[論文レビュー] StressNet: Deep Learning to Predict Stress With Fracture Propagation in Brittle Materials

Yinan Wang, Diane Oyen+8 more|arXiv (Cornell University)|Nov 20, 2020

Rock Mechanics and Modeling参考文献 33被引用数 8

ひとこと要約

StressNet は、時間的独立畳み込みニューラルネットワーク（TI-CNN）を用いて空間的特徴を抽出し、双方向長短期記憶（Bi-LSTM）ネットワークを用いて時間的ダイナミクスをモデル化することで、破壊伝播中の破壊的材料内の最大内部応力の全時系列を予測する物理学に基づいた深層学習モデルである。高精度な HOSS シミュレーションデータで訓練された本モデルは、20秒以内に2%の平均 MAPE を達成する多段予測を実現し、4時間の FDEM ベースラインと比較して70倍以上高速である。また、重要な応力の変動やピークを捉えることができる。

ABSTRACT

Catastrophic failure in brittle materials is often due to the rapid growth and coalescence of cracks aided by high internal stresses. Hence, accurate prediction of maximum internal stress is critical to predicting time to failure and improving the fracture resistance and reliability of materials. Existing high-fidelity methods, such as the Finite-Discrete Element Model (FDEM), are limited by their high computational cost. Therefore, to reduce computational cost while preserving accuracy, a novel deep learning model, "StressNet," is proposed to predict the entire sequence of maximum internal stress based on fracture propagation and the initial stress data. More specifically, the Temporal Independent Convolutional Neural Network (TI-CNN) is designed to capture the spatial features of fractures like fracture path and spall regions, and the Bidirectional Long Short-term Memory (Bi-LSTM) Network is adapted to capture the temporal features. By fusing these features, the evolution in time of the maximum internal stress can be accurately predicted. Moreover, an adaptive loss function is designed by dynamically integrating the Mean Squared Error (MSE) and the Mean Absolute Percentage Error (MAPE), to reflect the fluctuations in maximum internal stress. After training, the proposed model is able to compute accurate multi-step predictions of maximum internal stress in approximately 20 seconds, as compared to the FDEM run time of 4 hours, with an average MAPE of 2% relative to test data.

研究の動機と目的

• 動的荷重下における破壊的材料の最大内部応力を正確に予測する課題に対処すること。これは、破壊的故障を防ぐために不可欠である。
• FDEM や HOSS のような高精度なシミュレーション手法が1回の実行に数時間を要するという高い計算コストを克服すること。
• 空間的破壊パターンと時間的応力変化の両方を高精度に捉えるデータ駆動型の補助モデルを開発すること。
• 破壊経路やスペイル領域などの物理学に基づいた特徴を深層学習アーキテクチャに統合することで、一般化性能と信頼性を向上させること。
• 材料の信頼性と安全性評価に使用可能な、高速かつ多段予測可能な応力時系列の予測を可能にすること。

提案手法

• 時間的独立畳み込みニューラルネットワーク（TI-CNN）を用いて、2次元応力場画像から亀裂経路やスペイル領域を含む破壊形状の空間的特徴を抽出する。
• 双方向長短期記憶（Bi-LSTM）ネットワークを用いて、応力変化時系列内の時間的依存性を捉え、正確な多段予測を可能にする。
• 平均二乗誤差（MSE）と平均絶対パcent誤差（MAPE）を動的に組み合わせる適応的損失関数を採用し、時系列内の応力の変動やピークをよりよく扱えるようにする。
• 初期応力と破壊伝播データを入力として、全応力変化時系列を予測する目的で、高精度な HOSS シミュレーションデータ上でエンド・ツー・エンドに訓練する。
• TI-CNN ブランチと Bi-LSTM ブランチの間で特徴統合を実施し、応力発展の空間的・時間的ダイナミクスを共同でモデル化する。
• 未観測のテストデータ上でモデルを評価し、MAPE、MSE、および真値やベースラインモデルとの視覚的比較を通じて性能を測定する。

実験結果

リサーチクエスチョン

• RQ1 初期応力と破壊データが与えられたもとで、深層学習モデルが破壊伝播中の破壊的材料の最大内部応力の全時系列を正確に予測できるか？
• RQ2 亀裂経路やスペイル領域などの物理学に基づいた空間的特徴を統合することで、一般特徴学習と比較して予測精度がどの程度向上するか？
• RQ3 TI-CNN と Bi-LSTM を組み合わせたハイブリッド深層学習アーキテクチャが、従来の統計的または逐次的モデルに比べて、応力の変動やピークをどの程度よく捉えられるか？
• RQ4 MSE と MAPE をバランスさせる適応的損失関数が、高い変動性下での応力予測において一般化性能とロバストネスを向上させるか？
• RQ5 提案モデルは、2%未満の誤差を維持しながら、高精度な FDEM シミュレーションと比較してどの程度高速に予測を生成できるか？

主な発見

• StressNet はテストデータで平均絶対パーセント誤差（MAPE）2%を達成し、歴史的平均、Bi-LSTM、LSTM などのベースラインモデルを著しく上回った。
• 本モデルは、全応力変化時系列を約20秒で予測し、4時間の FDEM ベースラインと比較して計算時間を99%削減した。
• MSE と MAPE を組み合わせた適応的損失関数により、破壊予測に不可欠な応力の変動や極値（ピークと谷）を効果的に捉えることができた。
• 図6および図7の視覚的比較では、動的損失関数を用いた StressNet が、平均値に収束するモデルとは異なり、真値を正確に追跡しており、特に急激なピークや変化を捉えていることが示された。
• 本モデルは、未観測の破壊伝播シナリオにもうまく一般化できており、多様な荷重条件や材料特性に柔軟に対応していることが示された。
• TI-CNN と Bi-LSTM ブランチの統合により、破壊形状と応力変化の間の複雑な非線形関係を学習でき、空間的・時間的特徴を別々に扱うモデルを上回る性能を発揮した。