[논문 리뷰] Predicting the mechanical response of oligocrystals with deep learning

Ari Frankel, Reese E. Jones외 2명|arXiv (Cornell University)|2019. 01. 30.

Composite Material Mechanics참고 문헌 58인용 수 5

한 줄 요약

이 논문은 초기 미세구조 영상에서 학습하여 오리골크리스탈(수십 개의 입자로 구성된 다결정 물질)의 기계적 거동을 예측하기 위해 하이브리드 컨volution-순환 신경망을 제안한다. 이 모델은 계산 비용의 일부에 불과한 비용으로 결정계역학 유한요소 시뮬레이션 수준의 정확도를 달성하며, 탄성 거동, 항복 시점, 플라스틱 유동을 지역 입자 구조와 질량 분포에 더 민감하게 반영하여 전통적인 등가 이론보다 우수한 성능을 보인다.

ABSTRACT

In this work we employ data-driven homogenization approaches to predict the particular mechanical evolution of polycrystalline aggregates with tens of individual crystals. In these oligocrystals the differences in stress response due to microstructural variation is pronounced. Shell-like structures produced by metal-based additive manufacturing and the like make the prediction of the behavior of oligocrystals technologically relevant. The predictions of traditional homogenization theories based on grain volumes are not sensitive to variations in local grain neighborhoods. Direct simulation of the local response with crystal plasticity finite element methods is more detailed, but the computations are expensive. To represent the stress-strain response of a polycrystalline sample given its initial grain texture and morphology we have designed a novel neural network that incorporates a convolution component to observe and reduce the information in the crystal texture field and a recursive component to represent the causal nature of the history information. This model exhibits accuracy on par with crystal plasticity simulations at minimal computational cost per prediction.

연구 동기 및 목표

• 입자 수가 제한된 오리골크리스탈에서 미세구조 세부 정보가 거동에 크게 영향을 주는 상황에서 기계적 변동성 예측의 과제를 해결하기 위해.
• 지역 입자 이웃 효과를 忽시하고 평균 입자 특성에 의존하는 전통적인 등가 이론의 한계를 극복하기 위해.
• 최소한의 계산 비용으로 역사 의존성 플라스틱 변형을 포착하는 데이터 기반 대체 모델을 개발하기 위해.
• 금속 기반 적층 제조 공정에 관련된 실제이고 복잡한 미세구조에서 응력-변형률 거동을 효율적으로 예측하기 위해.
• 잠재 공간에서 학습된 표현의 해석 가능성을 탐색하여 미세구조-성질 관계에 대한 물리적 통찰을 도출하기 위해.

제안 방법

• 하이브리드 신경망 아키텍처는 초기 미세구조 영상에서 공간적 특징을 추출하기 위한 컨volution 신경망(CNN)과 역사 의존성 플라스틱 응답을 모델링하기 위한 장기 단기 기억(LSTM) 순환 네트워크를 조합한다.
• CNN은 입자 형상, 정렬 방향, 구조적 배치 정보를 포함한 2차원 영상을 처리하여 지역적 미세구조 정보를 압축된 잠재 표현으로 인코딩한다.
• LSTM 구성 요소는 순차적인 변형 상태를 처리하여 응력-변형률 거동의 인과적 변화를 모델링하고, 점탄성 유동에서의 기억 효과를 포착한다.
• 모델는 다양한 초기 미세구조를 가진 결정계역학 유한요소 시뮬레이션의 대규모 데이터셋으로 훈련되며, 응력과 변형률 예측 오차를 최소화하기 위해 손실 함수를 사용한다.
• 모델 성능은 전통적인 등가 이론 모델(Voigt, Reuss, Taylor, Sachs)과 비교 평가되며, 상관계수(R)와 편향 지표를 통해 평가된다.
• 미래에는 차원 감소를 통해 훈련 효율성과 해석 가능성을 높이기 위해 오토에코더를 제안한다.

실험 결과

연구 질문

• RQ1 수십 개의 입자를 가진 오리골크리스탈에서 미세구조 세부 정보가 변형에 크게 영향을 주는 상황에서 딥 러닝 모델이 기계적 거동을 정확하게 예측할 수 있는가?
• RQ2 하이브리드 CNN-LSTM 모델은 전통적인 등가 이론에 비해 탄성 및 플라스틱 거동 예측에서 어떤 성능을 보이는가?
• RQ3 모델이 체적 평균 이론에서 忽시하는 지역적 미세구조 효과, 예를 들어 입자 이웃 관계와 구조적 배치를 어느 정도 포착하는가?
• RQ4 다양한 초기 입자 질량 분포와 형상에 대해 모델이 일반화할 수 있으며, 계산 비용을 최소화하면서도 유지되는가?
• RQ5 CNN 구성 요소에서 학습된 잠재 표현은 기계적 변동성의 물리적 원인을 드러내기 위해 어떻게 해석될 수 있는가?

주요 결과

• 하이브리드 CNN-LSTM 모델은 탄성 및 플라스틱 영역에서 각각 상관계수(R) 0.85와 0.83를 기록하여 결정계역학 유한요소 시뮬레이션과 비교해 정확도와 편향 측면에서 뛰어난 성능을 보였다.
• 모델은 플라스틱 유동의 시작 시점과 이후 거동을 고정밀도로 예측하지만, 순환 구성 요소의 오차 누적이 영향을 받아 완전히 플라스틱 영역에서는 정확도가 약간 떨어진다.
• 모델의 추론 시간은 예측당 수십 밀리초이며, 결정계역학 유한요소 시뮬레이션에 소요되는 수십 분에 비해 수 개의 주기 빠르다.
• 모델은 타일러와 색스 모델의 평균보다 우수한 성능을 보이며, 편향은 낮고 상관계수는 높다. 이는 슬립 시스템에 대한 명시적 지식이 없음에도 불구하고 성능을 냈다.
• 타일러와 색스 모델은 신경망보다 편향이 더 높았으며, 색스 모델은 정확도는 높지만 편향이 증가했다. 반면 보이트-루스-힐 평균은 신경망에 비해 성능이 열 劣했다.
• 본 연구는 오토에코더를 통해 잠재 공간에서 입자 구조 표현의 차원을 감소시킴으로써 더 효율적인 훈련과 해석 가능성을 높일 수 있음을 제안한다.