[論文レビュー] Novel anisotropic continuum-discrete damage model capable of representing localized failure of massive structures. Part II: identification from tests under heterogeneous stress field

Anna Kučerová, Delphine Brancherie+3 more|ArXiv.org|Feb 10, 2009

Fatigue and fracture mechanics参考文献 26被引用数 4

ひとこと要約

本稿では、非一様応力場下での三点曲げ試験を用いて、異方性連続体離散損傷モデルのパラメータを逐次的かつ物理的制約を組み込んだ同定手順を提示する。逆問題を弾性、硬化、降伏の3段階に分解し、適応的ニューラルネットワークベースの目的関数スムージングと実数コード遺伝的アルゴリズム（RGA）を組み合わせることで、弾性パラメータでは誤差3%未満、精密な停止精度を用いると1%未塔の高精度なパラメータ同定を達成する。

ABSTRACT

In Part I of this paper we have presented a simple model capable of describing the localized failure of a massive structure. In this part, we discuss the identification of the model parameters from two kinds of experiments: a uniaxial tensile test and a three-point bending test. The former is used only for illustration of material parameter response dependence, and we focus mostly upon the latter, discussing the inverse optimization problem for which the specimen is subjected to a heterogeneous stress field.

研究の動機と目的

• 非一様応力場下での実験データから構成モデルパラメータを同定する信頼性が高く、計算コストが低い手法の開発。
• 破壊的挙動が複雑に進展する準破壊材料の逆解析において生じる滑らかでない、非凸な目的関数の課題に対処。
• 損傷モデルの逐次的構造を活用することで、明確な物理的解釈を伴うモデルパラメータの高精度な同定を可能に。
• 100回の独立した最適化ランを用いた広範な数値的検証を通じて、同定手順の頑健性と信頼性を検証。

提案手法

• 同定プロセスは、構造挙動の異なる段階に対応する3段階の逐次的処理に分割される：弾性応答、硬化、降伏。
• 各段階において、支配的物理メカニズムに基づいて専用の目的関数が構築され、関連パラメータに対する高い感度を確保。
• 滑らかでない目的関数を適応的にスムージングするために、径路基底関数ネットワーク（RBFN）が使用され、最適化プロセスの収束性が向上。
• 非凸性やノイズに強く、最適解を安定して探索できるよう、実数コード遺伝的アルゴリズム（RGA）が採用。
• 各段階でシミュレーションデータのサブセットのみを用いるため、フルスケール最適化と比較して計算コストを顕著に削減。
• 本手法は100回の独立した最適化ランを実施し、停止精度を変化させた場合の参照荷重-たわみ曲線との照合を通じて検証された。

実験結果

リサーチクエスチョン

• RQ1 非一様応力場下での三点曲げ試験から、異方性連続体離散損傷モデルのパラメータを逐次的同定戦略で的確に同定できるか？
• RQ2 最適化プロセスにおける停止精度の選択が、同定された材料パラメータの精度にどのように影響するか？
• RQ3 メッシュの細分化が、同定されたパラメータの信頼性と精度にどの程度影響を及ぼすか？
• RQ4 滑らかでない、履歴依存的な目的関数を有する状況下で、RBFN支援最適化のようなソフトコンピューティング手法が、従来の勾配ベース手法を上回る性能を示せるか？
• RQ5 実際の実験ノイズと限られた計算リソース下でも、提案手法の同定手順は信頼性があるか？

主な発見

• 同定された弾性パラメータ（Eおよびν）の平均誤差は0.5%未塔、ポisson比の最大誤差は2.20%であり、弾性段階の高精度を裏付ける。
• 硬化パラメータ（σ̄fおよびK̄）に関しては、停止精度を10⁻²から10⁻³に低下させることで、平均誤差が0.87%から0.30%に減少し、参照曲線とのほぼ完全な一致が達成された。
• 降伏パラメータ（σ̄̄fおよびβ̄̄）は、停止精度を3×10⁻³にすることで、最大誤差が12.21%から2.68%に低下し、数値精度に高い感受性を示すことが判明。
• 100回の独立した最適化ランにおける最悪ケースの信頼性は76%に達し、関数呼び出し回数が限られた進化型アルゴリズムとしては満足できる水準である。
• メッシュの細分化はパラメータ推定誤差を低減し、適応的メッシュ生成と組み合わせたアプローチは、今後の有望な方向性であることが示された。
• 逐次的アプローチにより、部分的なシミュレーションデータの再利用と関連段階への最適化集中が可能となり、精度を損なわず計算コストの顕著な削減が達成された。