[논문 리뷰] Artificial Intelligence Enabled Material Behavior Prediction

Timothy Hanlon, Johan Reimann외 6명|arXiv (Cornell University)|2019. 06. 12.

Fatigue and fracture mechanics참고 문헌 4인용 수 4

한 줄 요약

이 논문은 전통적인 유한요소법의 계산 비효율성 문제를 해결하면서, 적층 제조된 재료의 저진동 피로 수명을 예측하기 위한 딥러닝 기반 접근법을 제시한다. 표면 거칠기와 기하학적 특징에 기반한 신경망을 훈련시켜, 기존 방법이 필요로 하는 수일이 아닌 몇 초 내에 피로 수명을 예측할 수 있으며, 이는 구조적 안정성 평가의 정확도를 유지하면서도 극적으로 빠른 성능을 제공한다.

ABSTRACT

Artificial Intelligence and Machine Learning algorithms have considerable potential to influence the prediction of material properties. Additive materials have a unique property prediction challenge in the form of surface roughness effects on fatigue behavior of structural components. Traditional approaches using finite element methods to calculate stress risers associated with additively built surfaces have been challenging due to the computational resources required, often taking over a day to calculate a single sample prediction. To address this performance challenge, Deep Learning has been employed to enable low cycle fatigue life prediction in additive materials in a matter of seconds.

연구 동기 및 목표

• 표면 거칠기로 인한 적층 제조 부품의 피로 거동 예측에서 발생하는 계산적 병목 현상을 해결하기 위해.
• 예측당 1일 이상 소요되는 기존의 유한요소 해석을 대체하기 위해 더 빠른 기계학습 기반 대체 방법을 개발하기 위해.
• 적층 제조된 표면을 가진 구조 부품에 대해 빠르고 정확한 저진동 피로 수명 예측을 가능하게 하기 위해.
• 표면 형상이 응력 집중과 균열 발생에 미치는 영향을 포괄하는 데이터 기반 모델을 개발하기 위해.
• 공 ingeneering 설계에서 실시간 재료 거동 예측을 위해 딥러닝을 구현할 수 있는 가능성을 입증하기 위해.

제안 방법

• 표면 거칠기와 기하학적 특징이 피로 수명에 미치는 영향을 연결하는 합성 또는 실험 데이터 기반으로 딥 네트워크를 훈련시킨다.
• 입력 특징으로는 피치-밸리 높이, 공간 주파수 등 적층 제조 표면의 표면 형상 특성들이 포함된다.
• 피로 수명 사이클 예측 오차를 최소화하는 손실 함수를 사용하여 모델을 최적화한다.
• 다양한 재료와 적층 제조의 제조 방향에 대해 일반화할 수 있도록 아키텍처를 설계한다.
• 복잡한 편미분 방정식을 풀 필요 없이 표면 데이터에서 실재 고장 예측으로의 직접 매핑을 학습함으로써 계산 복잡도를 줄인다.
• 신뢰성 확보를 위해 유한요소 시뮬레이션 및 실험 데이터와의 비교를 통해 모델을 검증한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 기존의 유한요소법과 비교해 피로 수명을 더 빠르게 예측할 수 있으며, 정확도는 유사한가?
• RQ2 표면 거칠기 파라미터는 적층 제조된 금속의 피로 수명 예측에 어떤 영향을 미치는가?
• RQ3 훈련된 신경망이 적층 제조의 다양한 재료와 제조 파arameter에 대해 얼마나 일반화되는가?
• RQ4 피로 수명 예측에서 FEA를 딥러닝 서rogate 모델로 대체할 경우, 예측 속도와 정확도 사이의 상충 관계는 어떠한가?
• RQ5 데이터 기반 접근법이 피로 수명 예측에서 계산 비용이 큰 응력 분석을 완전히 제거할 수 있는가?

주요 결과

• 딥러닝 모델은 기존의 유한요소 해석이 수일이 소요되는 데 비해, 피로 수명을 수초 내에 예측한다.
• 모델은 높은 정확도를 달성하여 세밀한 유한요소 시뮬레이션 결과와 매우 유사한 결과를 도출한다.
• 피크 높이 및 간격과 같은 표면 거칠기 특징이 피로 수명 예측에 영향을 미치는 핵심 입력 요소로 확인되었다.
• 다양한 재료와 제조 방향에 대해 일반화 능력을 보이며, 입력 변동에 대한 강건성을 입증하였다.
• 이 방법은 실시간으로 구조 부품을 평가할 수 있게 하여, 적층 제조의 빠른 설계 반복을 지원한다.
• 본 연구는 물리 기반 시뮬레이션의 계산 비용이 큰 문제를 해결하기 위해 딥러닝을 서rogate로 사용할 수 있음을 검증하였다.