[논문 리뷰] A Data-Driven Approach to Full-Field Damage and Failure Pattern Prediction in Microstructure-Dependent Composites using Deep Learning

Reza Sepasdar, Anuj Karpatne외 1명|arXiv (Cornell University)|2021. 04. 09.

Infrastructure Maintenance and Monitoring참고 문헌 28인용 수 7

한 줄 요약

이 논문은 단방향 탄소섬유 강화 폴리머 복합재의 미세구조 기하학에서부터 전장 후 파손 응력 분포와 균열 패턴을 예측하기 위해 스택드 완전 컨volution 네트워크를 사용하는 이단계 딥러닝 프레임워크를 제안한다. 물리 기반 손실 함수를 사용하여 4,500개의 합성적으로 생성된 RVE에 대해 훈련된 모델은 기존의 유한요소 해석에 비해 계산 비용을 크게 감소시키면서도 복잡한 손상 및 파손 패턴을 높은 정확도로 예측한다.

ABSTRACT

An image-based deep learning framework is developed in this paper to predict damage and failure in microstructure-dependent composite materials. The work is motivated by the complexity and computational cost of high-fidelity simulations of such materials. The proposed deep learning framework predicts the post-failure full-field stress distribution and crack pattern in two-dimensional representations of the composites based on the geometry of microstructures. The material of interest is selected to be a high-performance unidirectional carbon fiber-reinforced polymer composite. The deep learning framework contains two stacked fully-convolutional networks, namely, Generator 1 and Generator 2, trained sequentially. First, Generator 1 learns to translate the microstructural geometry to the full-field post-failure stress distribution. Then, Generator 2 learns to translate the output of Generator 1 to the failure pattern. A physics-informed loss function is also designed and incorporated to further improve the performance of the proposed framework and facilitate the validation process. In order to provide a sufficiently large data set for training and validating the deep learning framework, 4500 microstructural representations are synthetically generated and simulated in an efficient finite element framework. It is shown that the proposed deep learning approach can effectively predict the composites' post-failure full-field stress distribution and failure pattern, two of the most complex phenomena to simulate in computational solid mechanics.

연구 동기 및 목표

• 미세구조 의존성 복합재의 손상 및 파손에 대한 고정밀 유한요소 해석의 높은 계산 비용과 복잡성 문제를 해결하기 위해.
• 미세구조 기하학에서부터 전장 후 파손 응력 분포와 파손 패턴을 예측하는 서rogate 모델을 개발하기 위해.
• 모델 정확도 향상과 기계적 법칙에 기반한 검증을 가능하게 하기 위해 물리 기반 손실 함수를 통합하기 위해.
• 일致된 재료 거동과 파손 반응을 갖는 4,500개의 대표체적 요소(RVE)로 구성된 대규모 합성 데이터셋을 생성하기 위해.
• 비균질 복합재에서 복잡한 전장 기계적 반응을 예측하는 데에 딥러닝의 가능성을 입증하기 위해.

제안 방법

• 이중단계 딥러닝 프레임워크를 사용한다: 제1 생성기(G1)는 미세구조 기하학을 전장 후 파손 응력 분포로 매핑한다.
• 제2 생성기(G2)는 제1 생성기의 출력을 입력으로 받아 파손 패턴(균열 분포)을 예측한다.
• 공간 해상도를 유지하고 계층적 특징을 포착하기 위해 순차적으로 훈련된 두 개의 스택드 완전 컨볼루션 네트워크를 활용한다.
• 구조 법칙에 기반한 물리 기반 손실 함수를 설계하였으며, 이는 Ramberg-Osgood 비탄성 거동, Tschoegl 항복 기준, Simo-Ju 손상 진화를 포함한다.
• 이중선형 인장-분리 법칙을 갖는 점착 영역 모델(CZM)을 사용하여 섬유-매트릭스 탈착을 시뮬레이션하며, 수렴 문제를 방지하기 위해 인공 점성도를 추가한다.
• 고성능 클러스터를 활용한 효율적인 IGFEM 프레임워크를 사용하여 4,500개의 RVE를 합성적으로 생성하고 시뮬레이션하여 다양하고 대규모의 훈련 데이터셋을 구축한다.

실험 결과

연구 질문

• RQ1 미세기하학만으로도 딥러닝 모델이 미세구조 의존성 복합재의 전장 후 파손 응력 분포를 정확하게 예측할 수 있는가?
• RQ2 이중단계 딥러닝 아키텍처가 응력장 예측에서 복잡한 균열 패턴을 효과적으로 예측할 수 있는가?
• RQ3 물리 기반 손실 함수를 통합할 경우 예측 정확도와 물리적 일관성이 어떻게 향상되는가?
• RQ4 기존의 유한요소 해석에 비해 데이터 기반 서rogate 모델이 계산 비용을 얼마나 감소시킬 수 있는가?
• RQ5 다양한 미세구조 기하학에 대해 일반화할 수 있으며 기계적 정밀도를 유지할 수 있는가?

주요 결과

• 제안된 딥러닝 프레임워크는 복잡한 응력 집중 영역에서도 높은 공간 해상도를 유지하며 전장 후 파손 응력 분포를 정확하게 예측한다.
• 모델은 미세구조적 특징에 기반하여 균열의 기초 형성과 전파 패턴, 포함된 분지 및 휨 패턴을 정확히 포착한다.
• 물리 기반 손실 함수의 통합은 예측 정확도를 크게 향상시키며, 비탄성 거동 및 손상 진화와 같은 기초 기계 법칙과의 일관성을 보장한다.
• 프레임워크는 FEM 기반 시뮬레이션의 수일에서 수백만 분의 일 수준으로 RVE당 시뮬레이션 시간을 단축시켜 대규모 파손 거동 예측을 신속하게 수행할 수 있다.
• 모델은 다양한 미세구조에 대해 잘 일반화되며 섬유 분포 및 배향의 변동성에도 강건함을 보인다.
• 4,500개의 합성적으로 생성되고 시뮬레이션된 RVE의 사용은 일반화 가능한 모델을 훈련하기 위한 충분한 데이터 다양성을 보장한다.