DOI QR코드

DOI QR Code

Analytic Verification of Optimal Degaussing Technique using a Scaled Model Ship

축소 모델 함정을 이용한 소자 최적화 기법의 해석적 검증

  • Cho, Dong-Jin (The 6th R&D Institute - 3rd Directorate, Agency for Defense Development)
  • 조동진 (국방과학연구소 제6기술연구본부 3부)
  • Received : 2017.03.10
  • Accepted : 2017.04.07
  • Published : 2017.04.30

Abstract

Naval ships are particularly required to maintain acoustic and magnetic silence due to their operational characteristics. Among them, underwater magnetic field signals derived by ships are likely to be detected by threats such as surveillance systems and mine systems at close distance. In order to increase the survivability of the vessels, various techniques for reducing the magnetic field signal are being studied and it is necessary to consider not only the magnitude of the magnetic field signal but also the gradient of it. In this paper, we use the commercial electromagnetic finite element analysis tool to predict the induced magnetic field signal of ship's scaled model, and arrange the degaussing coil. And the optimum degaussing current of the coil was derived by applying the particle swarm optimization algorithm considering the gradient constraint. The validity of the optimal degaussing technique is verified analytically by comparing the magnetic field signals after the degaussing with or without gradient constraint.

함정은 작전 운용관점에서 음향적 및 자기적으로 정숙성이 요구되며, 그 중에서 함정에서 발생하는 자기장 신호는 근거리에서 적의 감시체계 및 기뢰체계 등 위협세력에 의해 쉽게 노출되게 된다. 따라서 아함의 생존성 증대를 위하여 함정의 자기장 신호저감을 위한 다양한 기법이 연구되고 있으며, 최근에는 단순히 자기장 신호의 크기 감소 뿐 만 아니라 자기장 신호의 변화율 성분에 대한 감소까지 추가적으로 요구되고 있다. 본 논문에서는 상용 전자기 유한요소해석 도구를 이용하여 함정 축소모델에 대한 유도 자기장 신호를 예측하고, 소자코일을 배치하였다. 그리고 기울기 구속조건을 고려한 입자 군집 최적화 알고리즘을 적용하여 소자코일의 최적 소자전류를 도출하였다. 기울기 구속조건 유/무에 따른 소자 후 자기장 신호를 비교함으로써 최적 소자기법의 타당성을 해석적으로 검증하였다.

Keywords

References

  1. J. Holmes, Exploitation of a Ship's Magnetic Field Signature, Morgan & Claypool (2006).
  2. Official Website of the UNITED STATES NAVY .
  3. J. Holmes, Reduction of a Ship's Magnetic Feild Signature, Morgan & Claypool (2008).
  4. N.-S. Choi, G. Jeung, C.-S. Yang, H.-J. Chung, and D.-H. Kim, IEEE Trans. Magn. 48, 419 (2012). https://doi.org/10.1109/TMAG.2011.2177515
  5. J. Kennedy and R. Eberhart, in Proc. IEEE Int. Conf. Neural Netwroks 4, 1942 (1995).
  6. H. Liu and Z. Ma, Int. Conf. Mechatronics and Automation 3133 (2007).
  7. S. L. Ho, S. Yang, G. Ni, E. W. C. Lo, and H. C. Wong, IEEE Trans. Magn. 41, 1756 (2005). https://doi.org/10.1109/TMAG.2005.846033
  8. J. H. Seo, C. H. Im, C. G. Heo, J. K. Kim, H. K. Jung, and C. G. Lee, IEEE Trans. Magn. 42, 1095 (2006). https://doi.org/10.1109/TMAG.2006.871568