[논문 리뷰] StressNet: Deep Learning to Predict Stress With Fracture Propagation in Brittle Materials

Yinan Wang, Diane Oyen외 8명|arXiv (Cornell University)|2020. 11. 20.

Rock Mechanics and Modeling참고 문헌 33인용 수 8

한 줄 요약

StressNet는 파손 전파 중 연약한 재료의 최대 내부 응력 전역 시퀀스를 예측하는 물리 기반 딥러닝 모델로, 공간적 특징에는 시간 독립형 컨volution 신경망(TI-CNN)을, 시간적 동역학에는 양방향 장기 단기 기억(Bi-LSTM) 네트워크를 사용한다. 고정밀도 HOSS 시뮬레이션 데이터로 훈련된 이 모델은 20초 이내로 다단계 예측을 수행하며 평균 2% MAPE를 달성했으며, 4시간이 소요되는 4시간 기준 FDEM 대비 70배 이상 빠르다. 또한 중요한 응력 변동과 피크를 정확히 포착한다.

ABSTRACT

Catastrophic failure in brittle materials is often due to the rapid growth and coalescence of cracks aided by high internal stresses. Hence, accurate prediction of maximum internal stress is critical to predicting time to failure and improving the fracture resistance and reliability of materials. Existing high-fidelity methods, such as the Finite-Discrete Element Model (FDEM), are limited by their high computational cost. Therefore, to reduce computational cost while preserving accuracy, a novel deep learning model, "StressNet," is proposed to predict the entire sequence of maximum internal stress based on fracture propagation and the initial stress data. More specifically, the Temporal Independent Convolutional Neural Network (TI-CNN) is designed to capture the spatial features of fractures like fracture path and spall regions, and the Bidirectional Long Short-term Memory (Bi-LSTM) Network is adapted to capture the temporal features. By fusing these features, the evolution in time of the maximum internal stress can be accurately predicted. Moreover, an adaptive loss function is designed by dynamically integrating the Mean Squared Error (MSE) and the Mean Absolute Percentage Error (MAPE), to reflect the fluctuations in maximum internal stress. After training, the proposed model is able to compute accurate multi-step predictions of maximum internal stress in approximately 20 seconds, as compared to the FDEM run time of 4 hours, with an average MAPE of 2% relative to test data.

연구 동기 및 목표

• 동적 하중 하에서 연약한 재료의 최대 내부 응력을 정확히 예측하는 데 도전하는 것. 이는 치명적인 고장 방지를 위해 필수적이다.
• FDEM 및 HOSS와 같은 고정밀 시뮬레이션 방법의 높은 계산 비용 문제를 해결하는 것. 이는 각 실행에 수시간이 소요된다.
• 공간적 파손 패tern과 시간에 따른 응력 변화를 고정밀도로 포착하는 데이터 기반 대체 모델을 개발하는 것.
• 물리 기반 특징(예: 균열 경로, 스파일 영역)을 깊이 학습 아키텍처에 통합하여 일반화 능력과 신뢰도를 향상시키는 것.
• 재료 신뢰성 및 안전성 평가에 활용 가능한 신속한 다단계 응력 시퀀스 예측을 가능하게 하는 것.

제안 방법

• 시간 독립형 컨volution 신경망(TI-CNN)을 사용해 2차원 응력장 이미지에서 균열 경로 및 스파일 영역 포함 파손 형태의 공간적 특징을 추출한다.
• 양방향 장기 단기 기억(Bi-LSTM) 네트워크가 응력 변화 시퀀스의 시간적 의존성을 포착하여 정확한 다단계 예측을 가능하게 한다.
• 응력 시계열의 변동과 피크를 효과적으로 처리하기 위해 평균 제곱오차(MSE)와 평균 절대 백분율 오차(MAPE)를 동적으로 조합하는 적응형 손실 함수를 사용한다.
• 모델는 초기 응력과 파손 전파 데이터를 입력으로 하여 전체 응력 변화 시퀀스를 예측하기 위해 고정밀도 HOSS 시뮬레이션 데이터를 엔드 투 엔드로 훈련한다.
• TI-CNN 및 Bi-LSTM 브랜치 간의 특징 융합을 통해 응력 발생의 공간적 및 시간적 동역학을 공동으로 모델링한다.
• 모델는 검증 데이터 세트에서 평가되며, 성능는 MAPE, MSE 및 진짜값 및 기준 모델과의 시각적 비교를 통해 측정된다.

실험 결과

연구 질문

• RQ1 초기 응력과 파손 데이터를 바탕으로, 깊이 학습 모델이 파손 전파 중 연약한 재료의 최대 내부 응력 전역 시퀀스를 정확히 예측할 수 있는가?
• RQ2 균열 경로, 스파일 영역 등의 물리 기반 공간적 특징을 통합함으로써, 일반적인 특징 학습과 비교해 예측 정확도가 얼마나 향상되는가?
• RQ3 TI-CNN와 Bi-LSTM를 조합한 하이브리드 딥러닝 아키텍처가 기존 통계적 또는 순차적 모델보다 응력 변동과 피크를 얼마나 잘 포착할 수 있는가?
• RQ4 MSE와 MAPE를 균형 잡는 적응형 손실 함수가 높은 변동성 하에서 일반화 능력과 강건성을 향상시키는 데 기여하는가?
• RQ5 제안된 모델는 고정밀도 FDEM 시뮬레이션 대비 얼마나 더 빠르게 예측을 생성할 수 있으며, 2% 이내 오차를 유지할 수 있는가?

주요 결과

• StressNet는 테스트 데이터에서 평균 절대 백분율 오차(MAPE)가 2%를 기록하여 역사적 평균, Bi-LSTM, LSTM과 같은 기준 모델을 크게 능가한다.
• 모델는 약 20초 내로 최대 내부 응력 전역 시퀀스를 예측하며, 이는 4시간이 소요되는 FDEM 기준 대비 99%의 계산 시간 단축을 의미한다.
• MSE와 MAPE를 조합한 제안된 적응형 손실 함수는 응력 변동과 극치(피크 및 곡선)를 효과적으로 포착할 수 있게 해, 파손 예측에 있어 핵심적인 요소를 반영한다.
• 그림 6과 7의 시각적 비교에서, 동적 손실 함수를 사용한 StressNet은 특히 급격한 피크와 변화를 정확히 추적하는 반면, 평균값으로 수렴하는 모델들과는 대조적으로 진짜값과 유사한 경향을 보인다.
• 모델는 새로운 파손 전파 시나리오에 대해 잘 일반화되어 있으며, 다양한 하중 조건과 재료 특성에 유연하게 대응함을 보였다.
• TI-CNN와 Bi-LSTM 브랜치의 융합은 파손 형태와 응력 변화 간의 복잡한 비선형 관계를 효과적으로 학습할 수 있게 하여, 공간적 및 시간적 특징을 별도로 다루는 모델보다 뛰어난 성능을 발휘한다.