[論文レビュー] Augmentation of scarce data -- a new approach for deep-learning modeling of composites

Hon Cheung, Petter Uvdal+1 more|arXiv (Cornell University)|Nov 24, 2023

Composite Material Mechanics被引用数 5

ひとこと要約

本論文では、短繊維強化複合材料（SFRC）の深層学習モデルを訓練するための限られたデータセットを拡張するために、高精度な微視的力学的シミュレーションのランダム回転を用いた新しいデータ拡張技術を提案する。元の応力-ひずみデータを複数の座標系にわたって回転させることで、非線形な弾塑性挙動予測において再帰的ニューラルネットワーク（RNN）の性能が顕著に向上し、20回の拡張された回転によって、全領域シミュレーションとほぼ完全に一致する結果が得られた。

ABSTRACT

High-fidelity full-field micro-mechanical modeling of the non-linear path-dependent materials demands a substantial computational effort. Recent trends in the field incorporates data-driven Artificial Neural Networks (ANNs) as surrogate models. However, ANNs are inherently data-hungry, functioning as a bottleneck for the development of high-fidelity data-driven models. This study introduces a novel approach for data augmentation, expanding an original dataset without additional computational simulations. A Recurrent Neural Network (RNN) was trained and validated on high-fidelity micro-mechanical simulations of elasto-plastic short fiber reinforced composites. The obtained results showed a considerable improvement of the network predictions trained on expanded datasets using the proposed data augmentation approach. The proposed method for augmentation of scarce data may be used not only for other kind of composites, but also for other materials and at different length scales, and hence, opening avenues for innovative data-driven models in materials science and computational mechanics.

研究の動機と目的

• 短繊維強化複合材料（SFRC）の高精度な微視的力学的シミュレーションの深層学習モデルを訓練するうえで顕著なデータ不足という根本的ブottleneckを解消すること。
• SFRCにおける経路依存的で非線形な弾塑性挙動をモデル化するために用いられる再帰的ニューラルネットワーク（RNN）のデータ集約性の高さを克服すること。
• 追加の計算的・実験的シミュレーションを要せず、限られた高精度なシミュレーションデータセットを拡張するデータ拡張戦略を開発すること。
• 航空宇宙や自動車設計などの産業応用を想定し、SFRCの正確で高速なサーヴィエートモデルを実現すること。
• 本手法を短繊維複合材料にとどまらず、他の材料やスケールに一般化すること。

提案手法

• 有限要素法（FE）または高速フーリエ変換法（FFT）を用いて、弾塑性短繊維強化複合材料の高精度な微視的力学的シミュレーションに基づき、再帰的ニューラルネットワーク（RNN）を学習する。
• 複数の座標系にわたって元の応力-ひずみデータにランダム回転を適用し、拡張されたトレーニングデータセットを生成する。
• 入力および出力データ（例：応力およびひずみ成分）を元の座標系から回転させた参照フレームに変換することで、データセットの多様性を向上させる。
• 拡張されたデータセットを用いてRNNを再学習・検証し、元のデータセットとの性能を比較する。
• 単軸および両軸引張のケースを用いてモデルの性能を評価し、予測された応力-ひずみ曲線およびvon Mises応力と参照FE/FFTシミュレーションを比較する。
• 増幅レベルの違い（例：3回対20回の回転）がモデルの精度および収束性に与える影響を評価する。

実験結果

リサーチクエスチョン

• RQ1 回転によるデータ拡張は、限られた高精度な弾塑性SFRCのシミュレーションデータに基づいて学習されたRNNの一般化性能および予測精度を顕著に向上させることができるか？
• RQ2 回転されたデータ設定の数を増やすことで、RNNの予測と参照の全領域シミュレーションとの乖離がどの程度減少するか？
• RQ3 本手法は、追加のシミュレーションを要せず、非線形材料の経路依存的挙動を適切に保持できるか？
• RQ4 本手法は、他の複合材料、金属、ポリマー、さらには低スケールでの分子動力学シミュレーションにも一般化可能か？
• RQ5 ランダム回転が最適なデータ拡張を提供するか、それとも体系的な回転戦略の方がより優れた結果をもたらすか？

主な発見

• 元のデータセットで学習したRNNは、単軸応力シミュレーションにおけるサイクル荷重曲線の形状を正確に捉えられなかった。
• 回転されたデータ設定の数が増えるにつれて、RNNの予測結果は参照のFE/FFTシミュレーションに次第に一致し、20回の回転ではほぼ完全な一致が得られた。
• 単軸引張のケースでは、20の拡張データセットで学習したネットワークが、シミュレーション結果の応力-ひずみ応答をよく再現しており、非線形的かつ経路依存的な挙動の学習が向上していることが示された。
• 両軸引張のケースでは、拡張済みRNNが予測したvon Mises応力が参照シミュレーションとよく一致しており、複雑な荷重経路においても堅牢性が確認された。
• 提案されたデータ拡張法は、複合材料の深層学習におけるデータ不足のブottleneckを効果的に緩和し、高価なシミュレーションや実験への依存を低減した。
• 本手法はSFRCにとどまらず、他の材料やスケールへも適用可能であり、将来的には分子動力学やその他のマルチスケールモデリング応用にも応用可能である。