[論文レビュー] Crack-Net: Prediction of Crack Propagation in Composites

Hao Xu, Wei Fan+4 more|arXiv (Cornell University)|Sep 24, 2023

Numerical methods in engineeringEngineering被引用数 3

ひとこと要約

Crack-Net は、微細構造、応力場、亀裂進化の関係を学習することで、複合材料における亀裂の成長および応力-ひずみ応答を予測するディープラーニングフレームワークである。高精度なフェーズフィールドシミュレーションデータで訓練された本モデルは、トランスファー学習を活用することで異なる材料タイプへの一般化を向上させ、二成分共通相構造を含む複雑な微細構造に対しても、長期的な亀裂成長を正確かつ高速に予測することが可能である。

ABSTRACT

Computational solid mechanics has become an indispensable approach in engineering, and numerical investigation of fracture in composites is essential as composites are widely used in structural applications. Crack evolution in composites is the bridge to elucidate the relationship between the microstructure and fracture performance, but crack-based finite element methods are computationally expensive and time-consuming, limiting their application in computation-intensive scenarios. Here we propose a deep learning framework called Crack-Net, which incorporates the relationship between crack evolution and stress response to predict the fracture process in composites. Trained on a high-precision fracture development dataset generated using the phase field method, Crack-Net demonstrates a remarkable capability to accurately forecast the long-term evolution of crack growth patterns and the stress-strain curve for a given composite design. The Crack-Net captures the essential principle of crack growth, which enables it to handle more complex microstructures such as binary co-continuous structures. Moreover, transfer learning is adopted to further improve the generalization ability of Crack-Net for composite materials with reinforcements of different strengths. The proposed Crack-Net holds great promise for practical applications in engineering and materials science, in which accurate and efficient fracture prediction is crucial for optimizing material performance and microstructural design.

研究の動機と目的

• 複合材料における亀裂成長をシミュレートする従来の有限要素法の計算コストを低減すること。
• 応力場と微細構造から破壊の物理的挙動を捉えるデータ駆動型フレームワークを開発すること。
• 多様な複合材料設計における長期的亀裂成長パターンおよび応力-ひずみ曲線の効率的予測を可能にすること。
• 異なる強化材強度にわたる一般化を向上させるためにトランスファー学習を活用すること。
• 構造的複合材料における破壊性能予測の高速化を支援し、実用的な設計を支援すること。

提案手法

• Crack-Net は、入力としての微細構造と印加応力場から予測された亀裂経路および進化をマッピングするための畳み込みニューラルネットワーク（CNN）アーキテクチャを採用している。
• 本モデルは、フェーズフィールド法を用いて生成された大規模な破壊シミュレーションデータセットで訓練されており、亀裂の形状およびエネルギー散逸の高精度な再現を保証している。
• 入力特徴量には初期微細構造と応力分布が含まれ、出力は空間的な亀裂進化マップおよび対応する応力-ひずみ曲線である。
• 本フレームワークは、亀裂発生および進行に影響を与える重要な応力集中領域を強調するためのアテンション機構を組み込んでいる。
• トランスファー学習を活用して、強化材強度が異なる新しい複合材料系に対してモデルをファインチューニングし、ゼロショットおよび少数ショットの一般化性能を向上させている。
• 本モデルはフェーズフィールドシミュレーションとの比較による検証を経て、二成分共通相構造を含む複雑な微細構造でもテストされている。

実験結果

リサーチクエスチョン

• RQ1 初期微細構造と応力場から、ディープラーニングモデルが複合材料における長期的亀裂成長パターンを正確に予測できるか？
• RQ2 異なる強化材強度を有する複合材料微細構造へ、本モデルの一般化性能はどの程度高いか？
• RQ3 二成分共通相複合材料のような複雑な亀裂形状を、高い忠実度で捉えることができるか？
• RQ4 トランスファー学習が、未学習の複合材料系における予測精度をどの程度向上させるか？
• RQ5 亀裂進化と併せて、全応力-ひずみ応答を予測でき、性能評価が可能か？

主な発見

• Crack-Net は、計算的に高コストなフェーズフィールドシミュレーションとよく一致する高精度な亀裂経路および進化パターンの予測を達成している。
• 本モデルは、二成分共通相微細構造のような複雑な構造に対しても亀裂成長を正確に予測でき、形状の複雑さに対して高いロバスト性を示している。
• トランスファー学習により一般化性能が顕著に向上し、事前学習時に見未曾る強化材強度を有する複合材料に対しても正確な予測が可能になった。
• 従来の有限要素法と比較して、推論時間を数個のオーダー短縮でき、リアルタイムまたはニアリアルタイムの破壊解析が可能になった。
• 予測された応力-ひずみ曲線は、基準シミュレーションと強く一致しており、機械的応答と損傷進化の両方を正しく捉えていることが検証された。
• アテンションマップにより、重要な応力集中領域が明確に特定され、モデルが物理的に意味のある亀裂発生メカニズムを学習していることが裏付けられた。