[논문 리뷰] A review on data-driven constitutive laws for solids

Jan N. Fuhg, Govinda Anantha Padmanabha외 7명|arXiv (Cornell University)|2024. 05. 06.

Elasticity and Material Modeling인용 수 4

한 줄 요약

이 논문은 고체의 데이터 기반 구성 법칙에 대한 종합적인 분류 체계를 제시하며, 기계 학습 및 모델 기반 방법을 해석 가능성, 학습 유형, 데이터 요구 사항에 따라 분류한다. 일반화, 신뢰성, 저자료 성능 등의 핵심 과제를 규명하고, 강력하고 물리 기반의 다스케일 재료 모델링을 발전시키기 위해 표준화된 벤치마크와 불확실성 정량화를 주장한다.

ABSTRACT

This review article highlights state-of-the-art data-driven techniques to discover, encode, surrogate, or emulate constitutive laws that describe the path-independent and path-dependent response of solids. Our objective is to provide an organized taxonomy to a large spectrum of methodologies developed in the past decades and to discuss the benefits and drawbacks of the various techniques for interpreting and forecasting mechanics behavior across different scales. Distinguishing between machine-learning-based and model-free methods, we further categorize approaches based on their interpretability and on their learning process/type of required data, while discussing the key problems of generalization and trustworthiness. We attempt to provide a road map of how these can be reconciled in a data-availability-aware context. We also touch upon relevant aspects such as data sampling techniques, design of experiments, verification, and validation.

연구 동기 및 목표

• 최근 수십 년간 개발된 데이터 기반 구성 모델링 기법의 광범위한 스펙트럼을 체계적으로 정리하고 분류하는 것.
• 데이터 기반 재료 모델링에서 일반화, 해석 가능성, 신뢰성 등의 비판적 과제를 다루는 것.
• 특히 실험 및 수치 역학에서 흔한 저자료 영역에서 자료 가용성과 모델 성능 사이의 격차를 메우는 것.
• 데이터 기반 구성 법칙을 기존의 유한 요소 해석기와 통합하고 수치 수렴성을 보장하는 데 위한 로드맵을 제시하는 것.
• 객관적인 평가를 가능하게 하기 위해 표준화된 데이터셋과 벤치마크 문제를 주장하는 것.

제안 방법

• 기계 학습 기반 및 모델 기반 접근법으로 데이터 기반 구성 모델링을 분류하고, 해석 가능성과 학습 과정에 따라 추가로 하위 분류한다.
• 경로 독립성과 경로 의존성 재료 거동을 구분하며, 데이터로부터 비가역 메커니즘을 학습하는 데서 발생하는 복잡성을 강조한다.
• 자동 미분를 활용한 데이터 기반 모델과 유한 요소 해석기의 통합 프레임워크를 제안하지만, 성능 상충을 인정한다.
• 대규모 훈련 데이터를 생성하기 위해 전장면 실험 자료(예: DIC, DVC)와 수치 체계적 평균화의 활용을 강조한다.
• 모델 신뢰성과 후속 시뮬레이션 정확도 평가를 위해 불확실성 정량화(UQ)의 필요성을 제기한다.
• 최소한의 자료로 복잡한 모델의 식별 가능성을 극대화하기 위해 최적화된 실험 설계와 시편 기하 구조를 제안한다.

Figure 4: TANNs proposed by [ 253 ]

실험 결과

연구 질문

• RQ1 해석 가능성, 학습 유형, 데이터 요구 사항에 기반해 데이터 기반 구성 법칙을 체계적으로 분류할 수 있는 방법은 무엇인가?
• RQ2 새로운 하중 경로나 재료 거동에 적용했을 때 데이터 기반 모델의 일반화 및 신뢰성에 대한 주요 제약 조건은 무엇인가?
• RQ3 계산 효율성에 영향을 주지 않으면서 데이터 기반 구성 모델을 유한 요소 해석기에 효과적으로 통합할 수 있는 방법은 무엇인가?
• RQ4 비선형 역학 문제에 응용하기 위한 데이터 기반 모델의 검증에서 불확실성 정량화는 어떤 역할을 하는가?
• RQ5 최소한의 자료로 강력한 모델 발견을 가능하게 하기 위해 실험 설계와 자료 샘플링를 어떻게 최적화할 수 있는가?

주요 결과

• 전장면 측정 및 수치 체계적 평균화 덕분에, 데이터 기반 구성 모델링은 제한된 현상적 모델에서 대량의 데이터 기반 고정밀도 접근법으로 진화했다.
• 물리적 제약 조건을 통합함으로써 데이터 요구량을 줄일 수 있는 물리 기반 네트워크 및 연산자 학습 기반 기계 학습 방법이 유망한 성과를 보이고 있다.
• 데이터 만능 공간 내의 보간과 같은 모델 기반 접근법은 하중 경로가 충분히 복잡하고 종합적이라면 단일 시험으로도 구성 법칙을 발견할 수 있다.
• 저자료 영역에서의 강건성은 여전히 주요 과제이며, 현재의 대규모 데이터셋 중심 추세는 많은 공학 응용 분야에서 실현 가능하지 않을 수 있다.
• 비선형 해석기에서의 수렴 보장을 위해 표준 오차 지표만으로는 부족하므로, 유한 요소 환경에서의 철저한 검증이 필수적이다.
• 객관적인 평가를 가능하게 하기 위해, RVE 기반 초탄성 자료 및 전장면 FEM 시뮬레이션을 포함한 표준화된 벤치마크 데이터셋이 공동체에서 긴급히 필요하다.