전산 설계 (Computational Design)

선박 도면 내 객체 및 텍스트 인식
(Object and Text Recognition in Drawings)

우리는 도면 내에 존재하는 다양한 객체와 텍스트를 정확히 인식하는 방법을 연구하고 있습니다. 인식 결과를 바탕으로 설계 규정과 비교해 도면 내 오류를 자동으로 탐지합니다. 이를 위해, 최신의 딥 러닝 기술을 활용해 조선 해양 분야에 적합하도록 튜닝하고 있습니다. 이를 활용할 경우, 도면 검토 작업에 소요되는 시간과 노력을 획기적으로 줄일 수 있습니다.

– 딥 러닝 모델 학습을 위한 가상 도면 생성
– 객체 인식 기술 (CNN, Transformer, etc.)
– 텍스트 인식 기술
– 도면 내 설계 정보 (구획 등) 인식 기술

We are studying methods to accurately recognize various objects and text within drawings. Based on the recognition results, we automatically detect errors in the drawings by comparing them against design specifications. To this end, we are leveraging the latest deep learning technologies and fine-tuning them for the naval architecture and ocean engineering sectors. Applying this technology can dramatically reduce the time and effort required for drawing review.

– Generating virtual drawings for training deep learning models
– Object recognition techniques (CNN, Transformer, etc.)
– Text recognition techniques
– Techniques for recognizing design information (e.g., compartments) within drawings

도면 개정 사항 자동 식별
(Identification of Drawing Revisions)

우리는 선박 건조 과정에서 설계자와 도면 검사관 사이에서 반복적으로 수정되는 도면에서 재개정 부분을 자동 식별하고 해당 부분에 대한 검토 의견을 자동 추천해 주는 방법을 연구하고 있습니다. 이를 위해, 최신의 딥 러닝 기술을 활용해 조선 해양 분야에 적합하도록 튜닝하고 있습니다. 이를 활용할 경우, 도면 재개정 작업에 소요되는 시간과 노력을 획기적으로 단축할 수 있습니다.

– 딥 러닝 모델 학습을 위한 가상 도면 및 재개정 검토 의견 생성
– Change detection 기술을 활용한 재개정 부분 인식
– 멀티 모달 AI를 활용한 재개정 검토 의견 추천

We are studying methods to automatically identify revised sections in drawings that undergo repeated revisions between designers and classification surveyors during the shipbuilding process, and to automatically recommend review comments for those sections. To this end, we are leveraging the latest deep learning technologies and fine-tuning them for the naval architecture and ocean engineering sectors. Applying this technology can dramatically reduce the time and effort required for drawing revision work.

– Generation of virtual drawings and revision review comments for training deep learning models
– Identification of revised sections using change detection technology
– Recommendation of revision review comments using multi-modal AI

선박 설계 전용 Q&A 시스템
(Q&A System for Ship Design)

우리는 선박 설계 전용의 Q&A 시스템을 개발하고 있습니다. 생성형 AI, 대규모 언어 모델 등을 활용해 설계자가 원하는 다양한 설계 지식과 규정을 정확히 제공하는 것을 목표로 하고 있습니다.

– 설계 문서의 DB화 모듈
– 도메인 어댑테이션 (Domain Adaptation)을 적용한 검색 모듈
– RAG (Retrieval Augmented Generation) 기반 답변 생성 모듈
– 설계 문서, 설계 규정, 설계 교재 등 다양한 문서에 대응

We are developing a Q&A system specifically designed for ship design. We aim to accurately provide designers with the various design knowledge and regulations they need by leveraging generative AI and large language models.

– Module for digitizing design documents into a database
– Search module applying domain adaptation
– RAG (Retrieval Augmented Generation)-based response generation module
– Supports various documents, including design documents, design regulations, and design textbooks

P&ID 도면 인식
(Recognition of Ship P&IDs)

우리는 장비 또는 배관 간 연결 관계를 나타내는 도면인 P&ID (Piping and Instrumentation Diagram)를 자동 인식하는 방법을 연구하고 있습니다. 도면 내 존재하는 장비, 계기 및 배관을 인식하여 그래프 구조로 자동 변환합니다. 그 결과는 배관 라우팅을 위한 입력 정보로 활용될 수 있습니다.

– 도면 내 객체 및 텍스트 인식 (이미지, DXF)
– 도면 내 연결선 인식
– 인식 결과의 그래프 구조로 변환

We are studying methods for automatically recognizing P&IDs (Piping and Instrumentation Diagrams), which depict the interconnections between equipment and piping. We recognize the equipment, instruments, and piping present in the drawings and automatically convert them into a graph structure. The results can be used as input data for piping routing.

– Recognition of objects and text in diagrams (images, DXF)
– Recognition of connection lines in diagrams
– Conversion of recognition results into a graph structure

설계 문서 내 변수 인식 및 인덱싱
(Variable Recognition and Indexing)

우리는 선박 규정과 같은 설계 문서에 포함된 다양한 변수를 자동으로 인식하고 인덱싱하는 방법을 연구하고 있습니다. 이를 활용할 경우, 설계자가 원하는 변수의 정의와 위치를 문서 내에서 정확히 찾아주어 설계 문서를 검토하는 시간을 단축시켜 줍니다.

– PDF 문서 내 성분 (문자열, 목차, 수식, 그림, 표 등) 추출
– 설계 문서 색인화
– 변수 인식 및 연결 관계 분석

We are studying methods to automatically recognize and index various variables contained in design documents, such as ship regulations. When utilized, this technology helps designers quickly locate the definitions and locations of specific variables within documents, thereby reducing the time required to review design documents.

