[논문 리뷰] Deep learning methods based on cross-section images for predicting effective thermal conductivity of composites

Qingyuan Rong, Wei Han외 1명|arXiv (Cornell University)|2019. 04. 12.

Thermal properties of materials참고 문헌 54인용 수 4

한 줄 요약

이 논문은 복합재료의 2차원 단면 영상을 2차원 합성곱 신경망(CNN)의 입력으로 사용하여 효과적 열전도도를 예측하는 방법을 제안한다. 이는 3차원 CNN과 비교해도 유사한 정확도를 달성한다. 특히 열 흐름 방향에 정렬된 다수의 단면 영상을 활용함으로써 2차원 CNN은 높은 예측 성능를 달성하며, 비용이 많이 드는 3차원 미세구조 데이터 의존도를 줄이면서도 영상의 대표성과 크기를 통해 정확도를 유지한다.

ABSTRACT

Effective thermal conductivity is an important property of composites for different thermal management applications. Although physics-based methods, such as effective medium theory and solving partial differential equation, dominate the relevant research, there is significant interest to establish the structure-property linkage through the machine learning method. The performance of general machine learning methods is highly dependent on features selected to represent the microstructures. 3D convolutional neural networks (CNNs) can directly extract geometric features of composites, which have been demonstrated to establish structure-property linkages with high accuracy. However, to obtain the 3D microstructure in composite is generally challenging in reality. In this work, we attempt to use 2D cross-section images which can be easier to obtain in real applications as input of 2D CNNs to predict effective thermal conductivity of 3D composites. The results show that by using multiple cross-section images along or perpendicular to the preferred directionality of the fillers, the prediction accuracy of 2D CNNs can be as good as 3D CNNs. Such a result is demonstrated with the particle filled composite and a stochastic complex composite. The prediction accuracy is dependent on the representativeness of cross-section images used. Multiple cross-section images can fully determine the shape and distribution of fillers. The average over multiple images and the use of large-size images can reduce the uncertainty and increase the prediction accuracy. Besides, since cross-section images along the heat flow direction can distinguish between serial structures and parallel structures, they are more representative than cross-section images perpendicular to the heat flow direction.

연구 동기 및 목표

• 기계학습을 활용하여 복합재료의 효과적 열전도도에 대한 구조-성질 연관성을 수립하기 위해.
• 3차원 미세구조 데이터 확보의 과제를 해결하기 위해 2차원 단면 영상을 입력으로 사용하기 위해.
• 2차원 영상만을 사용할 때 2차원 CNN이 3차원 CNN과 비교해 유사한 예측 정확도를 달성할 수 있는지 평가하기 위해.
• 예측 신뢰도를 극대화하기 위해 최적의 단면 방향 및 영상 처리 전략을 규명하기 위해.
• 입자 함유 및 무작위 복합재료에서 3차원 열전도 거동을 추론하기 위해 대표성 있는 2차원 영상 스택을 사용할 수 있는지의 타당성을 입증하기 위해.

제안 방법

• 복합재료 미세구조의 다수의 2차원 단면 영상에 대해 2차원 합성곱 신경망(CNN)을 훈련시키기 위해.
• 열 흐름 방향에 따라 촬영한 단면 영상을 사용하여 직렬 및 병렬 열전도 경로를 더 잘 구분하기 위해.
• 다수의 단면 영상을 평균 내어 불확실성을 감소시키고 특징 표현을 향상시키기 위해.
• 크기가 큰 영상을 사용하여 공간 해상도를 향상시키고 더 섬세한 미세구조 특징을 포착하기 위해.
• 물리 기반 시뮬레이션 또는 분석 모델로부터의 기준 솔루션과 비교하여 예측값을 검증하기 위해.
• 열 흐름 방향에 평행하거나 수직인 단면 영상 사용 시 2차원 CNN의 성능를 비교하기 위해.

실험 결과

연구 질문

• RQ1 2차원 CNN이 복합재료의 단면 영상에 훈련된 후, 3차원 CNN 수준의 정확도로 효과적 열전도도를 예측할 수 있는가?
• RQ2 단면 영상의 방향(열 흐름 방향에 평행 또는 수직)이 예측 성능에 어떤 영향을 미치는가?
• RQ3 다수의 단면 영상이 2차원 CNN 예측의 대표성과 정확도를 어느 정도 향상시키는가?
• RQ4 영상 크기와 앙상블 평균화가 열전도도 예측의 불확실성을 줄이는 데 어떤 역할을 하는가?
• RQ5 2차원 단면 데이터가 복합재료의 열전도에 핵심적인 3차원 미세구조 특징을 충분히 포괄할 수 있는가?

주요 결과

• 복합재료의 다수의 단면 영상을 사용할 경우, 2차원 CNN은 3차원 CNN과 비교해 유사한 예측 정확도를 달성한다.
• 열 흐름 방향에 정렬된 단면 영상가 더 대표적이며, 흐름 방향에 수직인 영상보다 더 높은 예측 정확도를 제공한다.
• 다수의 단면 영상에서의 예측값을 평균 내어 불확실성을 감소시키고 모델의 강건성을 향상시킨다.
• 더 큰 영상 크기는 특징 추출을 향상시키고 예측 성능 향상에 기여한다.
• 사용된 단면 영상의 대표성은 총 예측 정확도의 핵심 결정 요소이다.
• 전체 3차원 미세구조 데이터가 필요 없이도 정확한 열전도도 예측이 가능하며, 이는 실험적 및 계산적 비용을 크게 절감한다.