[논문 리뷰] A physics-informed neural network for quantifying the microstructure properties of polycrystalline Nickel using ultrasound data

Khemraj Shukla, Ameya D. Jagtap외 3명|arXiv (Cornell University)|2021. 03. 25.

Model Reduction and Neural Networks참고 문헌 16인용 수 10

한 줄 요약

이 논문은 초음파 표면파장 데이터에서 다결정 니켈의 공간적으로 변화하는 탄성계수(c₁₁, c₁₂, c₄₄)를 추론하기 위해 물리 기반 신경망(PINN)을 제안한다. PINN은 평면 내 및 평면 외 파동 방정식을 손실 함수에 통합하여 역문제를 해결하며, 5 MHz에서 레이저 비브로메트리 데이터를 사용하여 최소한의 데이터 샘플링으로도 미세구조의 강성 변화를 일관되고 정확하게 재구성한다.

ABSTRACT

We employ physics-informed neural networks (PINNs) to quantify the microstructure of a polycrystalline Nickel by computing the spatial variation of compliance coefficients (compressibility, stiffness and rigidity) of the material. The PINN is supervised with realistic ultrasonic surface acoustic wavefield data acquired at an ultrasonic frequency of 5 MHz for the polycrystalline material. The ultrasonic wavefield data is represented as a deformation on the top surface of the material with the deformation measured using the method of laser vibrometry. The ultrasonic data is further complemented with wavefield data generated using a finite element based solver. The neural network is physically-informed by the in-plane and out-of-plane elastic wave equations and its convergence is accelerated using adaptive activation functions. The overarching goal of this work is to infer the spatial variation of compliance coefficients of materials using PINNs, which for ultrasound involves the spatially varying speed of the elastic waves. More broadly, the resulting PINN based surrogate model shows a promising approach for solving ill-posed inverse problems, often encountered in the non-destructive evaluation of materials.

연구 동기 및 목표

• 비파괴 초음파 데이터를 사용하여 다결정 재료의 공간적으로 변화하는 미세구조 특성을 정량화하는 데 도전하는 것.
• 불안정한 역문제를 해결하기 위한 메쉬 없는, 데이터 효율적인 대체 모델을 개발하는 것.
• 물리 기반 신경망을 통해 실험적 및 수치적으로 생성된 초음파 파장 데이터를 구동하는 탄성파 편미분방정식(PDE)에 통합하는 것.
• 단일 결정 및 다결정 니켈에서의 검증을 통해 희소한 데이터 조건에서 정확성과 일관성을 입증하는 것.
• 제한된, 노이즈가 있는, 희소하게 샘플링된 표면 변위 데이터로부터 강성 텐서 성분(c₁₁, c₁₂, c₄₄)을 고해상도로 추론할 수 있도록 하는 것.

제안 방법

• PINN는 5 MHz에서 레이저 비브로메트리로 측정한 표면 변위 데이터(u₂)의 시공간 데이터를 기반으로 훈련된다. 이는 평면 외 운동을 나타낸다.
• 모델은 평면 내 운동(u₁, u₃)과 평면 외 운동(u₂)에 대한 두 개의 분리된 2차 편미분방정식을 풀어낸다.
• 손실 함수는 u₂에 대한 데이터 적합성(MSE), 파동 방정식에서 유도된 잔차 손실(MSE_f₂), 그리고 수렴 속도 향상을 위한 가중치 감쇠 정규화를 포함한다.
• 스펙트럼 편향을 완화하고 고주파 성분에 대한 훈련 성능을 향상시키기 위해 적응형 활성화 함수와 푸리에 특성 매핑을 사용한다.
• 실험적 파장 데이터(400×400 및 50×50 격자)와 유한요소법(FEM)으로 생성한 합성 데이터를 조합한 하이브리드 데이터셋을 사용한다.
• 모델 일관성은 다섯 개의 랜덤 가중치 초기화 조건에서 평가되며, 유추된 파동 속도의 표준편차를 통해 불확실성 수준을 정량화한다.

실험 결과

연구 질문

• RQ1 희소한 초음파 파장 데이터에서 물리 기반 신경망이 다결정 니켈의 탄성계수(c₁₁, c₁₂, c₄₄)의 공간적 변화를 정확하게 재구성할 수 있는가?
• RQ2 제한된, 노이즈가 있는, 부족한 샘플링이 이루어진 실험 데이터로 훈련되었을 때 PINN의 미세구조 비균일성 회복 성능은 어떠한가?
• RQ3 신경망 손실 함수에 물리 법칙(탄성파 방정식)을 통합할 경우 순수 데이터 기반 모델 대비 일반화 및 수렴 성능 향상 정도는 어느 정도인가?
• RQ4 거칠게 샘플링된 시공간 해상도 조건에서도 PINN이 다수의 랜덤 초기화 조건에서 일관되게 재료 특성을 추론할 수 있는가?
• RQ5 가중치 감쇠와 적응형 활성화 함수의 사용이 고주파수 역문제에서 PINN의 수렴성 및 안정성에 미치는 영향은 어떠한가?

주요 결과

• PINN는 예측된 파장 데이터와 실제 파장 데이터 간에 높은 일치도를 보이며 초음파 파동 전파의 정확한 재구성을 확인하였다.
• 다결정 니켈의 경우, 유추된 전단파 속도(vₛ₂)는 결정립 수준의 강성 비균일성과 일치하는 공간적 변화를 보였으며, 런 간 평균 2.9845 mm/μs, 표준편차 4×10⁻⁴ mm/μs를 기록하였다.
• 최소 및 최대 vₛ₂ 값의 표준편차는 3×10⁻³ mm/μs로 나타나 PINN 예측의 높은 일관성과 강건성을 입증하였다.
• 모델는 전체 파장의 40% 공간 및 12.5% 시간 샘플링만을 사용하여도 희소한 데이터 조건에서 효과적임을 입증하였다.
• PINN는 c₄₄(관련된 vₛ₂와 연결됨)를 고정밀도로 유추하여 다결정 미세구조의 존재를 공간적 강성 변화를 통해 확인하였다.
• 단일 주파수에서 2차원 파장 데이터에 대한 적용 가능성을 입증하였으며, 향후 3차원 및 다주파수 확장 계획이 수립되어 있다.