[論文レビュー] Predicting the mechanical response of oligocrystals with deep learning

Ari Frankel, Reese E. Jones+2 more|arXiv (Cornell University)|Jan 30, 2019

Composite Material Mechanics参考文献 58被引用数 5

ひとこと要約

本稿では、初期の微細組織画像から学習することで、数10個の結晶子を有する多結晶体（oligocrystals）の機械的応答を予測するハイブリッド畳み込み・再帰型ニューラルネットワークを提案する。このモデルは、計算コストを著しく低減した上で、結晶塑性有限要素解析と同等の精度を達成し、弾性応答、降伏の発生、塑性変形を捉えることができ、古典的均質化理論に比べて局所的な結晶子の配置やテクスチャーに対する感受性が向上している。

ABSTRACT

In this work we employ data-driven homogenization approaches to predict the particular mechanical evolution of polycrystalline aggregates with tens of individual crystals. In these oligocrystals the differences in stress response due to microstructural variation is pronounced. Shell-like structures produced by metal-based additive manufacturing and the like make the prediction of the behavior of oligocrystals technologically relevant. The predictions of traditional homogenization theories based on grain volumes are not sensitive to variations in local grain neighborhoods. Direct simulation of the local response with crystal plasticity finite element methods is more detailed, but the computations are expensive. To represent the stress-strain response of a polycrystalline sample given its initial grain texture and morphology we have designed a novel neural network that incorporates a convolution component to observe and reduce the information in the crystal texture field and a recursive component to represent the causal nature of the history information. This model exhibits accuracy on par with crystal plasticity simulations at minimal computational cost per prediction.

研究の動機と目的

• 結晶子数が限られた多結晶体における機械的応答のばらつきを予測する課題に取り組むこと。この場合、微細組織の詳細が応答に強く影響を与える。
• 局所的な結晶子周囲の影響を無視し、平均的な結晶子特性に依存する古典的均質化理論の限界を克服すること。
• 履歴依存的な塑性変形を最小限の計算コストで捉えるデータ駆動型代理モデルを開発すること。
• 金属ベースの添加製造に関連する現実的で複雑な微細組織における応力-ひずみ挙動を効率的に予測すること。
• 潜在空間における学習済み表現の解釈可能性を検討し、微細組織-性質関係に関する物理的洞察を明らかにすること。

提案手法

• ハイブリッドニューラルネットワークアーキテクチャは、初期微細組織画像からの空間的特徴を抽出する畳み込みニューラルネットワーク（CNN）と、履歴依存的な塑性応答をモデル化する長短記憶（LSTM）再帰型ネットワークを組み合わせる。
• CNNは結晶子の形態、方位、トポロジーの2次元画像を処理し、局所的な微細組織情報をコンactな潜在表現にエンコードする。
• LSTM部は、連続する変形状態を処理することで、Viscoplastic流動における記憶効果を捉えることで、応力-ひずみ応答の因果的進化をモデル化する。
• モデルは、多様な初期微細組織を有する結晶塑性有限要素シミュレーションの大規模データセット上で学習され、応力およびひずみの予測誤差を最小化する損失関数が使用される。
• モデルの性能は、古典的均質化モデル（Voigt, Reuss, Taylor, Sachs）と比較され、相関係数（R）およびバイアス指標を用いて評価される。
• 次世代のツールとして、潜在空間における結晶子構造表現の次元削減を可能にするオートエンコーダーの導入が提案されている。

実験結果

リサーチクエスチョン

• RQ1 微細組織の詳細が変形に強く影響を与える数10個の結晶子を有する多結晶体の機械的応答を、深層学習モデルが高精度に予測できるか？
• RQ2 ハイブリッドCNN-LSTMモデルの性能は、弾性および塑性応答予測において、古典的均質化理論と比較してどの程度優れているか？
• RQ3 体積平均理論が無視する局所的微細組織効果（結晶子の周囲状態やトポロジー）を、モデルがどの程度捉えているか？
• RQ4 異なる初期の結晶子テクスチャーおよび形態に対しても、モデルは一般化可能でありながら、計算コストを最小限に抑えられるか？
• RQ5 CNN部が学習した潜在表現は、どのように解釈可能となり、機械的ばらつきの物理的要因を明らかにするか？

主な発見

• ハイブリッドCNN-LSTMモデルは、弾性領域および塑性領域において、結晶塑性シミュレーションとそれぞれ0.85および0.83の相関係数（R）を達成し、古典的モデルに比べて精度とバイアスの両面で優れている。
• モデルは塑性変形の発生およびその後の流れを高い忠実度で予測するが、再帰部の誤差蓄積のため、完全に塑性状態に達した領域ではやや精度が低下する。
• モデルの推論時間は1回の予測あたり数ミリ秒であり、結晶塑性有限要素シミュレーションが要する数分の1000分の1程度の高速さである。
• モデルは、スリップ系の知識を明示的に持たないにもかかわらず、TaylorおよびSachsモデルの平均値よりも優れた性能を示し、バイアスは低く、相関係数は高い。
• TaylorおよびSachsモデルはニューラルネットワークに比べてバイアスが高く、Sachsモデルは精度はやや優れているがバイアスが増加している。一方、Voigt-Reuss-Hill平均はニューラルネットワークに劣る性能を示している。
• 本研究では、潜在空間における結晶子構造表現の次元削減を可能にするオートエンコーダーの導入が、より効率的な学習と解釈可能性の向上に寄与すると示唆されている。