[논문 리뷰] Intelligent multiscale simulation based on process-guided composite database

Zeliang Liu, Haoyan Wei외 2명|arXiv (Cornell University)|2020. 03. 20.

Composite Material Mechanics참고 문헌 46인용 수 20

한 줄 요약

이 논문은 공정 유도 복합재 데이터베이스를 사용하여 주입성형 단섬유 보강 복합재를 위한 지능형 다스케일 시뮬레이션 프레임워크를 제안한다. 확률적 RVE 생성, 딥 머티어리얼 네트워크(DMN) 학습, 동시 다스케일 FEM을 통합함으로써, 물리 기반의 정확한 비선형, 이방성 재료 거동 예측이 가능해지며, 전이 학습을 통해 통합되고 외삽 가능한 재료 데이터베이스를 제공한다.

ABSTRACT

In the paper, we present an integrated data-driven modeling framework based on process modeling, material homogenization, mechanistic machine learning, and concurrent multiscale simulation. We are interested in the injection-molded short fiber reinforced composites, which have been identified as key material systems in automotive, aerospace, and electronics industries. The molding process induces spatially varying microstructures across various length scales, while the resulting strongly anisotropic and nonlinear material properties are still challenging to be captured by conventional modeling approaches. To prepare the linear elastic training data for our machine learning tasks, Representative Volume Elements (RVE) with different fiber orientations and volume fractions are generated through stochastic reconstruction. More importantly, we utilize the recently proposed Deep Material Network (DMN) to learn the hidden microscale morphologies from data. With essential physics embedded in its building blocks, this data-driven material model can be extrapolated to predict nonlinear material behaviors efficiently and accurately. Through the transfer learning of DMN, we create a unified process-guided material database that covers a full range of geometric descriptors for short fiber reinforced composites. Finally, this unified DMN database is implemented and coupled with macroscale finite element model to enable concurrent multiscale simulations. From our perspective, the proposed framework is also promising in many other emergent multiscale engineering systems, such as additive manufacturing and compressive molding.

연구 동기 및 목표

• 주입성형 단섬유 보강 복합재에서 공간적으로 변화하는 미세구조와 이방성, 비선형 기계적 거동을 모델링하는 데 도전하는 것.
• 다양한 길이 척도에서 복잡한 미세구조 형태 효과를 포괄하는 데이터 기반, 물리 기반의 모델링 프레임워크 개발.
• 딥 러닝을 활용하여 통합되고 이식 가능한 재료 데이터베이스를 구축함으로써 효율적이고 정확한 동시 다스케일 시뮬레이션 실현.
• 섬유 정렬도, 체적 분율 등 공정 유도 기하 특성 기반의 확장 가능한 예측 모델링 파이프라인에 통합하는 것.

제안 방법

• 다양한 섬유 정렬도와 체적 분율을 가진 대표 체적 요소(RVE)의 확률적 재구성으로 선형 탄성 학습 데이터 생성.
• 딥 머티어리얼 네트워크(DMN)의 적용 — 물리 기반의 기계 학습 모델로 데이터로부터 숨겨진 미세구조 형태를 학습.
• DMN의 구성 요소에 핵심 물리 법칙을 통합하여 학습 데이터를 초월한 외삽 능력을 확보.
• 전이 학습을 활용하여 다양한 기하 특성 기반의 DMN 모델을 하나의 통합된 프로세스 유도 재료 데이터베이스로 통합.
• 학습된 DMN 데이터베이스를 매크로스케일 유한요소 모델과 결합하여 동시 다스케일 시뮬레이션 수행.
• 복잡한 하중 조건 하에서 비선형, 이방성 거동을 시뮬레이션하기 위해 주입성형 복합재에 프레임워크 검증.

실험 결과

연구 질문

• RQ1 데이터 기반의 다스케일 프레임워크는 어떻게 주입성형 단섬유 복합재의 비선형, 이방성 기계적 거동을 정확하게 예측할 수 있는가?
• RQ2 DMN와 같은 물리 기반의 딥 러닝 모델은 얼마나 다양한 미세구조 구성에 일반화될 수 있는가?
• RQ3 다양한 기하 특성을 통합하여 효율적인 시뮬레이션을 위한 프로세스 유도 복합재 데이터베이스를 구축할 수 있는가?
• RQ4 DMN와 유한요소 방법의 통합은 정확한 동시 다스케일 시뮬레이션을 어떻게 가능하게 하는가?

주요 결과

• 제안된 프레임워크는 확률적 RVE 생성을 통해 주입성형 공정에 의해 유도된 복잡한 공간적으로 변화하는 미세구조를 성공적으로 포착한다.
• DMN 모델은 아키텍처에 내장된 물리 법칙 덕분에 학습 데이터를 초월한 비선형 재료 거동 예측에 강력한 외삽 능력을 보인다.
• 전이 학습을 통해 다양한 섬유 정렬도와 체적 분율를 포함하는 통합된 프로세스 유도 재료 데이터베이스를 구축할 수 있었다.
• DMN 데이터베이스를 활용한 동시 다스케일 시뮬레이션은 단섬유 복합재의 매크로스케일 반응 예측에서 높은 정확도와 효율성을 보였다.
• 이 프레임워크는 적층 제조 및 압축 성형과 같은 다른 신규 다스케일 시스템에도 일반화 가능하고 적용 가능하다.