[論文レビュー] Prediction of local elasto-plastic stress and strain fields in a two-phase composite microstructure using a deep convolutional neural network

Indrashish Saha, Ashwini Gupta+1 more|arXiv (Cornell University)|Oct 29, 2023

Non-Destructive Testing Techniques被引用数 4

ひとこと要約

本稿では、定められた荷重・解放パスに従う二相繊維強化プラスチック（FRP）複合材料における局所的な線形・非線形応力およびひずみ場を予測するため、3次元U-Net畳み込みニューラルネットワークを提案する。新規の2段階学習アプローチ（まずひずみ場を予測し、その後その予測値を用いて応力場を予測）を採用することで、平均相対誤差がひずみで1.6%未満、応力で5.9%未満の高い精度を達成し、有限要素法（FEM）と比較して予測速度が桁違いに向上した。

ABSTRACT

Design and analysis of inelastic materials requires prediction of physical responses that evolve under loading. Numerical simulation of such behavior using finite element (FE) approaches can call for significant time and computational effort. To address this challenge, this paper demonstrates a deep learning (DL) framework that is capable of predicting micro-scale elasto-plastic strains and stresses in a two-phase medium, at a much greater speed than traditional FE simulations. The proposed framework uses a deep convolutional neural network (CNN), specifically a U-Net architecture with 3D operations, to map the composite microstructure to the corresponding stress and strain fields under a predetermined load path. In particular, the model is applied to a two-phase fiber reinforced plastic (FRP) composite microstructure subjected to a given loading-unloading path, predicting the corresponding stress and strain fields at discrete intermediate load steps. A novel two-step training approach provides more accurate predictions of stress, by first training the model to predict strain fields and then using those strain fields as input to the model that predicts the stress fields. This efficient data-driven approach enables accurate prediction of physical fields in inelastic materials, based solely on microstructure images and loading information.

研究の動機と目的

• 複合材料の局所的な非線形応答を予測するための有限要素法（FEM）シミュレーションの高い計算コストに対処すること。
• 複雑な荷重経路下でのマイクロスケール応力およびひずみ場を正確に予測できるデータ駆動型補間モデルを開発すること。
• 従来の機械学習モデルが最終状態の場を予測するのみまたは線形挙動を仮定するという制限を克服すること。
• 非線形複合材料における荷重・解放サイクルの進行に伴う応力・ひずみ場の進化を、効率的かつリアルタイムに予測できること。
• 訓練データに含まれない多様なマイクロ構造（任意の繊維配置を含む）に一般化可能なフレームワークを確立すること。

提案手法

• 3次元U-Net畳み込みニューラルネットワークを用いて、マイクロ構造画像から全領域応力・ひずみテンソルマップへの画像対画像回帰を実行する。
• モデルは2段階の学習プロセスを経る：まずマイクロ構造と荷重経路からひずみ場を予測し、次にその予測値を入力として応力場を予測する。
• 学習データは、定められた荷重・解放パス下での二相FRP複合材料の高精度有限要素シミュレーションにより生成される。
• ネットワークアーキテクチャはスキップ接続と3次元畳み込みを活用し、空間分解能を保持するとともに、階層的なマイクロ構造的特徴を捉える。
• 損失関数は、予測値とFEMシミュレーション結果との間の平均相対誤差（RE）を最小化することで、局所的場の予測精度を高める。
• 一般化性能は、訓練時に見られなかったランダムな繊維配置を持つマイクロ構造を用いてテストされ、多様な構成に対して高いロバスト性を確認した。

実験結果

リサーチクエスチョン

• RQ1 既知の荷重・解放パス下における二相複合材料の局所的線形・非線形ひずみおよび応力場の進化を、深層学習モデルが正確に予測できるか？
• RQ2 まずひずみを予測し、その予測値を用いて応力を予測する2段階学習戦略は、エンドツーエンド学習と比較して予測精度を向上させるか？
• RQ3 未知のマイクロ構造に対して、FEMと比較してモデルの精度と計算速度はどの程度異なるか？
• RQ4 訓練時に見られなかった異なる繊維配置を持つ新たなマイクロ構造に対し、モデルはどの程度一般化できるか？
• RQ5 マルチスケールまたは不確実性評価フレームワークにこのモデルを導入する際、学習コストと推論速度のトレードオフはどのようなものか？

主な発見

• 荷重経路ではひずみ予測の最大平均相対誤差（RE）は約1.1%、解放経路では1.6%に留まる。
• 応力予測では、荷重経路で最大REが3.3%、解放経路で5.9%であり、未学習マイクロ構造に対しても中央値REは6%未満であった。
• ひずみ予測のR²値は0.73～0.98、応力予測では0.85～0.98の範囲にあり、FEM結果と強い一致を示した。
• 予測された平均応力-ひずみ挙動はFEMシミュレーションとよく一致しており、正確なマクロスケール挙動の再現が確認された。
• 塑性領域や解放領域においても、局所的な応力・ひずみ集中を高い忠実度で捉えていた。
• FEMと比較して推論時間が数桁短縮され、マルチスケールまたは不確実性評価応用のための迅速な解析が可能になった。