[논문 리뷰] Predicting Mechanical Properties from Microstructure Images in Fiber-reinforced Polymers using Convolutional Neural Networks

Yixuan Sun, Imad Hanhan외 2명|arXiv (Cornell University)|2020. 10. 07.

Non-Destructive Testing TechniquesEngineering참고 문헌 36인용 수 19

한 줄 요약

이 연구는 분할된 단층 단층 영상에서 섬유 강화 폴리머의 2차원 미세구조 슬라이스에서 응력장을 예측하기 위해 StressNet 기반의 완전 컨volution 신경망(FCNN)을 제안한다. 단일 시편의 유한요소(FE) 시뮬레이션 데이터로 훈련된 모델은 FE의 92.5시간 대비 몇 초 내에 응력 분포를 예측하며, 섬유 부위의 고응력 영역을 정확히 포착하여 빠른 손상 부위 식별 가능성을 시사한다.

ABSTRACT

Evaluating the mechanical response of fiber-reinforced composites can be extremely time consuming and expensive. Machine learning (ML) techniques offer a means for faster predictions via models trained on existing input-output pairs and have exhibited success in composite research. This paper explores a fully convolutional neural network modified from StressNet, which was originally for lin-ear elastic materials and extended here for a non-linear finite element (FE) simulation to predict the stress field in 2D slices of segmented tomography images of a fiber-reinforced polymer specimen. The network was trained and evaluated on data generated from the FE simulations of the exact microstructure. The testing results show that the trained network accurately captures the characteristics of the stress distribution, especially on fibers, solely from the segmented microstructure images. The trained model can make predictions within seconds in a single forward pass on an ordinary laptop, given the input microstructure, compared to 92.5 hours to run the full FE simulation on a high-performance computing cluster. These results show promise in using ML techniques to conduct fast structural analysis for fiber-reinforced composites and suggest a corollary that the trained model can be used to identify the location of potential damage sites in fiber-reinforced polymers.

연구 동기 및 목표

• 계산 비용이 큰 유한요소해석(FEA)을 대체하여 섬유 강화 폴리머의 기계적 반응 예측 속도를 향상시키기 위해 머신러닝을 도입하고자 한다.
• 물리 기반 모델링을 명시적으로 요구하지 않고도 미세구조 영상에서 응력장으로의 매핑을 학습하는 데이터 기반 모델을 개발하고자 한다.
• 훈련된 신경망이 미세구조적 특징만으로도 초기 손상 부위를 식별할 수 있는지 탐색하고자 한다.
• 비선형, 섬유 강화 폴리머 복합재에서 빠르고 정확한 응력장 예측을 위해 딥 러닝 기술의 가능성을 평가하고자 한다.
• 특정 하중 조건에서 단일 미세구조 시편으로 훈련된 모델의 일반화 능력과 한계를 평가하고자 한다.

제안 방법

• 선형 탄성 재료를 위한 목적으로 개발된 StressNet 기반의 완전 컨볼루션 신경망(FCNN)을 비선형 유한요소(FE) 시뮬레이션에 적합하도록 변형하였다.
• 모델은 단일 3차원 섬유 강화 폴리머 시편의 고정밀도 FE 시뮬레이션에서 유도된 2차원 미세구조 영상 슬라이스와 해당 응력장 출력 데이터로 훈련되었다.
• 입력 데이터는 분할된 현미경 영상(섬유 및 매트릭스 상)으로 구성되었으며, 출력은 특정 방향의 정규 응력인 σzz 예측 값이었다.
• 훈련은 4,450만 개 요소를 가진 단일 시편 데이터를 사용하였고, 모델 평가는 테스트 미세구조 영상에 대한 단일 순방향 전파를 통해 수행되었다.
• 모델 평가는 R² 및 예측된 응력장과 FE 시뮬레이션 결과 간의 시각적 비교를 통해 이루어졌으며, 특히 섬유 부근의 응력 집중 현상에 중점을 두었다.
• 미래 확장 방향으로는 경계 조건 간의 일반화를 위해 조건부 GAN을 사용하거나, 체적 공간 정보를 유지하기 위해 3D 컨볼루션을 적용하는 것이 제안된다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 단지 2차원 미세구조 영상만으로도 섬유 강화 폴리머 복합재의 응력장을 정확하게 예측할 수 있는가?
• RQ2 FCNN의 성능은 정확도 및 추론 속도 측면에서 전체 유한요소 시뮬레이션과 비교해 볼 때 어떻게 되는가?
• RQ3 훈련된 모델은 실험적으로 관측된 초기 손상 부위와 관련된 고응력 영역을 식별할 수 있는가?
• RQ4 단일 미세구조 시편으로 훈련된 모델의 일반화 능력에 있어 다른 복합재 또는 하중 조건에 대한 한계는 무엇인가?
• RQ5 모델의 예측 결과는 어떤 정도로 다른 경계 조건이나 3차원 미세구조로 확장될 수 있는가?

주요 결과

• 훈련된 FCNN는 테스트 세트에서 R² 0.69를 기록하여, FE 시뮬레이션의 진짜 응력장에서 변동성의 69%를 설명하였다.
• 모델은 섬유 부위의 응력 집중 현상을 정확히 포착하였으며, 특히 실험적으로 관측된 초기 손상 부위와 대응하는 영역에서 뛰어난 성능을 보였다.
• 표준 랩탑에서 예측 추론 시간은 1초 미만이었으며, 고성능 클러스터에서 전체 FE 시뮬레이션을 수행하는 데에는 92.5시간이 소요되었다.
• 모델은 xy 평면의 미세구조 슬라이스에서 σzz(세로 방향 정규 응력)를 예측할 때 가장 우수한 성능를 보였다.
• 섬유 부위의 응력 집중 현상에서 높은 시각적 일치를 보였지만, 단일 시편 훈련으로 인해 전반적인 응력장 변화를 포착하는 데에는 한계가 있었다.
• 본 연구는 이러한 모델이 단지 미세구조만으로도 섬유 강화 폴리머에서의 손상 기초 부위를 식별하는 데 활용될 수 있다는 후행적 결론을 제시한다.