[論文レビュー] Predicting Stress-strain Behaviors of Additively Manufactured Materials via Loss-based and Activation-based Physics-informed Machine Learning

Chaorui Duan, Dazhong Wu|arXiv (Cornell University)|Mar 15, 2026

Machine Learning in Materials Science被引用数 0

ひとこと要約

物理情報を組み込んだMLフレームワーク（損失ベースと活性化ベース）は、弾性/塑性領域を分割しフックの法則、ヴォース/ホロマンの硬化、降伏点予測を埋め込むことでAM材料の応力-ひずみ曲線を予測する。活性化ベースのPIMLが最も高い精度を達成。

ABSTRACT

Predicting the stress-strain behaviors of additively manufactured materials is crucial for part qualification in additive manufacturing (AM). Conventional physics-based constitutive models often oversimplify material properties, while data-driven machine learning (ML) models often lack physical consistency and interpretability. To address these issues, we propose a physics-informed machine learning (PIML) framework to improve the predictive performance and physical consistency for predicting the stress-strain curves of additively manufactured polymers and metals. A polynomial regression model is used to predict the yield point from AM process parameters, then stress-strain curves are segmented into elastic and plastic regions. Two long short-term memory (LSTM) models are trained to predict two regions separately. For the elastic region, Hooke's law is embedded into the LSTM model for both polymer and metal. For the plastic region, Voce hardening law and Hollomon's law are embedded into the LSTM model for polymer and metal, respectively. The loss-based and activation-based PIML architectures are developed by embedding the physical laws into the loss and activation functions, respectively. The performance of the two PIML architectures are compared with two LSTM-based ML models, three additional ML models, and a physics-based constitutive model. These models are built on experimental data collected from two additively manufactured polymers (i.e., Nylon and carbon fiber-acrylonitrile butadiene styrene) and two additively manufactured metals (i.e., AlSi10Mg and Ti6Al4V). Experimental results demonstrate that two PIML architectures consistently outperform the other models. The segmental predictive model with activation-based PIML architecture achieves the lowest MAPE of 10.46+/-0.81% and the highest R^2 of 0.82+/-0.05 arocss four datasets.

研究の動機と目的

• AMポリマーと金属の応力-ひずみ挙動の正確な予測を、従来の構成モデルを超えて動機づける。
• 予測の物理的一貫性と解釈性を保持するPIMLフレームワークを開発する。
• 応力-ひずみ曲線を弾性領域と塑性領域に分割し、関連する物理法則をMLモデルに埋め込む。

提案手法

• AMプロセスパラメータから降伏点を多項式回帰モデルで予測する。
• 応力-ひずみ曲線を弾性領域と塑性領域に分割する。
• 弾性領域のLSTMをポリマーと金属の両方で個別に訓練する。
• 弾性領域のLSTMにフックの法則を埋め込む（ポリマーと金属の両方）。
• 塑性領域のLSTMにポリマーにはヴォース硬化、金属にはホロモンの法則を埋め込む。
• 物理法則を損失関数と活性化関数にそれぞれ埋め込むことで、損失ベースと活性化ベースのPIMLアーキテクチャを開発する。

実験結果

リサーチクエスチョン

• RQ1 物理情報を組み込んだMLは、従来のMLモデルや物理ベースの構成モデルと比べてAMの応力-ひずみ曲線の予測精度と物理的一貫性を改善できるか。
• RQ2 損失ベースと活性化ベースのPIMLアーキテクチャは、AM材料の弾性領域と塑性領域の予測でどう比較されるか。
• RQ3 活性化ベースのPIMLを用いた場合、異なるAM材料（ポリマーと金属）でのMAPE、R^2の精度向上はどの程度か。

主な発見

• 2つのPIMLアーキテクチャは4つのAMデータセット全体で他のモデルを一貫して上回る。
• 活性化ベースのセグメンテーションPIMLは最小MAPE10.46%±0.81と最大R^20.82±0.05を達成。
• 弾性領域の予測はLSTM内にフックの法則を組み込み、塑性領域の予測にはポリマーでヴォース硬化、金属でホロモンの法則を使用。
• データセットにはポリマーのナイロンとカーボンファイバー-ABS、金属のAlSi10MgとTi6Al4Vを含む。