[논문 리뷰] Comparison of two artificial neural networks trained for the surrogate modeling of stress in materially heterogeneous elastoplastic solids

Sarthak Kapoor, Jaber Rezaei Mianroodi외 3명|arXiv (Cornell University)|2022. 10. 31.

Microstructure and Mechanical Properties of Steels인용 수 4

한 줄 요약

이 연구는 이방성 탄소성 다결정 미세구조에서 응력장의 서rogate 모델링을 위해 U-Net 기반의 합성곱 신경망(CNN)과 푸리에 신경 연산자(FNO)를 비교한다. 경계값 문제의 유한요소 해를 기반으로 훈련된 FNO는 U-Net(1.41–2.15%) 대비 3.5–7.5배 낮은 정규화 평균 절대 오차(0.25–0.40%)를 기록하며, 공간 해상도와 결정립 밀도 변화에 대해 뛰어난 강건성을 보이지만, 응력 집중부 근처의 강한 응력 기울기를 포착하지 못하는 데에는 공통된 한계를 보인다.

ABSTRACT

The purpose of this work is the systematic comparison of the application of two artificial neural networks (ANNs) to the surrogate modeling of the stress field in materially heterogeneous periodic polycrystalline microstructures. The first ANN is a UNet-based convolutional neural network (CNN) for periodic data, and the second is based on Fourier neural operators (FNO). Both of these were trained, validated, and tested with results from the numerical solution of the boundary-value problem (BVP) for quasi-static mechanical equilibrium in periodic grain microstructures with square domains. More specifically, these ANNs were trained to correlate the spatial distribution of material properties with the equilibrium stress field under uniaxial tensile loading. The resulting trained ANNs (tANNs) calculate the stress field for a given microstructure on the order of 1000 (UNet) to 2500 (FNO) times faster than the numerical solution of the corresponding BVP. For microstructures in the test dataset, the FNO-based tANN, or simply FNO, is more accurate than its UNet-based counterpart; the normalized mean absolute error of different stress components for the former is 0.25-0.40% as compared to 1.41-2.15% for the latter. Errors in FNO are restricted to grain boundary regions, whereas the error in U-Net also comes from within the grain. In comparison to U-Net, errors in FNO are more robust to large variations in spatial resolution as well as small variations in grain density. On other hand, errors in U-Net are robust to variations in boundary box aspect ratio, whereas errors in FNO increase as the domain becomes rectangular. Both tANNs are however unable to reproduce strong stress gradients, especially around regions of stress concentration.

연구 동기 및 목표

• 이방성 탄소성 다결정 미세구조에서 응력장의 서rogate 모델링을 위한 U-Net 기반 CNN과 FNO 기반 신경 연산자 간의 성능을 체계적으로 비교하는 것.
• 다양한 공간 해상도, 결정립 밀도, 영역 종횡비에서 두 모델의 정확도, 일반화 능력, 강건성 평가하기.
• 최소한의 오차와 높은 계산 속도로 단축 인장 하중 조건에서 응력장을 재현할 수 있는 능력 평가하기.
• 학습된 모델이 응력 집중부 근처에서 강한 응력 기울기와 기계적 평형 위반을 포착하지 못하는 한계 분석하기.

제안 방법

• U-Net은 스킵 연결을 갖춘 완전 합성곱 인코더-디코더 네트워크로, 2차원 주기적 미세구조에서 재료 특성의 공간 분포를 응력 텐서 필드로 매핑하도록 훈련된다.
• FNO는 스펙트럼 연산을 기반으로 기능 공간 간의 매핑을 학습하여 해상도에 영향을 받지 않는 추론과 단일 스텝 초해상도를 가능하게 한다.
• 합성 2차원 결정립 미세구조는 등방성, 완벽한 탄소성 결정립을 가진 바르노이 타일링을 통해 생성되었으며, 스펙트럼 해법기를 사용해 축방향 인장 하중을 가했다.
• 두 모델은 256×256 해상도의 20개 결정립 미세구조에서 훈련되었으며, 다양한 구성에서의 검증 및 테스트는 새로운 미세구조에서 수행되었다.
• 모델 평가에는 제1 피올라-클리포드 응력 텐서의 모든 9개 성분에 대해 정규화 평균 절대 오차(NMAE)를 사용하였다.
• 일반화 능력 평가 시 공간 해상도, 결정립 밀도, 경계 상자 종횡비 변화를 고려하였으며, 오차 집중 영역 분석을 위해 응력 집중 영역을 분석하였다.

실험 결과

연구 질문

• RQ1 U-Net과 FNO는 이방성 탄소성 다결정 미세구조에서 응력장을 예측할 때 정확도 측면에서 어떻게 성능을 보이는가?
• RQ2 각 모델은 공간 해상도와 결정립 밀도 변화에 어떻게 반응하는가?
• RQ3 모델은 시뮬레이션 영역의 종횡비 변화에 어떻게 반응하는가?
• RQ4 주요 오차는 결정립 내부인지 결정립 경계에서 집중되어 있는가?
• RQ5 두 모델이 응력 집중부 근처의 강한 응력 기울기를 포착하지 못하는 정도는 어느 정도인가?

주요 결과

• FNO 기반 서rogate 모델은 응력 성분 전반에 걸쳐 정규화 평균 절대 오차(NMAE)가 0.25–0.40%를 기록하며, 이는 U-Net의 1.41–2.15% 오차보다 3.5~7.5배 낮다.
• FNO 오차는 주로 결정립 경계에서 집중되며, U-Net 오차는 결정립 내부와 경계에서 모두 기인하여 오차 전파 방식에 근본적인 차이가 있음을 시사한다.
• FNO는 높은 공간 해상도로의 일반화가 뛰어나며, 결정립 경계 비율 변화에 따라 일관된 오차 스케일링을 유지하지만, U-Net은 해상도 변화에 따라 오차가 크게 증가한다.
• FNO는 작은 결정립 밀도 변화에 더 강건하지만, 큰 밀도 변화 시 오차가 급격히 증가한다; 반면 U-Net은 작은 변화에도 민감하게 반응한다.
• U-Net은 경계 상자 종횡비 변화에 더 강건한 반면, FNO는 영역이 직사각형으로 변할수록 오차가 크게 증가한다. 이는 입력의 주파수 성분이 변화하기 때문이며, FNO의 성능 저하 원인으로 지목된다.
• 두 모델 모두 날카로운 모서리와 같은 기하학적 응력 집중부 근처의 강한 응력 기울기를 정확히 포착하지 못하며, 고기울기 특징을 해석하는 데 공통된 한계를 보인다.