[논문 리뷰] Plasticity models of material variability based on uncertainty quantification techniques

Francesco Rizzi, Reese E. Jones외 3명|arXiv (Cornell University)|2017. 11. 29.

Probabilistic and Robust Engineering Design참고 문헌 14인용 수 4

한 줄 요약

이 논문은 임베디드 오차 방법을 사용하여 재료의 변동성을 직접 역학 모델 파라미터에 통합함으로써, 적층 제조된 금속의 미세구조 변동성을 정확하게 표현할 수 있는 베이지안 불확실성 정량화(UQ) 프레임워크를 제안한다. 이 방법은 전통적인 덧셈 오차 모델보다 더 잘 알리오닉 불확실성을 포착하고, 모델 校정을 향상시키며, 서rogate 기반 마르코프 체인 몬테카를로 샘플링을 통해 견고한 성능 예측을 가능하게 하여 우수한 성능을 발휘한다.

ABSTRACT

The advent of fabrication techniques like additive manufacturing has focused attention on the considerable variability of material response due to defects and other micro-structural aspects. This variability motivates the development of an enhanced design methodology that incorporates inherent material variability to provide robust predictions of performance. In this work, we develop plasticity models capable of representing the distribution of mechanical responses observed in experiments using traditional plasticity models of the mean response and recently developed uncertainty quantification (UQ) techniques. We demonstrate that the new method provides predictive realizations that are superior to more traditional ones, and how these UQ techniques can be used in model selection and assessing the quality of calibrated physical parameters.

연구 동기 및 목표

• 적층 제조(AM) 금속에서 미세구조 결함과 공정 유도 변동성으로 인한 고유한 재료 변동성을 모델링하는 데 도전하는 것.
• 고속 실험 데이터에서 관찰된 기계적 반응의 분포를 포괄하는 구성 모델링 프레임워크를 개발하는 것.
• 불확실성 정량화를 통해 재료 변동성을 정확히 전파함으로써 설계의 견고성을 향상시키는 것.
• 재료 반응 변동성의 맥락에서 임베디드 오차 UQ 방법과 전통적인 덧셈 오차 모델 간의 대비를 제시하는 것.
• 교정된 역학 모델 파라미터의 불확실성을 정량화하여 모델 선택과 파라미터 평가를 가능하게 하는 것.

제안 방법

• Sargsyan 등 [13]의 임베디드 오차 UQ 방법을 적응하여, 고유한 재료 변동성을 역학 모델 파라미터에 대한 분포로 표현하는 것.
• 재료 파라미터에 대한 초기 지식을 표현하기 위해 정보가 풍부한 사전 분포를 사용한 베이지안 추론을 수행하는 것.
• 후행 분포 추정을 위한 효율적인 마르코프 체인 몬테카를로(MCMC) 샘플링을 가능하게 하기 위해 유한요소 시뮬레이션의 서rogate 모델을 구축하는 것.
• 모델 예측을 실험적 응력-변형률 데이터와 비교하는 가능도 함수를 설정하여 측정 오차와 고유한 변동성 간의 구분을 명확히 하는 것.
• 비침습적 샘플링을 적용하여 구성 모델을 통해 파라미터 불확실성을 전파하고 성능 예측을 수행하는 것.
• 서rogate 모델에서의 민감도 분석을 통해 모델 선택을 안내하고 파라미터 중요도를 평가하는 것.

실험 결과

연구 질문

• RQ1 불확실성 정량화 기법은 어떻게 적층 제조 금속의 역학 모델에서 고유한 재료 변동성을 표현하는 데 적응될 수 있는가?
• RQ2 임베디드 오차 모델과 전통적인 덧셈 오차 모델 간의 상대적 이점은 무엇이며, 이는 미세구조 변동성을 어떻게 더 잘 포착하는가?
• RQ3 서rogate 모델링은 불확실성 하에서 역학 파라미터의 효율적이고 베이지안 기반 校정을 가능하게 하는가?
• RQ4 임베디드 오차 설정은 기존 접근 방식에 비해 모델 선택과 파라미터 평가를 어떻게 향상시키는가?
• RQ5 교정된 변동성 모델은 엔지니어링 응용 분야에서 높은 신뢰도로 성능 마진을 예측할 수 있는 정도는 어느 정도인가?

주요 결과

• 임베디드 오차 방법은 측정 오차와 혼동되는 전통적 덧셈 오차 모델과 달리 실험 데이터의 알리오닉 불확실성을 정확히 특성화한다.
• 제안된 방법은 재료 변동성을 견고하게 전방으로 전파할 수 있으며, 설계에서 고신뢰도의 성능 예측을 지원한다.
• 서rogate 모델은 계산 비용을 크게 감소시켜 복잡한 역학 모델에 대한 MCMC 기반 베이지안 校정을 실현 가능하게 한다.
• 서rogate 모델에서의 민감도 분석은 미세구조 변동성에 가장 영향을 받는 핵심 파라미터를 식별하여 모델 단순화 및 선택에 도움을 준다.
• 데이터가 증가함에 따라 수렴하며, 다양한 재료 배치 간의 변동성을 정확히 구분한다.
• 이 프레임워크는 외부 측정 노이즈와 고유한 재료 변동성을 하나의 확률적 모델링 프레임워크 안에서 통합한다.