[論文レビュー] Deep Learning for Stress Field Prediction Using Convolutional Neural Networks.

Zhenguo Nie, Haoliang Jiang+1 more|arXiv (Cornell University)|Aug 27, 2018

Advanced machining processes and optimization参考文献 14被引用数 5

ひとこと要約

本論文では、弾性材料内の応力場を予測するために畳み込みニューラルネットワークを用いた2つのディープラーニングモデル—FR-CNNおよびSE-Res-FCN—を提案する。SE-Res-FCNモデルは平均相対誤差0.25%を達成し、MSEおよびMAEが著しく低く、構造設計用途における高い精度と計算効率を示している。

ABSTRACT

This research presents a deep learning based approach to predict stress fields in the solid material elastic deformation using convolutional neural networks (CNN). Two different architectures are proposed to solve the problem. One is Feature Representation embedded Convolutional Neural Network (FR-CNN) with a single input channel, and the other is Squeeze-and-Excitation Residual network modules embedded Fully Convolutional Neural network (SE-Res-FCN) with multiple input channels. Both the tow architectures are stable and converged reliably in training and testing on GPUs. Accuracy analysis shows that SE-Res-FCN has a significantly smaller mean squared error (MSE) and mean absolute error (MAE) than FR-CNN. Mean relative error (MRE) of the SE-Res-FCN model is about 0.25% with respect to the average ground truth. The validation results indicate that the SE-Res-FCN model can accurately predict the stress field. For stress field prediction, the hierarchical architecture becomes deeper within certain limits, and then its prediction becomes more accurate. Fully trained deep learning models have higher computational efficiency over conventional FEM models, so they have great foreground and potential in structural design and topology optimization.

研究の動機と目的

• 弾性変形を受ける固体材料内の応力場を正確に予測できるディープラーニングモデルの開発。
• 従来の有限要素法（FEM）の限界を克服し、計算効率を向上させること。
• ネットワークアーキテクチャの深さおよびマルチチャネル入力の予測精度への影響を調査すること。
• 応力場予測における2つの異なるCNNアーキテクチャ—FR-CNNおよびSE-Res-FCN—の性能を比較すること。
• 構造設計およびトポロジー最適化におけるFEMの高効率代替手段としてのディープラーニングモデルの実現可能性を評価すること。

提案手法

• 変形データからの応力場パターンを学習するための単一入力チャネルを備えた特徴表現埋め込みCNN（FR-CNN）を提案する。
• 特徴表現の向上と勾配の流れの改善を目的として、複数の入力チャネルを備えた圧縮・拡張残差完全畳み込みネットワーク（SE-Res-FCN）を導入する。
• 訓練の安定化とより深いネットワークアーキテクチャの実現を目的として、残差接続を採用する。
• チャネルごとの重要度に基づいて特徴マップを再キャリブレーションするため、圧縮・拡張モジュールを統合する。
• 有限要素シミュレーションから生成された真値応力場を用いて、GPU上で教師あり学習により両モデルを訓練する。
• 損失関数として平均二乗誤差（MSE）および平均絶対誤差（MAE）を用い、主な評価指標として平均相対誤差（MRE）を採用する。

実験結果

リサーチクエスチョン

• RQ1 異なるCNNアーキテクチャは、弾性材料内の応力場予測精度にどのように影響するか？
• RQ2 ディープラーニングモデルは、従来のFEMよりも低い予測誤差を達成しつつ、計算効率を維持できるか？
• RQ3 複数の入力チャネルおよび残差接続の使用は、モデルの収束性および性能にどのような影響を及えるか？
• RQ4 提案されたアーキテクチャ内でのネットワークの深さを増加させることで、予測精度はどのように変化するか？
• RQ5 SE-Res-FCNは、FR-CNNに比べて応力場予測における平均相対誤差をどの程度低減できるか？

主な発見

• SE-Res-FCNモデルは、真値の平均に対する平均相対誤差（MRE）が0.25%に達し、高い予測精度を示している。
• SE-Res-FCNはFR-CNNに比べて顕著に低い平均二乗誤差（MSE）および平均絶対誤差（MAE）を示しており、優れた回帰性能を確認した。
• 両モデルともGPU上で訓練およびテストの過程で安定して収束し、強力な安定性と再現性を示している。
• モデル内の階層的で深いアーキテクチャは、ある深さの限界まで予測精度を向上させる。
• 完全に訓練されたディープラーニングモデルは、従来の有限要素法（FEM）モデルに比べて高い計算効率を示した。
• SE-Res-FCNモデルは、その精度と高速性のおかげで、構造設計およびトポロジー最適化への応用において強い可能性を示している。