[論文レビュー] Recurrent neural networks and transfer learning for elasto-plasticity in woven composites

Ehsan Ghane, Martin Fagerström+1 more|arXiv (Cornell University)|Nov 22, 2023

Mechanical Behavior of Composites参考文献 48被引用数 12

ひとこと要約

本論は、平均場生成データで訓練されたGRU/LSTMベースのRNN代理モデルを用いて、織物系複合材料の弾塑性応力履歴を予測する。ランダム荷重元タスクから循環荷重ターゲットタスクへ適応する転移学習を利用する。

ABSTRACT

As a surrogate for computationally intensive meso-scale simulation of woven composites, this article presents Recurrent Neural Network (RNN) models. Leveraging the power of transfer learning, the initialization challenges and sparse data issues inherent in cyclic shear strain loads are addressed in the RNN models. A mean-field model generates a comprehensive data set representing elasto-plastic behavior. In simulations, arbitrary six-dimensional strain histories are used to predict stresses under random walking as the source task and cyclic loading conditions as the target task. Incorporating sub-scale properties enhances RNN versatility. In order to achieve accurate predictions, the model uses a grid search method to tune network architecture and hyper-parameter configurations. The results of this study demonstrate that transfer learning can be used to effectively adapt the RNN to varying strain conditions, which establishes its potential as a useful tool for modeling path-dependent responses in woven composites.

研究の動機と目的

• 変動する微細構造特性に跨る、織物系の経路依存的な弾塑性挙動を正確かつ効率的にモデリングする動機付け。
• メソ尺度平均場シミュレーションで訓練されたGRU/LSTMを用いたデータ駆動の代理モデルを開発する。
• ソースタスク（ランダム荷重）で訓練されたモデルを、疎な特徴量を伴うターゲットタスク（循環荷重）に適応させる転移学習を採用する。
• 多様な荷重経路と材料構成に対して堅牢な一般化を達成するため、系統的なハイパーパラメータ調整と特徴量スケーリングを検討する。

提案手法

• マクローマイマヤ? これはMori-Tanaka/Digimat-MFのmean-fieldモデルから、マトリックスおよび強化材の特性を変化させた2つの総合データセットを生成する。
• 6次元ひずみ履歴と6次元応力履歴をRNN訓練のソースタスクデータとして表現する。
• GRU/LSTMネットワークを訓練し、アーキテクチャとハイパーパラメータのグリッド探索を行い、フォンミーゼス応力に対して二乗平均誤差を損失として用いる。
• 物理に基づく初期化と転移学習を適用し、ソースタスクモデルを循環荷重と疎な特徴を持つターゲットタスクに適応させる。
• 特徴量スケーリング（連続ひずみを最大1に正規化、静的特徴を最小-最大スケーリング）と、損失以外の評価指標として複数の指標（MAE、RMSE、MBE）を用いてアーキテクチャを選択する。

実験結果

リサーチクエスチョン

• RQ1 ランダムな多軸荷重下で、RNN代理モデルは織物系の経路依存的な弾塑性応力履歴を正確に予測できるか。
• RQ2 転移学習は疎な入力特徴を伴う循環荷重への事前訓練モデルの効果的な適応を可能にするか。
• RQ3 ネットワークタイプ（GRU対LSTM）、アーキテクチャ、ハイパーパラメータが予測精度と一般化に与える影響は、荷重シナリオ間でどう現れるか。
• RQ4 スケーリング、正則化、ドロップアウトが、時系列ベースの応力予測の学習安定性と性能にどう影響するか。
• RQ5 多様な材料構成に対する代理モデルと平均場シミュレーションの比較性能はどうか。

主な発見

• 512ユニットを3層、ドロップアウト50%のLSTMモデルがランダムウォークテストセットで最良のMAE/RMSEを達成した。
• GRUは収束に時間がかかり、予測精度では一般的にLSTMを下回ったが、訓練時間には差異があった。
• 転移学習によりソースタスクモデルを循環荷重へ効果的に適応でき、循環データでのファインチューニング後に収束が観察されたが、入力の疎性にもかかわらず。
• 200を超える構成のハイパーパラメータグリッド探索により、学習率、バッチサイズ、ドロップアウトが精度と訓練効率のバランスにとって重要であると特定された。
• 多くの成分で平均場結果と良好な一致を示す一方、いくつかのせん断成分は非線形性が高く、疎性に起因する予測の課題を示す。