모델을 구축한 후, NSGA-II 알고리즘을 적용하여 파레토 최적 설계를 도출합니다.

주요 기능

라틴 하이퍼큐브 기반 샘플링 + 제약 조건 필터링 + 최대거리 설계 (MDD)

LOOCV 기반 신경망 정확도 검증 (NRMSE 자동 평가

ANN 기반 surrogate 모델 (2개):연료전지 제약 예측 모델

가속 성능 예측 모델

NSGA-II 알고리즘 기반 다목적 최적화

파레토 프론트 시각화 및 변수 간 분포 확인

구성 파일

ANN_samples_FCEV.mat: 입력 및 출력 데이터 (input,out1,out2)

Sampling.m : 샘플 생성 및 유효성 필터링(MDD 적용)

ANN_Eff.m : 수소 소비량 예측 ANN 학습

ANN_Performance.m : 가속 성능 예측 ANN 학습

LOOCV.m : 수소 소비량 모델의 LOOCV NRMSE 계산

LOOCV_performance.m : 가속 성능 모델의 LOOCV NRMSE 계산

NSGA2_ANN.m: NSGA-II 실행 및 파레토 해 도출 ,파레토 전선

사용 방법

Sampling.m 실행 → LHS 샘플 생성 및 제약조건 만족 샘플 누적

ANN_samples_FCEV.mat 로부터 입력 및 출력 데이터 로딩

ANN_Eff.m 실행 → 수소소비량 ANN 모델 학습 (히든레이어 1층 구성 시 nftool 사용)

ANN_Performance.m 실행 → 가속성능 ANN 모델 학습 (히든레이어 1층 구성 시 nftool 사용)

LOOCV.m, LOOCV_Performance.m 실행 → LOOCV 기반 NRMSE 검증

NSGA2_ANN.m 실행 → NSGA-II 기반 파레토 최적화 및 시각화

결과

ANN 모델 성능 및 NRMSE 값

수소소모량 ANN 모델(hidden layer:1 Nord:30) : R^2=98.4% / NRMSE=0.0216

가속 성능 ANN 모델(hidden layer:1 Nord:30) : R^2=99.65% / NRMSE= 0.0132

파레토 전선 시각화 및 데이터 분포