[논문 리뷰] Experiment-informed finite-strain inverse design of spinodal metamaterials

Prakash Thakolkaran, Michael A. Espinal외 3명|arXiv (Cornell University)|2023. 12. 18.

Topology Optimization in Engineering인용 수 4

한 줄 요약

이 연구는 정밀한 유한변형 거동를 갖는 스핀odal 메타물질의 역설계를 위한 실험 기반, 물리학 강화 기계학습 프레임워크를 제시한다. 최대 40% 변형률까지 실험적으로 측정된 107개의 응력-변형률 곡선 데이터셋을 활용하여, 부분 입력 볼록 신경망(PICNNs)을 통한 물리학 기반의 유도 편향을 적용해 비볼록 에너지 잠재함수를 모델링함으로써, 고정밀 시뮬레이션에 의존하지 않고도 복잡한 비선형 거동을 정확히 예측하고 최적화할 수 있다.

ABSTRACT

Spinodal metamaterials, with architectures inspired by natural phase-separation processes, have presented a significant alternative to periodic and symmetric morphologies when designing mechanical metamaterials with extreme performance. While their elastic mechanical properties have been systematically determined, their large-deformation, nonlinear responses have been challenging to predict and design, in part due to limited data sets and the need for complex nonlinear simulations. This work presents a novel physics-enhanced machine learning (ML) and optimization framework tailored to address the challenges of designing intricate spinodal metamaterials with customized mechanical properties in large-deformation scenarios where computational modeling is restrictive and experimental data is sparse. By utilizing large-deformation experimental data directly, this approach facilitates the inverse design of spinodal structures with precise finite-strain mechanical responses. The framework sheds light on instability-induced pattern formation in spinodal metamaterials -- observed experimentally and in selected nonlinear simulations -- leveraging physics-based inductive biases in the form of nonconvex energetic potentials. Altogether, this combined ML, experimental, and computational effort provides a route for efficient and accurate design of complex spinodal metamaterials for large-deformation scenarios where energy absorption and prediction of nonlinear failure mechanisms is essential.

연구 동기 및 목표

• 계산 시뮬레이션이 제한되고 실험 데이터가 희소한 상황에서 스핀odal 메타물질의 맞춤형 유한변형 기계적 성질을 설계하는 데 도전하는 것.
• 고정밀 실험 데이터를 직접 기계학습 프레임워크에 통합하여 스핀odal 메타물질의 구조-성질 관계 간 격차를 메우는 것.
• 메타물질의 기계학습에서 품질-양의 이분법적 문제를 해결하기 위해 데이터가 제한된 상황에서 보완 기능을 수행하는 물리학 기반의 유도 편향을 통합하는 것.
• 에너지 흡수 등 40% 변형률까지의 극한 변형 거동을 포함한 목표 응력-변형률 거동을 달성하는 스핀odal 구조의 역설계를 가능하게 하는 것.
• 상태 변화 모델링에서 영감을 얻은 비볼록 에너지 잠재함수를 통해 불안정성 유도 패턴 형성 메커니즘을 물리적으로 해석 가능한 프레임워크를 제공하는 것.

제안 방법

• 107개의 마이크로스케일 스핀odal 메타물질에 대해 현장 및 비현장 나노기계적 단축 압축 시험을 통해 최대 40% 변형률까지 측정된 소규모 실험 데이터셋을 사용한다.
• 비볼록 잠재함수를 형성하기 위해 다중 부분 입력 볼록 신경망(PICNNs)을 사용한 물리학 강화 기계학습 모델을 구성하여, 큰 변형에서의 복잡한 비선형 응력-변형률 거동을 포괄한다.
• 정방향 모델 서rogate는 실험 데이터에서 구조-성질 맵핑을 학습하며, 비볼록성 등의 물리적 제약 조건을 통합하여 데이터가 제한된 상황에서도 일반화 성능을 향상시킨다.
• 기울기 기반 다중 초기화를 활용한 역최적화 기법을 통해 목표 유한변형 응력-변형률 거동을 만족하는 스핀odal 형태를 식별한다.
• 이 방법은 상태 변화 이론에 기반하며, 스핀odal 분리 물리학에서 유도된 비볼록 에너지 잠재함수를 통해 불안정성 유도 패턴 형성 메커니즘을 모델링한다.
• 321회의 고속도 실험 캠프를 통해 프레임워크를 검증하였으며, 각 배치 간 일관된 IP-Dip 광경화성 재료 특성(E = 3.2 ± 0.3 GPa, σ_y = 77 ± 7 MPa)을 확보하였다.

실험 결과

연구 질문

• RQ1 희소한 실험 데이터만을 사용하여 물리학 강화 기계학습 프레임워크가 스핀odal 메타물질의 유한변형 기계적 거동을 정확히 예측할 수 있는가?
• RQ2 기계학습에서 비볼록 에너지 잠재함수는 어떻게 모델링할 수 있으며, 스핀odal 구조에서의 붕괴 및 큰 변형과 같은 복잡한 비선형 거동을 포괄할 수 있는가?
• RQ3 기계학습에서 물리학 기반의 유도 편향은 얼마나 많은 고정밀 시뮬레이션의 필요성을 줄일 수 있는가?
• RQ4 학습 데이터 영역 외부에 위치한 목표 응력-변형률 거동을 갖는 스핀달 형태를 프레임워크가 식별할 수 있는가?
• RQ5 현장 및 비현장 실험 데이터의 통합은 복잡한 메타물질에 대한 기계학습 모델의 물리적 해석 가능성과 신뢰도를 어떻게 향상시키는가?

주요 결과

• 프레임워크는 오직 107개의 실험 데이터 포인트만을 사용하여 다양한 스핀달 형태의 유한변형 응력-변형률 거동, 특히 40% 변형률까지의 에너지 흡수 거동을 성공적으로 예측하였다.
• PICNN 기반 모델은 고정밀 시뮬레이션에 의존하지 않고도 기하학적 비선형성, 재료 비선형성, 붕괴, 자기접촉과 같은 복잡한 비선형 거동을 정확히 포착하였다.
• 이 방법은 학습 데이터 범위 외부에 위치한 목표 응력-변형률 곡선을 만족하는 스핀달 구조의 역설계를 가능하게 하였다.
• 실험적 검증을 통해 각 인쇄 배치 간 일관된 재료 특성을 확인하였으며, IP-Dip 광경화성 재료의 엘라스티스티 모odulus는 3.2 ± 0.3 GPa, 항복강도는 77 ± 7 MPa였다.
• 현장 및 비현장 시험의 통합을 통해 두꺼운 셸 구조의 스핀달 형태에서 局부 변형 메커니즘이 드러났으며, 이는 기계학습 모델 예측의 물리적 해석에 기여하였다.
• 프레임워크는 전통적 실험 방법 대비 데이터 처리 속도를 10배 향상시켜 고밀도 아키텍처 메타물질에서의 기계학습 적용 가능성을 입증하였다.