[論文レビュー] Phase-Field Modeling of Fracture with Physics-Informed Deep Learning

M. Manav, R. Molinaro+2 more|arXiv (Cornell University)|Apr 19, 2024

Magnetic Properties and ApplicationsMaterials Science被引用数 3

ひとこと要約

本稿では、深層リーツ法（DRM）を用いた物理情報付き深層学習手法を提案し、相場数の破壊問題を解く。この手法により、核生成、亀裂の進行、屈曲、分岐、融合といった複雑な亀裂挙動の高精度なシミュレーションが可能になる。ベンチマーク問題において、有限要素法（FEA）と定量的に一致する結果が得られ、ネットワーク初期化にかかわらず安定性を示す。

ABSTRACT

We explore the potential of the deep Ritz method to learn complex fracture processes such as quasistatic crack nucleation, propagation, kinking, branching, and coalescence within the unified variational framework of phase-field modeling of brittle fracture. We elucidate the challenges related to the neural-network-based approximation of the energy landscape, and the ability of an optimization approach to reach the correct energy minimum, and we discuss the choices in the construction and training of the neural network which prove to be critical to accurately and efficiently capture all the relevant fracture phenomena. The developed method is applied to several benchmark problems and the results are shown to be in qualitative and quantitative agreement with the finite element solution. The robustness of the approach is tested by using neural networks with different initializations.

研究の動機と目的

• 相場数モデリングにおける複雑な破壊プロセスをシミュレートするための、強固なニューラルネットワークおよび最適化フレームワークの開発。
• 深層学習に基づく相場数破壊シミュレーションにおける非凸エネルギー面と正確なエネルギー最小化の課題への対処。
• 物理情報付きニューラルネットワークを用いて、急峻な勾配を示す結合された変位場および相場数を学習可能とする。
• 効率的なオンライン推論を可能とするパrametric相場数破壊問題の解法基盤の構築。
• DRMに基づく手法の性能および安定性を、多様な破壊現象において評価すること。

提案手法

• 強い形の偏微分方程式（PDE）を解くのではなく、深層リーツ法（DRM）を用いて、相場数破壊エネルギー汎関数を直接最小化する。
• 変位場および相場数を近似するために、修正されたReLU活性化関数を用いた全結合の順方向ニューラルネットワークを採用する。
• 損失関数には、領域全体にわたるエネルギー汎関数の積分に加え、境界条件および初期条件を強制する項が含まれる。
• 重み正則化および数値的勾配計算を適用し、学習の安定化と収束性の向上を図る。
• 非凸エネルギー面を効果的に探索できると判明したため、RPROP最適化アルゴリズムが選択された。
• 1つの設定で学習を行い、亀裂の核生成、進行、屈曲、分岐、融合といった多様な破壊現象を同時にシミュレートする。

Figure 1: Scheme of our deep Ritz method for the two-dimensional case (left); function constraining the phase field between 0 and 1 (right)

実験結果

リサーチクエスチョン

• RQ1 深層リーツ法は、ニューラルネットワークを用いて、相場数破壊モデリングにおける非凸エネルギー汎関数を効果的に最小化できるか？
• RQ2 ネットワークアーキテクチャおよび最適化手法の選択が、亀裂経路予測の精度および安定性にどのように影響するか？
• RQ3 1つのニューラルネットワークアーキテクチャが、分岐や融合を含む多様な破壊現象をどの程度正確に捉えることができるか？
• RQ4 DRMに基づく手法は、エネルギーの時間的変化および亀裂の形状的特徴において、有限要素法（FEA）と定量的に比較してどの程度優れているか？
• RQ5 異なるニューラルネットワーク初期化に対しても、複雑な破壊シミュレーションにおいて精度を維持できるか、安定性を示せるか？

主な発見

• 提案手法であるDRMベースのアプローチは、すべてのベンチマーク問題において、エネルギーの時間的変化および亀裂経路の形状的特徴について、有限要素法（FEA）と定量的に一致する結果を得た。
• この手法は、亀裂の核生成、進行、屈曲、分岐、融合といった複雑な破壊現象を、1つの統合フレームワーク内で的確に捉えることに成功した。
• 異なるネットワーク初期化により、亀裂進行の臨界荷重にわずかなばらつきが生じたが、エネルギー曲線はFEAと密接に一致しており、安定性が確認された。
• 相場数破壊に特徴的な非凸エネルギー面を扱う際、標準的なPINN手法に比べ、深層リーツ法が優れた性能を示した。
• FEAより計算コストは高くなる（訓練時間は最大で1桁長くなるが）、本手法は多様な破壊シナリオにわたり、安定的かつ一般化可能である。
• 8つのネットワーク初期化のうち2つが正しいエネルギー最小値に収束しなかったことから、最適化および初期化の選択が極めて重要であることが示された。

Figure 2: 1D bar problem: geometry and boundary conditions.