[논문 리뷰] Augmentation of scarce data -- a new approach for deep-learning modeling of composites

Hon Cheung, Petter Uvdal외 1명|arXiv (Cornell University)|2023. 11. 24.

Composite Material Mechanics인용 수 5

한 줄 요약

이 논문은 짧은 섬유 보강 복합재의 딥러닝 모델 훈련을 위한 희소 데이터셋을 확장하기 위해 고해상도 미세역학적 시뮬레이션의 무작위 회전을 활용하는 새로운 데이터 증강 기법을 제안한다. 원본 응력-변형률 데이터를 다수의 좌표계를 기준으로 회전시킴으로써, 비선형 탄소플라스틱 거동 예측에 있어 순환 신경망(RNN) 성능을 크게 향상시켰으며, 20개의 증강된 회전을 통해 전체 영역 시뮬레이션과 거의 완벽한 일치를 달성하였다.

ABSTRACT

High-fidelity full-field micro-mechanical modeling of the non-linear path-dependent materials demands a substantial computational effort. Recent trends in the field incorporates data-driven Artificial Neural Networks (ANNs) as surrogate models. However, ANNs are inherently data-hungry, functioning as a bottleneck for the development of high-fidelity data-driven models. This study introduces a novel approach for data augmentation, expanding an original dataset without additional computational simulations. A Recurrent Neural Network (RNN) was trained and validated on high-fidelity micro-mechanical simulations of elasto-plastic short fiber reinforced composites. The obtained results showed a considerable improvement of the network predictions trained on expanded datasets using the proposed data augmentation approach. The proposed method for augmentation of scarce data may be used not only for other kind of composites, but also for other materials and at different length scales, and hence, opening avenues for innovative data-driven models in materials science and computational mechanics.

연구 동기 및 목표

• 짧은 섬유 보강 복합재(SFRCs)의 고해상도 미세역학적 시뮬레이션을 위한 딥러닝 모델 훈련에서의 데이터 부족 문제를 해결한다.
• SFRCs의 경로 의존성과 비선형 탄소플라스틱 거동을 모델링하는 데 사용되는 순환 신경망(RNNs)의 높은 데이터 요구량 문제를 해결한다.
• 추가적인 계산 또는 실험적 시뮬레이션 없이도 제한된 고해상도 시뮬레이션 데이터셋을 확장할 수 있는 데이터 증강 전략을 개발한다.
• 항공우주 및 자동차 설계와 같은 산업 응용 분야에서 SFRCs의 정확하고 빠른 대체 모델링을 가능하게 한다.
• 이 접근법을 짧은 섬유 복합재를 초월한 다른 재료와 길이 척도로 일반화한다.

제안 방법

• 유한요소(FE) 또는 빠른 푸리에 변환(FFT) 방법을 사용하여 탄소플라스틱 짧은 섬유 보강 복합재의 고해상도 미세역학적 시뮬레이션 데이터를 기반으로 순환 신경망(RNN)을 훈련시킨다.
• 다양한 좌표계를 기준으로 원본 응력-변형률 데이터에 무작위로 회전을 적용하여 증강된 훈련 데이터셋을 생성한다.
• 입력 및 출력 데이터(예: 응력 및 변형률 성분)를 원본 기준에서 변환된 기준 프레임으로 이동시켜 데이터셋의 다양성을 증가시킨다.
• 증강된 데이터셋을 사용하여 RNN을 재훈련하고 원본 데이터셋과의 성능을 비교한다.
• 일축 및 이축 하중 조건을 기반으로 모델 성능을 평가하며, 예측된 응력-변형률 곡선과 바움이즈 응력이 기준 FE/FFT 시뮬레이션과 얼마나 일치하는지 비교한다.
• 다양한 증강 수준(예: 3개 vs. 20개의 회전)이 모델 정확도와 수렴에 미치는 영향을 평가한다.

실험 결과

연구 질문

• RQ1 회전 기반 데이터 증강이 제한된 고해상도 시뮬레이션 데이터를 기반으로 훈련된 RNN의 일반화 능력과 예측 정확도를 크게 향상시킬 수 있는가?
• RQ2 증가하는 변환된 데이터 구성 수(예: 3개에서 20개로)가 RNN 예측과 기준 전체 영역 시뮬레이션 간의 격리 정도를 얼마나 감소시키는가?
• RQ3 제안된 증강 방법이 추가 시뮬레이션 없이도 비선형 재료의 경로 의존성 거동을 효과적으로 유지하는가?
• RQ4 이 방법은 다른 복합재, 금속, 고분자 또는 더 낮은 척도의 분자 동역학 시뮬레이션 등 다른 재료와 척도로도 일반화 가능한가?
• RQ5 무작위로 회전하는 방식이 최적의 데이터 확장을 제공하는가, 아니면 체계적인 회전 전략이 더 나은 결과를 낼 수 있는가?

주요 결과

• 원본 증강 없이 훈련된 RNN은 일축 응력 시뮬레이션에서 순환 하중 곡선의 형태를 정확히 포착하지 못했다.
• 증가하는 변환된 데이터 구성 수가 증가할수록 RNN의 예측 결과는 기준 FE/FFT 시뮬레이션과 점차 일치하였으며, 20개의 회전을 적용한 경우 거의 완벽한 일치를 보였다.
• 일축 하중 조건에서 20개의 증강 데이터셋을 기반으로 훈련된 네트워크는 시뮬레이션 결과와 밀도 높은 응력-변형률 반응을 정확히 재현하여 비선형 및 경로 의존성 거동에 대한 학습 능력 향상을 입증하였다.
• 이축 하중 조건에서는 증강된 RNN이 예측한 바움이즈 응력이 기준 시뮬레이션과 거의 일치하여 복잡한 하중 경로에서의 강건성을 확인하였다.
• 제안된 데이터 증강 방법은 복합재 딥러닝에서의 데이터 부족 문제를 효과적으로 완화하며, 고비용의 시뮬레이션 또는 실험에 대한 의존도를 감소시켰다.
• 이 방법은 SFRCs를 초월해 다른 재료 및 척도로도 적용 가능하며, 분자 동역학 또는 기타 다스케일 모델링 응용 분야에도 활용 가능하다.