[論文レビュー] A review on data-driven constitutive laws for solids

Jan N. Fuhg, Govinda Anantha Padmanabha+7 more|arXiv (Cornell University)|May 6, 2024

Elasticity and Material Modeling被引用数 4

ひとこと要約

本論文は、固体のデータ駆動型流れ則の包括的な分類体系を提示し、解釈可能性、学習タイプ、データ要件に基づいて機械学習手法およびモデルフリー手法を分類する。一般化、信頼性、低データ性能における主な課題を特定し、耐障害性の高い物理学に基づく材料モデリングを促進するため、標準化されたベンチマークと不確実性評価を提唱する。

ABSTRACT

This review article highlights state-of-the-art data-driven techniques to discover, encode, surrogate, or emulate constitutive laws that describe the path-independent and path-dependent response of solids. Our objective is to provide an organized taxonomy to a large spectrum of methodologies developed in the past decades and to discuss the benefits and drawbacks of the various techniques for interpreting and forecasting mechanics behavior across different scales. Distinguishing between machine-learning-based and model-free methods, we further categorize approaches based on their interpretability and on their learning process/type of required data, while discussing the key problems of generalization and trustworthiness. We attempt to provide a road map of how these can be reconciled in a data-availability-aware context. We also touch upon relevant aspects such as data sampling techniques, design of experiments, verification, and validation.

研究の動機と目的

• 近年の数十年にわたり開発されたデータ駆動型流れ則モデリング手法の広範な分野を体系的に整理・分類すること。
• データ駆動型材料モデリングにおける一般化、解釈可能性、信頼性の面で顕在する重要な課題に取り組むこと。
• 特に実験的・計算的力学で一般的な低データ環境において、データの可用性とモデル性能のギャップを埋めること。
• データ駆動型流れ則を従来の有限要素ソルバーに統合するためのロードマップを提示し、数値収束を保証すること。
• 客観的な評価を可能にするために、標準化されたデータセットとベンチマーク問題を提唱すること。

提案手法

• データ駆動型流れ則モデリングを機械学習ベースとモデルフリーのアプローチに分類し、解釈可能性と学習プロセスに基づいてさらに細分化する。
• 経路に依存しないおよび経路に依存する材料挙動を区別し、データから非可逆的メカニズムを学習する複雑さに焦点を当てる。
• 自動微分を用いたデータ駆動モデルと有限要素ソルバーの統合フレームワークを提案するが、性能のトレードオフに留意する。
• 大規模なトレーニングデータを生成するために、全領域の実験データ（例：DIC、DVC）および計算的均質化の活用を強調する。
• モデルの信頼性と後続シミュレーションの正確性を評価するため、不確実性評価（UQ）の必要性を提示する。
• 最小限のデータから複雑なモデルの同定性を最大化するために、最適化された実験設計と試験片形状の設計を推奨する。

Figure 4: TANNs proposed by [ 253 ]

実験結果

リサーチクエスチョン

• RQ1 解釈可能性、学習タイプ、データ要件に基づいて、データ駆動型流れ則を体系的に分類する方法は何か？
• RQ2 未知の荷重経路や材料挙動に適用された場合、データ駆動型モデルの一般化性と信頼性における主な制限要因は何か？
• RQ3 計算効率を損なわせることなく、データ駆動型流れ則モデルを有限要素ソルバーに効果的に統合する方法は何か？
• RQ4 不確実性評価（UQ）は、非線形力学問題におけるデータ駆動型モデルの検証において、どのような役割を果たすか？
• RQ5 最小限のデータで頑健なモデル発見を可能にするために、実験設計とデータサンプリングをどのように最適化できるか？

主な発見

• データ駆動型流れ則モデリングは、限られた経験的モデルから、全領域測定および計算的均質化によって可能になった大規模データ・ハイファイネススな手法へと進化した。
• 物理学に基づくニューラルネットワークやオペレーターレーニングを含む機械学習ベースの手法は、物理的制約を組み込むことでデータ要件を削減する可能性を示している。
• データ多様体上の補間を含むモデルフリー手法は、荷重経路が十分に複雑かつ包括的であれば、1回の試験で流れ則を発見できる。
• 低データ環境における頑健性は依然として主要な課題であり、現在の大きなデータセット志向のトレンドは、多くの工学的応用では実現可能ではない可能性がある。
• 非線形ソルバーの収束を保証しない限り、標準的な誤差指標だけでは不十分であるため、有限要素環境下での徹底的な検証が不可欠である。
• データ駆動型流れ則モデルの客観的評価を可能にするために、標準化されたベンチマークデータセット（例：RVEから生成された超弾性データ、全領域FEMシミュレーション）の開発が、コミュニティにとって急務である。