– Extraction of elements (strings, tables of contents, equations, figures, tables, etc.) from PDF documents
– Indexing design documents
– Variable recognition and analysis of relationships

Hadoop 기반 빅데이터 프레임워크
(Big Data Framework for Shipbuilding)

우리는 Hadoop 기반의 빅데이터 프레임워크를 연구하고 있습니다. HDFS (Hadoop Distributed File System), MapReduce, Spark 등 최신의 빅데이터 기술을 활용해 조선 해양 분야의 다양한 문제에 빅데이터 기술을 적용하고 있습니다.

– Hadoop 기반 빅데이터 프레임워크 (HDFS, MapReduce)
– Spark를 포함한 기타 모듈의 활용
– 조선 해양 빅데이터 분석 (설계, 생산, 운항)

We are studying a Hadoop-based big data framework. We apply big data technologies to various problems in naval architecture and ocean engineering, leveraging the latest tools, including HDFS (Hadoop Distributed File System), MapReduce, and Spark.

– Hadoop-based big data frameworks (HDFS, MapReduce)
– Use of third-party modules, including Spark
– Big data analysis in shipbuilding and marine industries (design, production, and operation)

빅데이터 기반 해기상 및 선박 마력 예측
(Estimation of Marine Weather and Ship Power)

우리는 빅데이터를 활용해 선박 항로 계획을 위한 해기상과 소요 마력의 예측을 위한 방법을 연구하고 있습니다. 특히, 전 해역을 대상으로 다양한 해기상을 높은 정확도로 예측하고, 이에 따른 선박 소요 마력을 예측하여 항로 계획에 활용될 수 있도록 하고 있습니다.

– 해기상 빅데이터 전처리
– 딥 러닝 모델을 활용한 해기상 예측
– 딥 러닝 모델을 활용한 해기상에 따른 선박 소요 마력 및 연료 소모량 예측

We are studying methods for using big data to estimate marine weather and the required power for ship route planning. In particular, we are estimating marine weather across all maritime regions with high accuracy and forecasting the power required by ships, with the aim of applying these results to route planning.

– Preprocessing for marine weather
– Prediction of marine weather using deep learning models
– Prediction of ship power requirements and fuel consumption according to marine weather using deep learning models

빅데이터 기반 선박 운항 분석
(Ship Operation Analysis)

우리는 빅데이터를 활용해 선박 운항 분석 방법을 연구하고 있습니다. 선박들의 운항 기록이 담긴 AIS (Automatic Identification System) 데이터와 해기상 데이터를 맵핑해 시간에 따른 선박의 항로, 운항 속도 등을 가시화함으로써 선박들의 다양한 운항 특징 및 효율성을 분석합니다.

– AIS 및 해기상 데이터 전처리
– AIS 데이터 기반 선박 운항 분석
– 운항 분석 결과의 가시화

We are studying methods for analyzing ship operations using big data. We analyze operational characteristics and ship efficiency by visualizing their routes and speeds over time through the mapping of AIS (Automatic Identification System) data, which contains ship operational records, alongside marine weather data.

– Preprocessing of AIS and marine weather data
– Ship operation analysis based on AIS data
– Visualization of operation analysis results

근사 모델링 방법
(Surrogate Modeling Methods)

우리는 유체 해석, 구조 해석 등 공학 해석에 필요한 시간을 단축하기 위해 다양한 근사 모델링 방법을 연구하고 있습니다. 특히, 최적화 과정에 포함된 복잡힌 해석을 근사 모델로 대체할 경우, 최적화에 소요되는 시간을 크게 단축할 수 있습니다. 근사 모델 생성을 위한 학습 데이터 선정, 근사 모델의 자동 갱신 등 다양한 방법을 연구하고 있습니다.

– 근사 모델 생성을 위한 학습 데이터 선정
– 다양한 근사 모델링 방법 (전통적인 방법, 딥 러닝 기반 방법)
– 근사 모델의 자동 갱신

We are studying various surrogate modeling methods to reduce the time required for engineering analyses, including fluid dynamics and structural analyses. In particular, replacing the complex analyses involved in the optimization process with surrogate models can significantly reduce the time required for optimization. We are studying various methods, including selecting training data for surrogate model generation and automatically updating surrogate models.

– Selection of training data for surrogate model generation
– Various surrogate modeling methods (traditional methods, deep learning-based methods)
– Automatic update of surrogate models

선박 운항 실감 가시화
(Realistic Visualization of Ship Operations)

우리는 선박 운항 모습을 실감나게 가시화하기 위한 방법을 연구하고 있습니다. 선박을 포함해 날씨, 육상 구조물, 해저 지형 등 다양한 객체를 실감나게 가시화하고 있습니다.

– 선박의 실감 모델링 (상선, 함정, 소형 선박 등)
– 해양 환경의 실감 모델링 (날씨, 하늘, 바다, 육상 구조물, 해저 지형 등)
– 빅데이터 기반 해기상 예측 모델과 연동
– 해양 시뮬레이션 장비와 연동

We are studying methods to realistically visualize ship operations. We are working to realistically visualize various objects, including ships, weather conditions, land-based structures, and seabed topography.

– Realistic modeling of ships (commercial ships, naval ships, small ships, etc.)
– Realistic modeling of the marine environment (weather, sky, sea, land structures, seabed topography, etc.)
– Integration with the big data-based marine weather estimation model
– Integration with the ocean simulation facility

Research