[논문 리뷰] Phase-Field Modeling of Fracture with Physics-Informed Deep Learning

M. Manav, R. Molinaro외 2명|arXiv (Cornell University)|2024. 04. 19.

Magnetic Properties and ApplicationsMaterials Science인용 수 3

한 줄 요약

이 논문은 복잡한 균열 거동인 핵심 생성, 전파, 굽힘, 분지 및 융합 등을 정확하게 시뮬레이션할 수 있도록, 딥 릿지 방법(Deep Ritz Method, DRM)을 활용한 물리 기반 딥 러닝 접근법을 제안한다. 이 방법은 벤치마크 문제 전반에서 유한요소해석(Finite Element Analysis, FEA)과 정량적 일치를 보이며, 네트워크 초기화에 대해 강건성을 확보한다.

ABSTRACT

We explore the potential of the deep Ritz method to learn complex fracture processes such as quasistatic crack nucleation, propagation, kinking, branching, and coalescence within the unified variational framework of phase-field modeling of brittle fracture. We elucidate the challenges related to the neural-network-based approximation of the energy landscape, and the ability of an optimization approach to reach the correct energy minimum, and we discuss the choices in the construction and training of the neural network which prove to be critical to accurately and efficiently capture all the relevant fracture phenomena. The developed method is applied to several benchmark problems and the results are shown to be in qualitative and quantitative agreement with the finite element solution. The robustness of the approach is tested by using neural networks with different initializations.

연구 동기 및 목표

• 단층균열 모델링에서 복잡한 균열 과정을 시뮬레이션하기 위한 강력한 신경망 및 최적화 프레임워크 개발.
• 딥 러닝 기반 단층균열 시뮬레이션에서 비凸한 에너지 표면과 정확한 에너지 최소화 문제 해결.
• 물리 기반 신경망을 통해 급격한 기울기를 가지는 결합된 변형 및 단층장 학습 가능.
• 효율적인 온라인 추론을 위한 파arametric 단층균열 문제 해결 기반 마련.
• 다양한 균열 현상에서 DRM 기반 접근법의 성능 및 강건성 평가.

제안 방법

• 강형 편미분방정식을 푸는 대신, 단층균열 에너지 기능을 직접 최소화하기 위해 딥 릿지 방법(Deep Ritz Method, DRM)을 사용.
• 변위 및 단층장을 근사하기 위해 수정된 ReLU 활성화 함수를 사용하는 완전 연결 피드포워드 신경망을 사용.
• 손실 함수는 도메인 전체에 걸쳐 통합된 에너지 기능을 포함하며, 경계 및 초기 조건을 강제하는 추가 항이 포함됨.
• 가중치 정규화 및 수치적 기울기 계산을 적용하여 학습 안정성 향상 및 수렴 개선.
• 비凸한 에너지 표면을 탐색하는 데 가장 효과적인 것으로 평가된 RPROP 최적화 알고리즘 선택.
• 단일 설정에서 학습하여 균열 핵심 생성, 전파, 굽힘, 분지 및 융합을 포함한 다양한 균열 현상 시뮬레이션 가능.

Figure 1: Scheme of our deep Ritz method for the two-dimensional case (left); function constraining the phase field between 0 and 1 (right)

실험 결과

연구 질문

• RQ1 딥 릿지 방법은 신경망을 활용해 비凸한 에너지 기능을 단층균열 모델링에서 효과적으로 최소화할 수 있는가?
• RQ2 네트워크 아키텍처 및 최적화 선택이 균열 경로 예측 정확도 및 강건성에 어떤 영향을 미치는가?
• RQ3 단일 신경망 아키텍처가 분지 및 융합을 포함한 다양한 균열 현상을 어느 정도 정확히 포괄할 수 있는가?
• RQ4 에너지 변화 및 균열 형태 측면에서 DRM 기반 접근법은 FEA와 정량적으로 어떻게 비교되는가?
• RQ5 복잡한 균열 시뮬레이션에서 정확도를 유지하면서 다양한 신경망 초기화에 대해 강건성을 유지할 수 있는가?

주요 결과

• 제안된 DRM 기반 접근법은 모든 벤치마크 문제에서 에너지 변화 및 균열 경로 형태 측면에서 FEA와 정량적 일치를 달성한다.
• 이 방법은 단일 통합 프레임워크 내에서 균열 핵심 생성, 전파, 굽힘, 분지 및 융합을 포함한 복잡한 균열 현상을 성공적으로 포착한다.
• 다양한 네트워크 초기화로 인해 균열 전파의 임계 하중에 약간의 변동성이 나타나지만, 에너지 곡선은 FEA와 밀접하게 일치하여 강건성을 시사한다.
• 딥 릿지 방법은 단층균열에서 일반적으로 나타나는 비凸한 에너지 표면을 다루는 데 기존 PINN 접근법보다 뛰어난 성능을 보인다.
• FEA보다 높은 계산 비용(학습 시간이 최대 10배 길어질 수 있음)이 존재하지만, 다양한 균열 시나리오에 걸쳐 강건하고 일반화 가능한 성능 확보.
• 8개의 네트워크 초기화 중 2개가 올바른 에너지 최소값으로 수렴하지 못해, 최적화 및 초기화 선택의 중요성을 강조한다.

Figure 2: 1D bar problem: geometry and boundary conditions.