[論文レビュー] Reduced-Order Modeling through Machine Learning Approaches for Brittle Fracture Applications

Abigail Hunter, Bryan A. Moore+10 more|arXiv (Cornell University)|Jun 5, 2018

Non-Destructive Testing Techniques参考文献 38被引用数 7

ひとこと要約

本稿では、コンクリートにおける破壊の破壊の低次元モデル化のための物理的制約を組み込んだ機械学習フレームワークを提案する。高精度な有限離散要素モデル（HOSS）を用いて150件のトレーニングシミュレーションを生成した。研究では、4つの機械学習ベースの手法と1つの完全に物理ベースの手法を比較し、応力集中係数や亀裂の相互作用などの物理的制約をデータ駆動型学習と組み合わせることで、亀裂の進行、融合、破壊時刻の予測が最も正確に得られることを示した。特にMcPICモデルは、物理的洞察とデータ学習の両方をバランスよく組み合わせており、他の手法を上回る性能を発揮した。

ABSTRACT

In this paper, five different approaches for reduced-order modeling of brittle fracture in geomaterials, specifically concrete, are presented and compared. Four of the five methods rely on machine learning (ML) algorithms to approximate important aspects of the brittle fracture problem. In addition to the ML algorithms, each method incorporates different physics-based assumptions in order to reduce the computational complexity while maintaining the physics as much as possible. This work specifically focuses on using the ML approaches to model a 2D concrete sample under low strain rate pure tensile loading conditions with 20 preexisting cracks present. A high-fidelity finite element-discrete element model is used to both produce a training dataset of 150 simulations and an additional 35 simulations for validation. Results from the ML approaches are directly compared against the results from the high-fidelity model. Strengths and weaknesses of each approach are discussed and the most important conclusion is that a combination of physics-informed and data-driven features are necessary for emulating the physics of crack propagation, interaction and coalescence. All of the models presented here have runtimes that are orders of magnitude faster than the original high-fidelity model and pave the path for developing accurate reduced order models that could be used to inform larger length-scale models with important sub-scale physics that often cannot be accounted for due to computational cost.

研究の動機と目的

• 高精度なシミュレーションの高コストな課題を克服するため、地質材料、特にコンクリートにおける破壊の計算効率の良い低次元モデル（ROM）の開発を目的とする。
• 機械学習を物理的仮定と組み合わせることで、引張荷重下における亀裂ネットワークの進化、相互作用、融合を正確に再現する方法を調査すること。
• 高精度なHOSSモデルと比較して、複数の機械学習および物理ベースの手法が破壊経路と破壊時刻を予測する性能を評価すること。
• 複雑な破壊現象をモデル化する際に、データ駆動型学習と物理的制約の最適なバランスを特定すること。
• 迅速かつ正確なROMを提供することで、大規模連続体モデルへの微小スケール破壊物理学の統合を可能にすること。

提案手法

• 2次元コンクリート試料150件（20個のランダムに配置された初期亀裂を有する）を、純粋な引張荷重下で高精度な有限離散要素モデル（HOSS）を用いてシミュレートした。
• 4つの機械学習モデル（OP、McPIC、NFPZ、EPZ）をHOSSのシミュレーションデータ上でトレーニングし、亀裂の進行と破壊を予測した。特徴量はデータと物理的要因の両方から抽出された。
• SPA（単一経路法）は、学習を一切行わない完全に物理ベースのベースラインとして用いられ、最短経路アルゴリズムに依存した。
• McPICモデルは、応力集中係数や対ごとの亀裂相互作用といった物理的制約特徴量を組み込み、ランダムフォレスト回帰器を用いて亀裂進行行動を学習した。
• NFPZおよびEPZモデルは、亀裂長、方向、局所応力場などの特徴量から学習するため、ニューラルネットワークを用いた。
• すべてのモデルは、追加の35件のHOSSシミュレーションを用いて、破壊経路と破壊時刻の予測精度を検証した。

実験結果

リサーチクエスチョン

• RQ1 引張荷重下における破壊の亀裂進行および融合を予測するにあたり、異なる機械学習手法の性能はどのように比較されるか？
• RQ2 応力集中係数や亀裂の接近度などの物理的制約特徴量を機械学習モデルに統合することで、予測精度にどのような影響を与えるか？
• RQ3 低次元モデルは、高精度なシミュレーションの代わりに十分な精度を発揮しつつ、実行時間を桁違いに短縮できるか？
• RQ4 複雑な破壊ダイナミクスをモデル化するにあたり、データ駆動型学習と物理的制約の最適なバランスはどこにあるか？
• RQ5 機械学習ベースのROMは、高精度なシミュレーションと比較して、破壊経路と破壊時刻をどの程度正確に予測できるか？

主な発見

• 物理的制約特徴量（応力集中係数、対間相互作用など）と機械学習を組み合わせたMcPICモデルが、破壊経路および破壊時刻の両方において最も正確な予測を達成した。
• 亀裂長のみに依存するデータ中心のモデル（例：OP）や、単純化された物理的仮定に依存するモデル（例：SPA）は、過小適合または過剰に単純化されたモデルであるため、性能が低かった。
• 物理的制約特徴量とデータ駆動型学習の組み合わせが最良のパフォーマンスを発揮した。これは、両者が不可欠である「ジャスト・リトル・ゾーン（Goldilocks zone）」が存在することを示唆している。
• すべての機械学習ベースのモデルは数秒から数分で実行可能であり、高精度なHOSSモデルと比較して実行時間の桁違いの短縮が達成された。
• McPICモデルは、高精度なシミュレーションと類似した亀裂融合および進行パターンを予測する能力を示した。
• 本研究は、特に亀裂相互作用を含む複雑な破壊現象のモデル化において、物理的制約特徴量が一般化性能と精度の両面で極めて重要であることを確認した。