[논문 리뷰] How machine learning can help the design and analysis of composite materials and structures?

Xin Liu, Su Tian외 3명|arXiv (Cornell University)|2020. 10. 14.

Composite Material Mechanics참고 문헌 140인용 수 6

한 줄 요약

이 논문은 인공신경망(ANN)이 다스케일 모델링을 가속화하고 비선형 구성 모델링을 가능하게 하며 강건한 설계 최적화를 지원함으로써 복합재료 및 구조물의 설계와 분석을 향상시키는 방식을 검토한다. ANN은 데이터 기반의 대체 모델로서 물리적 원리와 실험 데이터를 통합함으로써 정확성과 해석 가능성 향상을 위해 계산 비용을 줄이는 데 기여하며, 차세대 복합재료 설계를 위한 하이브리드 프레임워크를 제공한다.

ABSTRACT

Machine learning models are increasingly used in many engineering fields thanks to the widespread digital data, growing computing power, and advanced algorithms. Artificial neural networks (ANN) is the most popular machine learning model in recent years. Although many ANN models have been used in the design and analysis of composite materials and structures, there are still some unsolved issues that hinder the acceptance of ANN models in the practical design and analysis of composite materials and structures. Moreover, the emerging machine learning techniques are posting new opportunities and challenges in the data-based design paradigm. This paper aims to give a state-of-the-art literature review of ANN models in the nonlinear constitutive modeling, multiscale surrogate modeling, and design optimization of composite materials and structures. This review has been designed to focus on the discussion of the general frameworks and benefits of ANN models to the above problems. Moreover, challenges and opportunities in each key problem are identified and discussed. This paper is expected to open the discussion of future research scope and new directions to enable efficient, robust, and accurate data-driven design and analysis of composite materials and structures.

연구 동기 및 목표

• 인공신경망(ANN)의 최신 응용 사례를 복합재료 및 구조물 분야에서 비선형 구성 모델링, 다스케일 대체 모델링, 설계 최적화에 중점을 두고 검토하는 것.
• 자료 부족, 모델의 해석 가능성, 물리적 일관성과 같은 문제들에 대해 ANN을 복합재료 설계에 적용함에 있어 핵심 과제와 기회를 규명하는 것.
• ANN을 물리 기반 모델, 실험 및 데이터 과학과 융합하는 하이브리드 접근 방식을 제안하여 예측 정확도를 향상시키고 대규모 데이터셋에 대한 의존도를 줄이는 것.
• 데이터 기반, 강건성 및 해석 가능성 있는 복합재료 및 구조물 모델링의 새로운 방향을 제시하여 향후 연구를 자극하는 것.

제안 방법

• 비선형 구성 모델링, 다스케일 대체 모델링, 설계 최적화의 세 핵심 응용 분야에서 ANN을 분석하기 위한 문헌 고찰 프레임워크를 활용한다.
• 데이터 소스 기반으로 기계학습 응용을 분류한다: 실험 데이터(미지의 물리 법칙 발견을 위해) 및 시뮬레이션 데이터(비용이 많이 드는 모델을 가속화하기 위해).
• 모델의 일관성을 향상시키고 학습에 필요한 데이터를 줄이기 위해 물리적 제약 조건을 ANN 손실 함수에 통합하는 것을 제안한다.
• 직접적인 재료 성질 측정이 필요 없이, 물리 기반 모델이나 구조물 시험에서 유도된 간접 데이터를 사용해 ANN을 훈련시켜 구성 법칙을 학습하는 방법을 도입한다.
• 차원 축소(예: 주성분 분석)와 다중 정밀도 데이터 융합을 강조하여 입력 복잡도와 계산 비용을 낮춘다.
• 공학 워크플로우에 실질적으로 통합할 수 있도록 상용 유한요소 소프트웨어에 사용자 정의 서브루틴을 통해 ANN을 통합할 것을 권장한다.

실험 결과

연구 질문

• RQ1 물리 기반 모델이 부족할 경우, ANN은 복합재료의 복잡한 비선형 구성 거동을 효과적으로 모델링하는 데 어떻게 활용될 수 있는가?
• RQ2 정확도를 훼손하지 않고도 ANN이 다스케일 시뮬레이션을 가속화하는 데 대체 모델로 어떻게 기능할 수 있는가?
• RQ3 복합재료의 강건한 설계 최적화에서 ANN 모델과 설계 변수의 불확실성은 어떻게 정량화하고 관리될 수 있는가?
• RQ4 물리 기반 기계학습은 자료 요구량을 줄이고 복합재료 모델링의 해석 가능성에 어떻게 기여하는가?
• RQ5 실험 데이터와 시뮬레이션 데이터는 어떻게 체계적으로 융합되어 다양한 스케일과 파손 메커니즘에 일반화된 ANN을 훈련시킬 수 있는가?

주요 결과

• ANN은 다스케일 모델링에서 비용이 많이 드는 물리 기반 시뮬레이션을 대체하는 데 강력한 잠재력을 보이며, 계산 비용을 크게 줄이고도 예측 정확도를 유지한다.
• 물리 기반 기반 ANN은 손실 함수에 제약 조건을 통합함으로써 대규모 학습 데이터셋이 필요로 하는 것을 줄이고 물리적 일관성을 향상시킨다.
• 구조물 또는 커퍼니언 테스트에서 유도된 간접 데이터를 사용해, 직접적인 재료 시험 없이도 구성 요소 스케일에서의 구성 법칙을 학습할 수 있도록 ANN을 훈련시킬 수 있다.
• 주성분 분석과 같은 데이터 과학 기법의 통합은 입력 차원을 감소시켜 ANN 훈련의 계산 비용을 낮춘다.
• 진전이 있었음에도 불구하고, ANN 모델 자체의 불확실성 정량화 문제는 여전히 남아 있으며, ANN을 활용한 강건한 설계 최적화 연구는 여전히 초창기 단계에 머물러 있다.
• ANN, 물리 기반 모델, 실험, 데이터 과학을 융합하는 하이브리드 프레임워크가 정확하고 효율적이며 해석 가능한 복합재료 설계를 위한 유망한 길로 떠오르고 있다.