[論文レビュー] Intelligent multiscale simulation based on process-guided composite database

Zeliang Liu, Haoyan Wei+2 more|arXiv (Cornell University)|Mar 20, 2020

Composite Material Mechanics参考文献 46被引用数 20

ひとこと要約

本稿では、プロセスガイドド複合材料データベースを用いて、射出成形された短繊維強化複合材料のための知能的マルチスケールシミュレーションフレームワークを提案する。確率的RVE生成、ディープマテリアルネットワーク（DMN）学習、および同時マルチスケールFEMを統合することで、スケールをまたいで非線形的で異方的な材料挙動を正確に、物理法則に整合した予測が可能となり、トランスファーラーニングにより一元的かつ外挿可能な材料データベースを実現する。

ABSTRACT

In the paper, we present an integrated data-driven modeling framework based on process modeling, material homogenization, mechanistic machine learning, and concurrent multiscale simulation. We are interested in the injection-molded short fiber reinforced composites, which have been identified as key material systems in automotive, aerospace, and electronics industries. The molding process induces spatially varying microstructures across various length scales, while the resulting strongly anisotropic and nonlinear material properties are still challenging to be captured by conventional modeling approaches. To prepare the linear elastic training data for our machine learning tasks, Representative Volume Elements (RVE) with different fiber orientations and volume fractions are generated through stochastic reconstruction. More importantly, we utilize the recently proposed Deep Material Network (DMN) to learn the hidden microscale morphologies from data. With essential physics embedded in its building blocks, this data-driven material model can be extrapolated to predict nonlinear material behaviors efficiently and accurately. Through the transfer learning of DMN, we create a unified process-guided material database that covers a full range of geometric descriptors for short fiber reinforced composites. Finally, this unified DMN database is implemented and coupled with macroscale finite element model to enable concurrent multiscale simulations. From our perspective, the proposed framework is also promising in many other emergent multiscale engineering systems, such as additive manufacturing and compressive molding.

研究の動機と目的

• 射出成形された短繊維強化複合材料における空間的に変化する微細組織および異方的・非線形的機械的挙動をモデル化する課題に対処すること。
• 複雑な微細構造形態の影響を複数スケールにわたって捉えるデータ駆動型で物理法則に整合したモデリングフレームワークを開発すること。
• ディープラーニングを用いて、一元的かつ移譲可能な材料データベースを構築することで、効率的かつ正確な同時マルチスケールシミュレーションを可能にすること。
• 繊維配向度や体積分率といったプロセス由来の幾何的記述子を、スケーラブルで予測可能な材料モデリングパイプラインに統合すること。

提案手法

• 異なる繊維配向度および体積分率を有する代表体積要素（RVE）の確率的再構築により、線形弾性のトレーニングデータを生成する。
• 物理法則に統合された機械学習モデルたるディープマテリアルネットワーク（DMN）を適用し、データから隠れた微細構造を学習する。
• DMNの構築ブロックに物理法則を組み込むことで、トレーニングデータを超えた外挿能力を保証する。
• トランスファーラーニングを活用し、多様な幾何的記述子を統合して、1つの包括的でプロセスガイドドの材料データベースにDMNモデルを統一化する。
• 学習されたDMNデータベースをマクロスケールの有限要素モデルと結合し、同時マルチスケールシミュレーションを実現する。
• 複雑な荷重下における非線形的・異方的応答をシミュレートするために、射出成形複合材料を対象にフレームワークを検証する。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型マルチスケールフレームワークは、射出成形された短繊維複合材料の非線形的・異方的機械的挙動をどれほど正確に予測できるか？
• RQ2 DMNのような物理法則に統合されたディープラーニングモデルは、未学習の微細構造配置にどれほど一般化可能か？
• RQ3 多様な幾何的記述子をスケールをまたいで統合し、効率的なシミュレーションを可能にするプロセスガイドド複合材料データベースを構築できるか？
• RQ4 DMNと有限要素法の統合は、正確な同時マルチスケールシミュレーションをどのように可能にするか？

主な発見

• 提案されたフレームワークは、確率的RVE生成により、射出成形プロセスによって誘発される複雑で空間的に変化する微細組織を効果的に捉えている。
• DMNモデルは、そのアーキテクチャに物理法則を組み込んでいるため、トレーニングデータを超えた非線形的材料挙動の外挿能力が顕著に高い。
• トランスファーラーニングにより、繊維配向度および体積分率の全範囲をカバーする一元的でプロセスガイドドの材料データベースが構築可能である。
• DMNデータベースを用いた同時マルチスケールシミュレーションは、短繊維複合材料のマクロスケール応答を高精度かつ高効率に予測している。
• 本フレームワークは一般化可能であり、アディティブマニュファクチャリングや圧縮成形などの他の新興マルチスケールシステムに対しても適用可能である。