[論文レビュー] Three-dimensional convolutional neural network (3D-CNN) for heterogeneous material homogenization

Chengping Rao, Yang Liu|arXiv (Cornell University)|Feb 14, 2020

Composite Material Mechanics参考文献 70被引用数 16

ひとこと要約

本論文では、ボクセル化された代表体積要素（RVE）として表現される不均質材料の3次元微細構造から、有効剛性およびポisson比を予測する3次元畳み込みニューラルネットワーク（3D-CNN）を提案する。ランダムな球状インクルージョンを有するRVEの高精度な有限要素解析（FEA）データで学習させたモデルは、最大誤差約0.5%という高い精度を達成し、FEA比で最大50倍の高速化を実現するとともに、不確実性評価と低データ環境下での転移学習を可能としている。

ABSTRACT

Homogenization is a technique commonly used in multiscale computational science and engineering for predicting collective response of heterogeneous materials and extracting effective mechanical properties. In this paper, a three-dimensional deep convolutional neural network (3D-CNN) is proposed to predict the effective material properties for representative volume elements (RVEs) with random spherical inclusions. The high-fidelity dataset generated by a computational homogenization approach is used for training the 3D-CNN models. The inference results of the trained networks on unseen data indicate that the network is capable of capturing the microstructural features of RVEs and produces an accurate prediction of effective stiffness and Poisson's ratio. The benefits of the 3D-CNN over conventional finite-element-based homogenization with regard to computational efficiency, uncertainty quantification and model's transferability are discussed in sequence. We find the salient features of the 3D-CNN approach make it a potentially suitable alternative for facilitating material design with fast product design iteration and efficient uncertainty quantification.

研究の動機と目的

• 複雑な微細構造を有する不均質材料の有効機械的特性を予測するデータ駆動型ディープラーニングフレームワークの開発。
• 反復的複合材料設計ワークフローにおける従来の有限要素法ベースの均質化の高い計算コストの克服。
• データが少ない状況下での効率的な材料設計を可能とする不確実性評価と転移学習の実現。
• 3次元相のボクセルを直接有効材料特性へマッピングするスケーラブルでエンドツーエンドのソリューションの確立。

提案手法

• 3D-CNNアーキテクチャは、3次元畳み込み層、プーリング操作、フラットテニング、全結合層から構成され、3次元ボクセル化RVEを処理する。
• 実際の微細構造を模倣するため、階層的ランダム逐次吸着（HRSA）アルゴリズムを用いてランダムな球状インクルージョンを有するRVEを生成した。
• 有効特性（剛性およびポisson比）は、FEAベースの線形均質化により計算され、学習の教師ラベルとして使用された。
• 最良の推論性能を得るため、ネットワークの深さ、フィルターサイズ、学習率の最適化を目的としたハイパーパramータスタディを実施した。
• 転移学習は、新しい小さなデータセットに対して事前に学習済みの3D-CNNを微調整することで実施され、トレーニング時間とデータ要件が顕著に削減された。
• 不確実性評価（UQ）性能の評価には、確率的パrameterを有する入力微細構造をサンプリングするモンテカルロシミュレーションが用いられた。

実験結果

リサーチクエスチョン

• RQ1 3D-CNNは、不均質材料の3次元ボクセル化微細構造から、有効剛性およびポisson比を高精度に予測できるか？
• RQ2 3D-CNNは、計算効率および推論速度の面で、従来のFEAと比較してどのように異なるか？
• RQ3 転移学習は、小さなまたは新しいデータセットにおいて、トレーニングコストをどの程度低減し、性能を向上させられるか？
• RQ4 トレーニング済みの3D-CNNモデルは、確率的設計に適した不確実性の伝播を正確に保持できるか？
• RQ5 3D-CNNは、異なる微細構造的配置や材料タイプにわたって、どの程度一般化性能を示すか？

主な発見

• 3D-CNNは、FEA結果と比較して最大予測誤差が約0.5%にとどまり、有効剛性およびポisson比の予測において高い精度を示した。
• GPU上での推論時間において、FEA比で25〜50倍の高速化を達成し、製品設計の反復を顕著に加速した。
• 転移学習により、トレーニング時間を数十エポックにまで短縮し、未知データにおける平均絶対相対誤差（MARE）は0.43%を達成した。これは、初期からトレーニングする場合（MARE 1.36%）を上回る性能であった。
• 3D-CNNは、入力の不確実性下でも有効特性の確率的分布を適切に保持し、モンテカルロシミュレーションによる信頼性の高い不確実性評価を可能にした。
• モデルは強力な転移性を示した：事前に学習済みの3D-CNNを新しい小さなデータセットで微調整することで、最小限の再トレーニングで高い精度が得られ、データが少ない応用に適していた。
• エンドツーエンドのフレームワークにより、X線マイクロトモグラフィーや原子プローブからの3次元相ボクセルを直接有効特性へマッピングすることが可能となり、手動の特徴工学は不要になった。