[논문 리뷰] Physics-based Machine Learning for Computational Fracture Mechanics

Fadi Aldakheel, Elsayed S. Elsayed외 2명|ArXiv.org|2025. 02. 13.

Landslides and related hazards인용 수 3

한 줄 요약

이 논문은 물리 기반 ML 프레임워크(phi ML)를 도입하여 지배 방정식과 열역학을 신경망에 내재화해 파손될 수 있는 취성 및 연성 파괴를 모델링하고, 위상장상(phase-field) 데이터로 학습하며, 제한된 데이터에서도 직관적 데이터 기반 모델보다 일반화가 우수함을 보인다.

ABSTRACT

This study introduces a physics-based machine learning framework for modeling both brittle and ductile fractures. Unlike physics-informed neural networks, which solve partial differential equations by embedding physical laws as soft constraints in loss functions and enforcing boundary conditions via collocation points, our framework integrates physical principles, such as the governing equations and constraints, directly into the neural network architecture. This approach eliminates the dependency on problem-specific retraining for new boundary value problems, ensuring adaptability and consistency. By embedding constitutive behavior into the network's foundational design, our method represents a significant step toward unifying material modeling with machine learning for computational fracture mechanics. Specifically, a feedforward neural network is designed to embed physical laws within its architecture, ensuring thermodynamic consistency. Building on this foundation, synthetic datasets generated from finite element-based phase-field simulations are employed to train the proposed framework, focusing on capturing the homogeneous responses of brittle and ductile fractures. Detailed analyses are performed on the stored elastic energy and the dissipated work due to plasticity and fracture, demonstrating the capability of the framework to predict essential fracture features. The proposed physics-based machine learning framework overcomes the shortcomings of classical machine learning models, which rely heavily on large datasets and lack guarantees of physical principles. By leveraging its physics-integrated design, the physics-based machine learning framework demonstrates exceptional performance in predicting key properties of brittle and ductile fractures with limited training data.

연구 동기 및 목표

• 비선형 조건하에서 신뢰할 수 있는 파손 모델링의 필요성과 제한된 데이터의 필요성에 대해 동기를 부여한다.
• 아키텍처 설계를 통해 열역학적 일관성을 보장하는 phi ML 프레임워크를 개발한다.
• 합성된 위상장상 파손 데이터에 대해 phi ML 모델을 학습·검증해 취성 및 연성 거동을 포착한다.
• 정확도 및 외삽 측면에서 순전히 데이터 기반 FFNN 베이스라인과 phi ML 모델을 비교 평가한다.
• 물리학을 학습에 통합한 접근법의 강건성과 데이터 효율성을 입증한다.

제안 방법

• 지배 방정식과 열역학적 일관성을 피드포워드 신경망 아키텍처에 직접 내재화한다.
• 두 개의 종속 하위망을 사용한다: FFNN^{ε^p,d}는 소성 변형과 위상장을 예측하고, FFNN^{ψ}는 자유에너지를 예측한다.
• L_total = L_σ + L_ψ + L_{ε^p} + L_d + L_D로 결합 손실을 함께 학습하며, D = ReLU(D_d) + ReLU(D_p)로 소산 일관성을 강제한다.
• d가 [0,1] 구간에 있도록 수정된 ReLU 함수로 위상장 bounds를 강제한다.
• 균질 응답 하에서 취성 및 연성 파손에 대한 유한요소 기반의 위상장상 시뮬레이션으로 합성 학습 데이터를 생성한다.

실험 결과

연구 질문

• RQ1 물리 기반 ML 모델이 제한된 데이터로도 파손 변수들(응력, 에너지, 위상장, 소산)을 예측할 수 있는가?
• RQ2 물리 정보가 내재된 아키텍처가 순수 데이터 기반 모델에 비해 파손 역학에서 일반화와 열역학적 일관성을 개선하는가?
• RQ3 phi ML은 데이터 부족 및 외삽 상황에서 순수 데이터 기반 FFNN과 비교해 어떤 성능을 보이는가?
• RQ4 구성 물성 거동과 히스토리 의존 변수를 내재화하는 것이 파손 현상의 예측 정확도에 어떤 영향을 미치는가?

주요 결과

• 순진한 FFNN은 일반화가 어려워 특히 외삽 및 데이터 감소 시 음의 또는 거의 0에 가까운 R^2와 높은 MAPE를 보인다.
• phi ML 모델은 보정 범위 내외의 보간 및 외삽 전에서 취성 파손 출력물(에너지, 응력, 위상장, 소산)에 대해 거의 완벽한 일치를 달성(R^2 > 0.99)하고 데이터가 감소하더라도 성능을 유지한다.
• 취성 파손의 경우 전체 데이터셋에서 phi ML의 R^2는 0.996–0.999, phi ML의 MAPE는 약 3.18%로 나타났으며 순진한 FFNN은 0.894–0.998의 R^2와 14.93–58.53%의 MAPE를 보였다.
• 연성 파손의 경우 표와 그림에서 phi ML이 제한된 데이터에서도 높은 정확도와 견고성을 유지하고 순진한 모델보다 우수한 성능을 보인다.
• 취성 사례 전반에 걸쳐 phi ML 프레임워크는 물리를 학습 과정에 통합함으로써 강건성, 신뢰성 및 데이터 효율성을 입증한다.