[논문 리뷰] Deep Learning for Stress Field Prediction Using Convolutional Neural Networks.

Zhenguo Nie, Haoliang Jiang외 1명|arXiv (Cornell University)|2018. 08. 27.

Advanced machining processes and optimization참고 문헌 14인용 수 5

한 줄 요약

이 논문은 탄성 재료의 응력장 예측을 위해 컨volution 신경망을 사용하는 두 가지 딥러닝 모델—FR-CNN 및 SE-Res-FCN—을 제안한다. SE-Res-FCN 모델은 평균 상대 오차 0.25%를 기록하며, MSE와 MAE가 크게 낮아 FR-CNN보다 뛰어난 정확도와 계산 효율성을 보이며, 구조 설계 적용 분야에서 높은 정확도를 입증한다.

ABSTRACT

This research presents a deep learning based approach to predict stress fields in the solid material elastic deformation using convolutional neural networks (CNN). Two different architectures are proposed to solve the problem. One is Feature Representation embedded Convolutional Neural Network (FR-CNN) with a single input channel, and the other is Squeeze-and-Excitation Residual network modules embedded Fully Convolutional Neural network (SE-Res-FCN) with multiple input channels. Both the tow architectures are stable and converged reliably in training and testing on GPUs. Accuracy analysis shows that SE-Res-FCN has a significantly smaller mean squared error (MSE) and mean absolute error (MAE) than FR-CNN. Mean relative error (MRE) of the SE-Res-FCN model is about 0.25% with respect to the average ground truth. The validation results indicate that the SE-Res-FCN model can accurately predict the stress field. For stress field prediction, the hierarchical architecture becomes deeper within certain limits, and then its prediction becomes more accurate. Fully trained deep learning models have higher computational efficiency over conventional FEM models, so they have great foreground and potential in structural design and topology optimization.

연구 동기 및 목표

• 탄성 변형을 겪는 고체 재료의 응력장을 정확하게 예측할 수 있는 딥러닝 모델을 개발하는 것.
• 기존의 유한요소법(FEM)의 한계를 극복하기 위해 계산 효율성을 향상시키는 것.
• 네트워크 아키텍처의 깊이와 다중 채널 입력이 예측 정확도에 미치는 영향을 탐색하는 것.
• FR-CNN와 SE-Res-FCN라는 두 가지 서로 다른 CNN 아키텍처의 응력장 예측 성능을 비교하는 것.
• 딥러닝 모델이 구조 설계 및 토폴로지 최적화 분야에서 기존 FEM의 고성능 대체 수단으로서의 가능성을 평가하는 것.

제안 방법

• 변형 데이터에서 응력장 패턴을 학습하기 위해 단일 입력 채널을 사용하는 기능 표현 통합 컨volution 신경망(FR-CNN)을 제안한다.
• 특징 표현과 기울기 흐름을 향상시키기 위해 다중 입력 채널을 사용하는 압축-선택 잔여 Fully Convolutional 네트워크(SE-Res-FCN)를 도입한다.
• 학습 안정성 향상과 더 깊은 네트워크 아키텍처 구현을 위해 잔여 연결을 활용한다.
• 채널별 중요도에 따라 특징 맵을 적응적으로 재조정하기 위해 압축-선택 모듈을 통합한다.
• 유한요소 시뮬레이션을 통해 생성된 참값 응력장을 기반으로, GPU에서 지도 학습을 통해 양 모델을 훈련시킨다.
• 손실 함수로 평균 제곱 오차(MSE)와 평균 절대 오차(MAE)를 사용하며, 주요 평가 지표로 평균 상대 오차(MRE)를 활용한다.

실험 결과

연구 질문

• RQ1 다양한 CNN 아키텍처가 탄성 재료의 응력장 예측 정확도에 어떤 영향을 미치는가?
• RQ2 딥러닝 모델이 전통적인 FEM보다 낮은 예측 오차를 기록하면서도 계산 효율성을 유지할 수 있는가?
• RQ3 다중 입력 채널과 잔여 연결을 사용할 경우 모델 수렴 및 성능에 어떤 영향을 미치는가?
• RQ4 제안된 아키텍처 내에서 네트워크 깊이를 증가시킬 경우 예측 정확도는 어떻게 변화하는가?
• RQ5 SE-Res-FCN 모델이 FR-CNN에 비해 응력장 예측에서 평균 상대 오차를 얼마나 줄일 수 있는가?

주요 결과

• SE-Res-FCN 모델은 평균 기준 참값에 대해 평균 상대 오차(MRE)가 0.25%를 기록하여 높은 예측 정확도를 입증한다.
• SE-Res-FCN는 FR-CNN보다 평균 제곱 오차(MSE)와 평균 절대 오차(MAE)가 크게 낮아 우수한 회귀 성능을 보인다.
• 양 모델은 GPU에서 훈련 및 테스트 과정에서 안정적으로 수렴하여 강력한 안정성과 재현 가능성을 보인다.
• 모델 내 깊이 있는 계층적 아키텍처는 일정 깊이 이하에서는 예측 정확도 향상에 기여한다.
• 완전히 훈련된 딥러닝 모델은 기존의 유한요소법(FEM) 모델보다 높은 계산 효율성을 보인다.
• SE-Res-FCN 모델은 정확도와 속도 면에서 뛰어나 구조 설계 및 토폴로지 최적화 분야에서 큰 잠재력을 지닌다.