[논문 리뷰] Predicting Stress-strain Behaviors of Additively Manufactured Materials via Loss-based and Activation-based Physics-informed Machine Learning

Chaorui Duan, Dazhong Wu|arXiv (Cornell University)|2026. 03. 15.

Machine Learning in Materials Science인용 수 0

한 줄 요약

물리 정보를 활용한 ML 프레임워크(손실 기반 및 활성화 기반)가 탄성-소성 영역을 구분하고 Hooke's law, Voce/Hollomon hardening, 항복점 예측을 포함해 AM 재료의 응력-변형률 곡선을 예측합니다; 활성화 기반 PIML이 최상의 정확도를 달성합니다.

ABSTRACT

Predicting the stress-strain behaviors of additively manufactured materials is crucial for part qualification in additive manufacturing (AM). Conventional physics-based constitutive models often oversimplify material properties, while data-driven machine learning (ML) models often lack physical consistency and interpretability. To address these issues, we propose a physics-informed machine learning (PIML) framework to improve the predictive performance and physical consistency for predicting the stress-strain curves of additively manufactured polymers and metals. A polynomial regression model is used to predict the yield point from AM process parameters, then stress-strain curves are segmented into elastic and plastic regions. Two long short-term memory (LSTM) models are trained to predict two regions separately. For the elastic region, Hooke's law is embedded into the LSTM model for both polymer and metal. For the plastic region, Voce hardening law and Hollomon's law are embedded into the LSTM model for polymer and metal, respectively. The loss-based and activation-based PIML architectures are developed by embedding the physical laws into the loss and activation functions, respectively. The performance of the two PIML architectures are compared with two LSTM-based ML models, three additional ML models, and a physics-based constitutive model. These models are built on experimental data collected from two additively manufactured polymers (i.e., Nylon and carbon fiber-acrylonitrile butadiene styrene) and two additively manufactured metals (i.e., AlSi10Mg and Ti6Al4V). Experimental results demonstrate that two PIML architectures consistently outperform the other models. The segmental predictive model with activation-based PIML architecture achieves the lowest MAPE of 10.46+/-0.81% and the highest R^2 of 0.82+/-0.05 arocss four datasets.

연구 동기 및 목표

• 전통적인 구성모형을 넘어 AM 폴리머와 금속의 응력-변형률 거동을 정확하게 예측하려는 동기를 제시한다.
• 예측에서 물리적 일관성과 해석 가능성을 보존하는 PIML 프레임워크를 개발한다.
• 응력-변형률 곡선을 탄성 영역과 소성 영역으로 구분하고 관련 물리법칙을 ML 모델에 내재화한다.

제안 방법

• 다항 회귀 모델을 사용하여 AM 공정 매개변수로부터 항복점을 예측한다.
• 응력-변형률 곡선을 탄성 영역과 소성 영역으로 구분한다.
• 탄성 영역과 소성 영역을 각각 예측하기 위해 두 개의 LSTM 모델을 학습시킨다.
• 폴리머와 금속 모두에 대해 탄성 영역 LSTM에 Hooke's law를 내재화한다.
• 폴리머의 Voce hardening과 금속의 Hollomon's law를 소성 영역 LSTM에 내재화한다.
• 물리 법칙을 손실 함수와 활성화 함수에 각각 내재화하여 손실 기반 및 활성화 기반 PIML 아키텍처를 개발한다.

실험 결과

연구 질문

• RQ1 물리 정보를 활용한 ML이 기존 ML 모델 및 물리 기반 구성모델과 비교하여 AM 응력-변형률 곡선의 예측 정확도와 물리적 일관성을 향상시킬 수 있는가?
• RQ2 손실 기반 및 활성화 기반 PIML 아키텍처가 AM 재료의 탄성 및 소성 영역 예측에서 어떻게 비교되는가?
• RQ3 다양한 AM 재료(폴리머 및 금속)에 걸쳐 활성화 기반 PIML을 사용할 때 정확도(MAPE, R^2)의 이점은 무엇인가?

주요 결과

• 두 가지 PIML 아키텍처가 네 개의 AM 데이터셋에서 일관되게 다른 모델보다 성능이 우수하다.
• 활성화 기반의 세그먼트형 PIML이 최저 MAPE 10.46%±0.81 및 최고 R^2 0.82±0.05를 달성한다.
• 탄성 영역 예측은 LSTM 내에 Hooke's law를 포함하고, 소성 영역 예측은 폴리머에 대해 Voce hardening, 금속에 대해 Hollomon's law를 사용한다.
• 데이터셋에는 Nylon 및 carbon fiber-ABS(폴리머)와 AlSi10Mg 및 Ti6Al4V(금속)가 포함된다.