[論文レビュー] Predicting Mechanical Properties from Microstructure Images in Fiber-reinforced Polymers using Convolutional Neural Networks

Yixuan Sun, Imad Hanhan+2 more|arXiv (Cornell University)|Oct 7, 2020

Non-Destructive Testing TechniquesEngineering参考文献 36被引用数 19

ひとこと要約

本研究では、セグメンテーション処理済みトモグラフィー画像から2次元の繊維強化ポリマーのマイクロ構造断片の応力場を予測する、StressNetを基盤とする完全畳み込みニューラルネットワーク（FCNN）を提案する。1つの試料の有限要素（FE）シミュレーションデータで学習させたモデルは、FEの92.5時間に比べて数秒で応力分布を予測でき、繊維における高応力領域を正確に捉えている。これは、迅速な損傷部位同定の可能性を示唆している。

ABSTRACT

Evaluating the mechanical response of fiber-reinforced composites can be extremely time consuming and expensive. Machine learning (ML) techniques offer a means for faster predictions via models trained on existing input-output pairs and have exhibited success in composite research. This paper explores a fully convolutional neural network modified from StressNet, which was originally for lin-ear elastic materials and extended here for a non-linear finite element (FE) simulation to predict the stress field in 2D slices of segmented tomography images of a fiber-reinforced polymer specimen. The network was trained and evaluated on data generated from the FE simulations of the exact microstructure. The testing results show that the trained network accurately captures the characteristics of the stress distribution, especially on fibers, solely from the segmented microstructure images. The trained model can make predictions within seconds in a single forward pass on an ordinary laptop, given the input microstructure, compared to 92.5 hours to run the full FE simulation on a high-performance computing cluster. These results show promise in using ML techniques to conduct fast structural analysis for fiber-reinforced composites and suggest a corollary that the trained model can be used to identify the location of potential damage sites in fiber-reinforced polymers.

研究の動機と目的

• 計算コストの高い有限要素解析（FEA）に代わる機械学習を用いて、繊維強化ポリマーの機械的応答予測を高速化すること。
• 物理的モデルを明示的に必要とせず、マイクロ構造画像から応力場へのマッピングを学習するデータ駆動型モデルの開発。
• 訓練済みニューラルネットワークが、マイクロ構造的特徴のみに基づいて、初期損傷部位を同定できるかどうかの検討。
• 非線形で繊維強化ポリマー複合材料における、高速かつ高精度な応力場予測に深層学習を用いることの妥当性の評価。
• 特定の荷重条件下での1つのマイクロ構造試料で訓練されたモデルの一般化能力および限界の評価。

提案手法

• 線形弾性材料を想定して開発された元のStressNetを基盤とし、非線形有限要素（FE）シミュレーションに対応できるように、エンコーダ・デコーダ構造を有する完全畳み込みニューラルネットワーク（FCNN）を適応した。
• ネットワークは、1つの3次元繊維強化ポリマー試料の高精度FEシミュレーションから得られた2次元断面画像と、それに対応する応力場出力を用いて学習した。
• 入力データはセグメンテーション処理済みマイクログラフ（繊維相およびマトリックス相）であり、出力は予測される応力場、特にz方向の垂直応力σzzであった。
• 学習には4450万要素を有する1つの試料を用い、モデルの評価はテスト用マイクロ構造画像に対する1回の順伝播によるものであった。
• R²と予測された応力場とFEシミュレーション結果との視覚的比較を用いて評価し、特に繊維周辺の応力集中に注目した。
• 今後の拡張として、境界条件の多様化に対応するための条件付きGANや、ボリュメトリックな空間情報を保持するための3次元畳み込みを提案している。

実験結果

リサーチクエスチョン

• RQ1 2次元マイクロ構造画像のみを用いて、深層学習モデルが繊維強化ポリマー複合材料の応力場を正確に予測できるか？
• RQ2 FCNNの性能は、精度および推論速度の観点で、完全な有限要素シミュレーションと比較してどうなるか？
• RQ3 訓練済みモデルは、実験的に観察された初期損傷部位と相関する高応力領域を同定できるか？
• RQ4 特定の荷重条件下での1つのマイクロ構造試料で訓練されたモデルは、他の複合材料や荷重条件への一般化能力にどのような限界を示すか？
• RQ5 モデルの予測は、異なる境界条件や3次元マイクロ構造へどの程度拡張可能か？

主な発見

• 訓練済みFCNNはテストセットでR²=0.69を達成し、真のFEシミュレーション応力場の分散の69%を説明した。
• モデルは繊維における応力集中を正確に捉えており、実験的に観察された初期損傷部位に対応する領域でも顕著であった。
• 標準ラップトップ上で推論に1秒未塔で実行されたのに対し、高性能クラスタ上で完全なFEシミュレーションには92.5時間が必要であった。
• モデルは、xy面に位置するマイクロ構造断面からz方向の応力σzzを予測する際に最も優れた性能を示した。
• 繊維周辺の応力集中において視覚的に良好な一致を示したが、1試料のみで学習したため、グローバルな応力場の変動を捉える能力に限界が見られた。
• 本研究では、このようなモデルがマイクロ構造の情報のみを用いて、繊維強化ポリマーにおける損傷始発部位を同定するのに利用可能であるという副次的結論が示唆された。