Internet Explorer 서비스 종료 안내

Internet Explorer(IE) 11 및 이전 버전에 대한 지원이 종료되었습니다.

원활한 이용을 위해 Chrome, Microsoft Edge, Safari, Whale 등의 브라우저로 접속해주세요.

기업
사람
리스트박스

합격 자소서

LG 전자 / HS사업부 기계 / 2026 하반기

건국대 / 기계공학 / 학점 4.12/4.5 / 토익스피킹:IH / 대외활동 3회, 수상 1회, 학부연구생 8개월 / adsp, 자동차정비기능사

보고있는 합격자소서 참고해서 내 자소서 작성하기닫기


1. 본인의 직무관련 경험과 강점에 기반하여 LG전자에 대한 지원동기를 작성해주세요. [강점들을 통한 제품 경쟁력 확보] LG전자 HS사업부는 고객 니즈에 대응해 제품 경쟁력을 확보하고 있습니다. 저는 해석 역량과 열/구조 최적화 능력으로 가전제품의 설계에서 발생할 수 있는 문제를 예측하고 성능을 개선하고자 지원했습니다. 첫번째 강점은 CAE 구조 해석 및 최적 설계 능력입니다. 자작차 활동에서 편심 텐셔너를 개발해 신뢰성과 정비 편의성을 확보했습니다. 기존 턴버클 방식은 불균일한 장력 조절과 구조적 취약성이 있었고, 편심 방식은 불연속적 장력 조절의 단점이 있었습니다. 이에 다중 홀 설계를 고안해, CATIA로 80단계 미세 조절이 가능한 편심 텐셔너를 설계했습니다. 하중을 수치화하고 Ansys 해석으로 응력을 덜 받는 부위를 덜어내 경량화했습니다. 이후 다시 정적 구조/피로 해석으로 목표 안전계수(정적 2.0, 피로 1.5) 충족을 입증하고, 모달해석으로 공진을 회피했습니다. 기존 방식을 개선하고, 데이터를 통해 기계적 신뢰성을 입증하는 경험을 했습니다. 두번째는 열유동 분석을 통한 문제해결 능력입니다. 차량의 열적 신뢰성 확보를 위해 컨트롤러 작동 한계 온도 80°C를 기준으로 냉각 시스템을 설계했습니다. 과거 기온 데이터를 분석해 라디에이터 냉각량을 해석으로 도출하고, Haaland 및 Dalcy-Weisbach 식 기반 압력 강하 및 유속 계산기를 제작해 두 변수의 트레이드오프 관계를 최적화하여 구간별 호스 직경을 도출했습니다. 세번째는 유관부서와의 협업 역량입니다. 제어팀이 모터 스펙 확인에 어려움을 겪어, 직접 모터 다이나모 마운트를 제작해 제공함으로써 성공적인 데이터 도출을 이끌어냈습니다. 이 데이터를 기반으로 최적의 기어비를 도출했습니다. 이를 통해 각자의 강점으로 서로를 도와 협업하는 경험을 했습니다. 이러한 데이터와 해석에 기반한 설계 최적화 강점으로 제품의 품질을 높이고 원가 경쟁력을 확보하겠습니다. 다양한 분야 전문가들과 협업해 핵심 가전의 구조 및 성능을 개선하여 차별화된 고객 경험을 완성하는 엔지니어로 성장하겠습니다. 2. 데이터 및 AI 등 디지털 도구를 활용하여 문제를 해결·개선하거나, 새로운 방법을 제안하여 기존 방식보다 더 나은 결과를 만들어낸 경험에 대해 기술해 주십시오. [디지털 툴을 통한 제품 신뢰도 확보] 새로운 구조 최적화와 실험 데이터/해석 연계를 통해 제품 설계 시 발생하는 복합 문제를 개선하고 사전에 검증하는 역량을 길렀습니다. 종합설계 프로젝트에서 사각 접힘구조 오리가미 크래시박스 설계변수를 최적화하고 성능 예측 AI 모델을 개발했습니다. 기존 크래시박스는 단순한 형상으로 에너지 흡수 성능에 한계가 있어 공정이 단순하고 흡수율이 높은 오리가미 구조를 연구했습니다. 선행연구는 압축 중 파단으로 실험과 해석 간 오차가 발생했으며, 서로 다른 설계변수의 27개 해석 데이터는 AI 학습에 부족했습니다. 이에 손상 모델을 반영한 ABAQUS 해석 모델을 도입하고 C4D10M 메쉬로 복잡한 형상의 해석 신뢰도를 확보했습니다. 과적합 방지를 위해 K-fold 기법을, 적은 데이터에 강한 Ridge 알고리즘을 적용했습니다. 결과적으로 단순 중공 대비 중량을 17.7% 줄이며 SEA를 356% 개선하는 설계변수를 도출했고, 두께가 SEA에 가장 큰 영향변수임을 도출하며 학습범위 내 AI 모델 정확도를 90% 이상 확보했습니다. AI를 활용한 설계 검증과 해석 시간 단축 가능성을 경험했습니다. 학부연구생 당시 금속판재 파단물성 연구를 수행했습니다. 선형해석으로는 소성변형의 극한 거동 파악이 어려웠습니다. UTM 실험으로 재료 물성을 확보하며 압축 파단시점 규명에 어려움을 겪어, AE 센서 음향 신호를 이미지로 변환해 AI에 학습시켜 파단 시점을 규명했습니다. 이후 S-S(또는 F-U)선도를 실험 데이터와 비교해 해석 신뢰성을 확보하고, 응력삼축비와 로드각 변화에 따른 파단변형률 선도를 도출해 기업으로부터 높은 평가를 받았습니다. 이를 통해 실험 데이터로 해석 신뢰도를 확보하는 법을 익혔습니다. 실험 데이터로 파단 특성을 분석해 해석 신뢰도를 확보하고, 해석 툴과 AI로 최적 구조를 도출한 경험을 HS사업부 기계 기구 설계 및 가상제품 개발 업무에 적용하겠습니다. 가상 검증 단계부터 복합 문제를 해결하여 제품 신뢰도를 높이겠습니다.