[論文レビュー] Physics-based Machine Learning for Computational Fracture Mechanics

Fadi Aldakheel, Elsayed S. Elsayed+2 more|ArXiv.org|Feb 13, 2025

Landslides and related hazards被引用数 3

ひとこと要約

この論文は、 governing equations と熱力学をニューラルネットワークに組み込み、脆性および延性の亀裂をモデル化する物理ベースの ML フレームワーク（phi ML）を提案し、期分界データで訓練し、限られたデータでもナイーブなデータ駆動モデルと比較して一般化性能が優れることを示す。

ABSTRACT

This study introduces a physics-based machine learning framework for modeling both brittle and ductile fractures. Unlike physics-informed neural networks, which solve partial differential equations by embedding physical laws as soft constraints in loss functions and enforcing boundary conditions via collocation points, our framework integrates physical principles, such as the governing equations and constraints, directly into the neural network architecture. This approach eliminates the dependency on problem-specific retraining for new boundary value problems, ensuring adaptability and consistency. By embedding constitutive behavior into the network's foundational design, our method represents a significant step toward unifying material modeling with machine learning for computational fracture mechanics. Specifically, a feedforward neural network is designed to embed physical laws within its architecture, ensuring thermodynamic consistency. Building on this foundation, synthetic datasets generated from finite element-based phase-field simulations are employed to train the proposed framework, focusing on capturing the homogeneous responses of brittle and ductile fractures. Detailed analyses are performed on the stored elastic energy and the dissipated work due to plasticity and fracture, demonstrating the capability of the framework to predict essential fracture features. The proposed physics-based machine learning framework overcomes the shortcomings of classical machine learning models, which rely heavily on large datasets and lack guarantees of physical principles. By leveraging its physics-integrated design, the physics-based machine learning framework demonstrates exceptional performance in predicting key properties of brittle and ductile fractures with limited training data.

研究の動機と目的

• 非線形条件下で信頼性のある亀裂モデルを限られたデータで必要性を動機づける。
• アーキテクチャ設計によって熱力学的一貫性を保証する phi ML フレームワークを開発する。
• 合成のフェーズ-field 亀裂データで phi ML モデルを訓練・検証し、脆性・延性挙動を捉える。
• 純粋なデータ駆動 FFNN ベースラインと精度および外挿性の観点で phi ML を評価する。
• 物理を学習プロセスへ組み込むアプローチの頑健性とデータ効率を示す。

提案手法

• 支配方程式と熱力学的一貫性を直接、順伝播ニューラルネットワークのアーキテクチャに埋め込む。
• 二つの従属サブネットワークを使用する：FFNN^{ε^p,d} は塑性ひずみとフェーズ-field を予測し、FFNN^{ψ} は自由エネルギーを予測する。
• 結合損失 L_total = L_σ + L_ψ + L_{ε^p} + L_d + L_D を用いて共同訓練し、D = ReLU(D_d) + ReLU(D_p) によって散逸の一貫性を課す。
• フェーズ-field の境界を修正 ReLU によって d を [0,1] に保つ。
• 脆性および延性の亀裂に対する有限要素ベースのフェーズ-field シミュレーションから合成訓練データを生成する。

実験結果

リサーチクエスチョン

• RQ1 物理ベースの ML モデルは限られたデータで応力・エネルギー・フェーズ-field・散逸などの脆性・延性亀裂変数を予測できるか。
• RQ2 物理情報を組み込んだアーキテクチャは、亀裂力学における一般化と熱力学的一貫性をナイーブなデータ駆動モデルより向上させるか。
• RQ3 phi ML はデータ不足と外挿（下限/上限）で純粋なデータ駆動 FFNN に比べてどのように性能を示すか。
• RQ4 成分挙動と履歴依存変数を埋め込むことが予測精度に与える影響は亀裂現象においてどうか。

主な発見

Region	R^2 (naive FFNN)	R^2 (phi ML)	MAPE (naive FFNN)	MAPE (phi ML)
Full Lower bound extrapolation	0.894	0.996	14.93%	3.18%
Full Interpolation	0.998	0.999	0.63%	0.41%
Full Upper bound extrapolation	0.998	0.999	3.13%	2.67%
Reduced Lower bound extrapolation	-2.48	0.901	17.56%	14.22%
Reduced Interpolation	0.179	0.997	58.53%	7.72%
Reduced Upper bound extrapolation	-0.182	0.991	81.09%	8.96%

• ナイーブな FFNN は一般化が困難で、特に外挿時やデータ削減時に R^2 が負またはほぼゼロ近く、MAPE が高い。
• phi ML モデルは、脆性亀裂の出力（エネルギー、応力、フェーズ-field、散逸）について、補間・外挿の両方でほぼ完璧な一致を達成（R^2 > 0.99、データ削減時でも）。
• 脆性亀裂では、完全データセットで phi ML の R^2 が 0.996–0.999、phi ML の MAPE が約 3.18% 一方、ナイーブ FFNN は 0.894–0.998、MAPE が 14.93–58.53%。
• 延性亀裂では、表と図は phi ML が限られたデータ下でも高い精度と頑健性を維持し、ナイーブモデルを上回る。
• 脆性ケース全体を通じて、phi ML フレームワークは物理を学習過程に組み込むことにより頑健性・信頼性・データ効率を示す。