[論文レビュー] Back analysis of microplane model parameters using soft computing methods

Anna Kučerová, M. Lepš+1 more|ArXiv.org|Feb 10, 2009

Composite Material Mechanics被引用数 5

ひとこと要約

本稿では、ラテンハイパーキューブサンプリング、確率的感度解析、遺伝的アルゴリズムで訓練されたニューラルネットワークを用いたソフトコンピューティングフレームワークを提案し、コンクリートのマイクロプレーンモデルM4のパラメータを特定する。この手法は、直接的な有限要素シミュレーションの代わりに訓練済みの人工ニューラルネットワークを用いることで計算コストを低減し、$k_2$ や $c_{20}$ といった主要パラメータの予測において高い正確性を達成しているが、応力-歪み応答にほとんど影響を与えないため $c_3$ は特定されなかった。

ABSTRACT

A new procedure based on layered feed-forward neural networks for the microplane material model parameters identification is proposed in the present paper. Novelties are usage of the Latin Hypercube Sampling method for the generation of training sets, a systematic employment of stochastic sensitivity analysis and a genetic algorithm-based training of a neural network by an evolutionary algorithm. Advantages and disadvantages of this approach together with possible extensions are thoroughly discussed and analyzed.

研究の動機と目的

• マイクロプレーンM4コンクリートモデルは多数の現象的パラメータを必要とするが、その高い計算コストと信頼性の高いキャリブレーション手順の欠如に対処する。
• 時間のかかる試行錯誤によるキャリブレーションを回避する、効率的で自動化されたパラメータ同定手法を開発する。
• 進化アルゴリズムで訓練された人工ニューラルネットワークを活用し、シミュレートまたは実験的な応力-歪み応答から材料パラメータを予測する。
• 合成シミュレーションと実際の単軸圧縮試験データの両方を用いて手法を検証し、実現可能性と正確性を示す。
• 感度解析に基づき、どのパラメータが最も影響を及ぼし、どのパラメータが無視可能であるか（例：$c_3$）を特定する。

提案手法

• 訓練のための多様な入力パラメータセットを効率的に生成するため、ラテンハイパーキューブサンプリングを採用し、必要なシミュレーション回数を削減する。
• モンテカルロシミュレーションを用いた確率的感度解析により、各パラメータがモデル応答に与える影響を定量化する。
• GRADE遺伝的アルゴリズムを用いて、ネットワークの重みとトポロジーを最適化するように、段階的フィードフォワード人工ニューラルネットワークを訓練する。
• 感度解析からのシミュレートデータをニューラルネットワークのトレーニングセットとして使用し、独立したテストデータで検証する。
• 訓練済みのニューラルネットワークを用いて、実験的応力-歪み曲線（実際の単軸圧縮データを含む）から材料パラメータを予測する。
• 予測されたパラメータからのシミュレート応力-歪み曲線と、元の実験的またはシミュレートデータを比較することで、予測を検証する。

実験結果

リサーチクエスチョン

• RQ1 シミュレートされたマイクロプレーンモデル応答のデータで訓練されたニューラルネットワークは、M4モデルの入力パラメータを正確に予測できるか？
• RQ2 ラテンハイパーキューブサンプリングと確率的感度解析の組み合わせは、パラメータ同定の効率性と信頼性をどのように向上させるか？
• RQ3 個々のパラメータが応力-歪み応答に与える影響は何か？また、どのパラメータが無視可能であるか（例：$c_3$）？
• RQ4 直接的な有限要素解析と比較して、提案手法はパラメータキャリブレーションの計算負荷を低減できるか？
• RQ5 訓練済みのニューラルネットワークは、実際の実験データ（例：単軸圧縮試験）にどの程度一般化可能か？

主な発見

• 提案手法は、$c_3$ を除き、マイクロプレーンモデルM4のすべてのパラメータを正常に同定した。$c_3$ は応力-歪み応答にほとんど影響を与えないことが判明した。
• ニューラルネットワークは、ターゲット値 $748.857$ に対して $k_2 = 767.777$ を予測し、三軸圧縮シミュレーションにおいてほぼ完璧な正確性を示した。
• 実際の単軸圧縮データに対しては、$c_{20} = 5.27065$ が予測されたが、これはトレーニング範囲外であったが、観測データのばらつきと整合的であった。
• トレーニングプロセスでは過学習が最小限に抑えられ、誤差の変化がバックプロパゲーション中の安定した収束を示していた。
• ラテンハイパーキューブサンプリングにより必要なシミュレーション回数が削減されたが、合計計算コストは依然として高く、1台のPCで30回分の単軸試験に約25日を要した。
• 7台のコンピュータで並列処理を実行したところ、単軸試験では総時間1日未塔に、水圧および三軸試験では1日未塔に短縮された。