[논문 리뷰] Back analysis of microplane model parameters using soft computing methods

Anna Kučerová, M. Lepš외 1명|ArXiv.org|2009. 02. 10.

Composite Material Mechanics인용 수 5

한 줄 요약

이 논문은 라틴 하이퍼큐브 샘플링, 확률적 민감도 분석, 유전 알고리즘으로 학습된 신경망을 사용하는 소프트 컴퓨팅 프레임워크를 제안하여 콘크리트의 마이크로플레인 모델 M4의 매개수를 규명한다. 이 방법은 직접적인 유한요소 시뮬레이션 대신 학습된 인공신경망을 사용함으로써 계산 비용을 절감하며, $k_2$ 및 $c_{20}$와 같은 핵심 매개수를 높은 정확도로 예측한다. 다만 $c_3$는 응력-변형률 거동에 미미한 영향을 미쳐 예측이 불가능하다.

ABSTRACT

A new procedure based on layered feed-forward neural networks for the microplane material model parameters identification is proposed in the present paper. Novelties are usage of the Latin Hypercube Sampling method for the generation of training sets, a systematic employment of stochastic sensitivity analysis and a genetic algorithm-based training of a neural network by an evolutionary algorithm. Advantages and disadvantages of this approach together with possible extensions are thoroughly discussed and analyzed.

연구 동기 및 목표

• 마이크로플레인 M4 콘크리트 모델이 요구하는 다수의 현상학적 매개수로 인해 발생하는 높은 계산 비용과 신뢰할 수 있는 校정 절차 부족 문제를 해결하기 위해.
• 시간이 오래 소요되는 시행착오적 校정을 피할 수 있는 효율적이고 자동화된 매개수 규명 방법을 개발하기 위해.
• 진화 알고리즘을 통해 학습된 인공신경망을 활용하여 시뮬레이션 또는 실험적 응력-변형률 거동에서 재료 매개수를 예측하기 위해.
• 합성 시뮬레이션과 실제 일축 압축 시험 데이터를 모두 활용하여 방법의 타당성과 정확도를 검증하기 위해.
• 민감도 분석 기반으로 영향력이 큰 매개수와 무시할 수 있는 매개수(예: $c_3$)를 식별하기 위해.

제안 방법

• 학습을 위한 다양한 입력 매개수 조합을 효율적으로 생성하기 위해 라틴 하이퍼큐브 샘플링을 적용하여 시뮬레이션 횟수를 감소시킴.
• 몬테카를로 시뮬레이션을 통한 확률적 민감도 분석을 수행하여 각 매개수가 모델 반응에 미치는 영향을 정량화함.
• GRADE 유전 알고리즘을 사용하여 네트워크 가중치와 구조를 최적화함으로써 다층 피드포워드 인공신경망을 학습함.
• 민감도 분석에서 생성된 시뮬레이션 데이터를 신경망의 학습 세트로 사용하고, 독립된 테스트 데이터로 검증함.
• 학습된 신경망을 활용하여 실험적 응력-변형률 곡선에서 재료 매개수를 예측함. 이는 실제 일축 압축 데이터 포함.
• 예측된 매개수를 바탕으로 시뮬레이션된 응력-변형률 곡선을 생성하고, 원본 실험 또는 시뮬레이션 데이터와 비교하여 예측을 검증함.

실험 결과

연구 질문

• RQ1 시뮬레이션된 마이크로플레인 모델 반응에 기반해 학습된 신경망이 M4 모델의 입력 매개수를 정확히 예측할 수 있는가?
• RQ2 라틴 하이퍼큐브 샘플링과 확률적 민감도 분석의 조합이 매개수 규명의 효율성과 신뢰성에 어떤 영향을 미치는가?
• RQ3 개별 매개수가 응력-변형률 거동에 미치는 영향은 어떠한가? 그리고 어떤 매개수는 무시할 수 있는가(예: $c_3$)?
• RQ4 직접적인 유한요소 분석에 비해 제안된 방법이 매개수 校정의 계산 부담을 줄일 수 있는가?
• RQ5 학습된 신경망이 실제 실험 데이터, 예를 들어 일축 압축 시험 데이터에 대해 어느 정도 일반화 가능한가?

주요 결과

• 제안된 방법은 $c_3$를 제외한 마이크로플레인 모델 M4의 모든 매개수를 성공적으로 규명하였다. $c_3$는 응력-변형률 거동에 미미한 영향을 미쳐 영향이 없음.
• 신경망은 목표값인 $748.857$에 대해 $k_2 = 767.777$를 예측하여 삼축 압축 시뮬레이션에서 거의 완벽한 정밀도를 보였다.
• 실제 일축 압축 시험 데이터에 대해, 방법은 $c_{20} = 5.27065$를 예측하였으며, 이는 학습 구간 외부에 있었지만 관측된 데이터의 편차와 일치하였다.
• 학습 과정에서 과적합이 최소화되었으며, 오차 변화 추이가 역전파 동안 안정적인 수렴을 보였다.
• 라틴 하이퍼큐브 샘플링을 통해 필요한 시뮬레이션 횟수를 감소시켰지만 총 계산 비용은 여전히 높았으며, 30개의 일축 시험에 대해 단일 PC에서 약 25일이 소요됨.
• 7台의 컴퓨터에서 병렬 처리를 수행함으로써 일축 시험의 총 소요 시간을 4일 이내로 단축하였고, 수압 및 삼축 시험의 경우 1일 이내로 단축함.