[論文レビュー] A Data-Driven Approach to Full-Field Damage and Failure Pattern Prediction in Microstructure-Dependent Composites using Deep Learning

Reza Sepasdar, Anuj Karpatne+1 more|arXiv (Cornell University)|Apr 9, 2021

Infrastructure Maintenance and Monitoring参考文献 28被引用数 7

ひとこと要約

本論文は、一方向炭素繊維強化ポリマー複合材料の微細構造幾何から、破壊後の全領域応力分布およびクラックパターンを予測するため、スタックド全畳み込みニューラルネットワークを用いた2段階のディープラーニングフレームワークを提案する。物理的制約を組み込んだ損失関数を用いて、4,500個の合成生成されたRVE（代表体積要素）で訓練されたモデルは、従来の有限要素法シミュレーションと比較して著しく計算コストを低減しつつ、複雑な損傷および破壊パターンを高い精度で予測できる。

ABSTRACT

An image-based deep learning framework is developed in this paper to predict damage and failure in microstructure-dependent composite materials. The work is motivated by the complexity and computational cost of high-fidelity simulations of such materials. The proposed deep learning framework predicts the post-failure full-field stress distribution and crack pattern in two-dimensional representations of the composites based on the geometry of microstructures. The material of interest is selected to be a high-performance unidirectional carbon fiber-reinforced polymer composite. The deep learning framework contains two stacked fully-convolutional networks, namely, Generator 1 and Generator 2, trained sequentially. First, Generator 1 learns to translate the microstructural geometry to the full-field post-failure stress distribution. Then, Generator 2 learns to translate the output of Generator 1 to the failure pattern. A physics-informed loss function is also designed and incorporated to further improve the performance of the proposed framework and facilitate the validation process. In order to provide a sufficiently large data set for training and validating the deep learning framework, 4500 microstructural representations are synthetically generated and simulated in an efficient finite element framework. It is shown that the proposed deep learning approach can effectively predict the composites' post-failure full-field stress distribution and failure pattern, two of the most complex phenomena to simulate in computational solid mechanics.

研究の動機と目的

• 微細構造依存性を持つ複合材料における損傷および破壊の高精度有限要素法シミュレーションの高い計算コストと複雑さに対処すること。
• 微細構造幾何から全領域破壊後応力分布および破壊パターンを予測できるサーモンモデルの開発。
• 物理的制約を組み込んだ損失関数を導入し、モデルの精度を向上させるとともに、力学的法則に従う検証を可能にすること。
• 一貫性のある材料挙動および破壊応答を有する4,500個の代表体積要素（RVE）からなる大規模な合成データセットの生成。
• ディープラーニングが不均質な複合材料における複雑な全領域機械的応答を予測する可能性を実証すること。

提案手法

• 2段階のディープラーニングフレームワークを採用：ジェネレータ1は微細構造幾何から全領域破壊後応力分布へマッピングする。
• ジェネレータ2はジェネレータ1の出力を入力とし、破壊パターン（クラック分布）を予測する。
• 空間分解能を保持し、階層的特徴を捉えるために、順次訓練される2つのスタックド全畳み込みネットワークを採用。
• 構成則に基づいた物理的制約を組み込んだ損失関数を設計し、Ramberg-Osgood硬化則、Tschoegl降伏基準、Simo-Ju損傷進化則を含む。
• 繊維-マトリックス界面の剥離をシミュレートするために、二重線形牽引力-分離則を有する接着ゾーンモデル（CZM）を用い、収束問題を回避するための人工的粘性を追加。
• 4,500個のRVEを合成的に生成し、高性能コンピュータクラスタ上での効率的なIGFEMフレームワークを用いてシミュレーションすることで、大規模かつ多様なトレーニングデータセットを構築。

実験結果

リサーチクエスチョン

• RQ1 微細構造幾何からのみ、微細構造依存性複合材料における全領域破壊後応力分布をディープラーニングモデルが高精度に予測できるか？
• RQ2 2段階のディープラーニングアーキテクチャは、応力場の予測から複雑なクラックパターンを効果的に予測できるか？
• RQ3 物理的制約を組み込んだ損失関数を組み込むことで、予測の精度および物理的整合性はどのように向上するか？
• RQ4 従来の有限要素法シミュレーションと比較して、データ駆動型サーモンモデルは計算コストをどの程度低減できるか？
• RQ5 多様な微細構造幾何に一般化できるか、同時に機械的忠実性を保持できるか？

主な発見

• 提案されたディープラーニングフレームワークは、複雑な応力集中領域でさえも高い空間分解能を維持して、全領域破壊後応力分布を正確に予測できた。
• 微細構造的特徴に基づいて、クラック発生および発展パターン（分岐や屈曲）を正確に捉えた。
• 物理的制約を組み込んだ損失関数の統合により、硬化則や損傷進化則などの基本的な力学的法則に整合した予測精度が著しく向上した。
• シミュレーション時間はFEMの数日から、RVE1個あたり数ミリ秒にまで短縮され、破壊挙動の迅速かつ大規模な予測が可能になった。
• 多様な微細構造にわたって良好な一般化性能を示し、繊維分布や配向の変動に対しても頑健であった。
• 4,500個の合成生成およびシミュレートされたRVEの使用により、一般化可能なモデルのトレーニングに十分なデータの多様性が確保された。