[論文レビュー] Data-driven discovery of roughness descriptors for surface characterization and intimate contact modeling of unidirectional composite tapes

Sebastian Rodriguez, Mikhael Tannous+4 more|arXiv (Cornell University)|Mar 20, 2026

Epoxy Resin Curing Processes被引用数 0

ひとこと要約

論文は Rank Reduction Autoencoders (RRAEs) を用いて、微細およびマクロ粗さ成分を用いて tape 表面を分類し、2D テープ表面の圧縮中の密接接触の進化を予測するためのコンパクトな粗さ記述子を抽出する。

ABSTRACT

Unidirectional tapes surface roughness determines the evolution of the degree of intimate contact required for ensuring the thermoplastic molecular diffusion and the associated inter-tapes consolidation during manufacturing of composite structures. However, usual characterization of rough surfaces relies on statistical descriptors that even if they are able to represent the surface topology, they are not necessarily connected with the physics occurring at the interface during inter-tape consolidation. Thus, a key research question could be formulated as follows: Which roughness descriptors simultaneously enable tape classification-crucial for process control-and consolidation modeling via the inference of the evolution of the degree of intimate contact, itself governed by the process parameters?. For providing a valuable response, we propose a novel strategy based on the use of Rank Reduction Autoencoders (RRAEs), autoencoders with a linear latent vector space enforced by applying a truncated Singular Value Decomposition (SVD) to the latent matrix during the encoder-decoder training. In this work, we extract useful roughness descriptors by enforcing the latent SVD modes to (i) accurately represent the roughness after decoding, and (ii) allow the extraction of existing a priori knowledge such as classification or modelling properties.

研究の動機と目的

• 表面トポロジーと加工条件下の密着接触の進化を結ぶデータ駆動型フレームワークを開発する。
• 粗さ記述子を同定し、テープ分類と固結化モデリングを可能にする。
• RRAE による線形潜在空間が、マクロ粗さとマイクロ粗さのスケールを横断する物理駆動特徴を捉えられることを示す。

提案手法

• 潜在層で切断型 SVD によって線形潜在空間を強制した Rank Reduction Autoencoders (RRAE) を用い、記述子を学習する。
• 粗さプロファイルを h^j、およびマイクロ粗さ mu^j（マクロは除去）として別々に分析する。
• 潜在記述子上で分類ブランチを訓練し、テープクラス（プロバイダ）を予測する。
• RRAE を拡張して、2つ目の MLP ブランチを用いて時間分解された密接接触度（DIC）を予測する。
• 再構成と勾配フローを改善するために mu の正規化と、必要に応じて標準化を行う。
• 等温・一定速の圧縮中にセルオートマトンで DIC の時間発展をシミュレートし、それを DIC 予測の訓練に用いる。

(a) Macro-roughness profile.

実験結果

リサーチクエスチョン

• RQ1 マクロおよびマイクロ粗さスケール全体で、正確なテープ分類を可能にする粗さ記述子はどれか？
• RQ2 表面再構成と物理駆動の固結化（DIC）進化の両方を符号化できる線形潜在空間は作れるか？
• RQ3 潜在特徴数(k_max) は、テープの共同分類と DIC 進化予測を十分に行えるのにいくつあるか？
• RQ4 分離した潜在表現は、分類と DIC 予測の結合性能を改善するか？

主な発見

• 完全な粗さプロファイルを用いた場合、1つの潜在記述子で完璧な分類が可能である。
• マイクロ粗さのみのほぼ完璧な分類には、4つの潜在記述子で十分である。
• k_max = 5 のとき、モデルは粗さを正確に再構成し、テープを分類し、DIC 進化を平均誤差約2%で予測する。
• k_max = 6 以上へ増やすと利益は限定的であり、k_max = 4 は精度を低下させ、誤分類を招く可能性がある。
• DIC 予測誤差は delta_DIC で定量化され、テストケースの平均は約 2%、外れ値は 10% を超えるケースが少数存在する。

(b) Associated micro-roughness after removing the dominant geometrical feature.