[논문 리뷰] Recent Advances and Applications of Machine Learning in Experimental Solid Mechanics: A Review

Hanxun Jin, Enrui Zhang외 1명|arXiv (Cornell University)|2023. 03. 14.

Machine Learning in Materials Science참고 문헌 325인용 수 6

한 줄 요약

이 리뷰는 실험 고체역학 분야에서의 기계학습(ML) 응용에 대한 최근 발전을 종합적으로 다루며, 물리 기반 및 물리 기반 ML 방법을 중심으로 다룹니다. ML이 균열역학, 생체역학, 나노/마이크로역학, 구조적 재료, 2D 재료 분야에서 실험 설계, 데이터 분석, 불확실성 정량화, 역문제 해결을 향상시키는 방식을 보여주며, 고체역학 연구에 ML을 통합하기 위한 길잡이를 제시합니다.

ABSTRACT

For many decades, experimental solid mechanics has played a crucial role in characterizing and understanding the mechanical properties of natural and novel materials. Recent advances in machine learning (ML) provide new opportunities for the field, including experimental design, data analysis, uncertainty quantification, and inverse problems. As the number of papers published in recent years in this emerging field is exploding, it is timely to conduct a comprehensive and up-to-date review of recent ML applications in experimental solid mechanics. Here, we first provide an overview of common ML algorithms and terminologies that are pertinent to this review, with emphasis placed on physics-informed and physics-based ML methods. Then, we provide thorough coverage of recent ML applications in traditional and emerging areas of experimental mechanics, including fracture mechanics, biomechanics, nano- and micro-mechanics, architected materials, and 2D material. Finally, we highlight some current challenges of applying ML to multi-modality and multi-fidelity experimental datasets and propose several future research directions. This review aims to provide valuable insights into the use of ML methods as well as a variety of examples for researchers in solid mechanics to integrate into their experiments.

연구 동기 및 목표

• 최신 기계학습 응용에 대한 종합적이고 최신 정보를 제공하여 실험 데이터의 복잡성과 양이 증가하는 상황을 해결하는 것.
• 고체역학 실험에서 흔히 발생하는 다중 모odal 및 다중 정밀도 실험 데이터셋에 기계학습을 적용할 때 발생하는 주요 과제를 규명하는 것.
• 기계적 성질 식별에서 기계학습 모델의 해석 가능성, 일반화 능력, 신뢰성 향상에 기여하는 물리 기반 및 물리 기반 기계학습의 역할을 부각하는 것.
• 균열역학, 나노 및 마이크로역학, 2D 재료 등 다양한 분야에서의 성공적인 응용 사례를 제시함으로써 연구자들이 실험 워크플로우에 기계학습을 통합하는 데 도움을 주는 것.
• 향후 연구 방향을 제안하는 것 — 실시간 내재적 의사결정 능력과 환경 자극에 대한 실시간 적응 반응을 갖춘 지능형 구조적 재료 개발 등.

제안 방법

• 2018–2023년 사이의 최근 문헌을 대상으로 한 체계적 리뷰로, 전장 변형 측정, 역문제, 물성 모델링에 초점을 맞춤.
• 응용 분야별로 기계학습 기법을 분류: 균열역학, 생체역학, 나노/마이크로역학, 구조적 재료, 2D 재료.
• 운동량 보존, 에너지 균형 등의 기계적 법칙을 손실 함수에 통합하는 물리 기반 신경망(PINNs) 및 물리 기반 기계학습 모델에 중점을 둠.
• 디지털 이미지 상관관계(DIC), 전자 스펙클 패턴 간섭계(ESPI), 고속 영상과 같은 실험 기법과의 융합을 통해 데이터 추출 및 분석 능력을 향상.
• 서브스티튜션 모델링과 능동 학습을 활용하여 고속도 테스트에서 실험 비용을 줄이고 재료 성질 식별 속도를 가속화.
• 강화 학습 및 최적화 프레임워크를 활용하여 자극에 반응하는 행동을 갖춘 구조적 재료 설계를 위한 연구.

Figure 1: Schematics of three ML approaches based on available physics and data: (I) Physics-informed neural networks (PINNs); (II) Physics-based data-driven; and (III) Purely data-driven (Reproduced with permission from Ref. [ 61 ] . Copyright 2021 by Hanxun Jin). Figure idea from Karniadakis et al

실험 결과

연구 질문

• RQ1 물리 기반 기계학습은 실험 데이터에서 기계적 성질 식별의 정확도와 해석 가능성에 어떻게 기여할 수 있는가?
• RQ2 고해상도 영상 시스템에서 유도된 전장 변형 및 변형률 데이터를 분석하는 데 가장 효과적인 기계학습 기법은 무엇인가?
• RQ3 극한 조건 테스트(예: 고속도 변형률, 고온)에서 발생하는 데이터 부족과 불확실성 문제를 기계학습으로 어떻게 해결할 수 있는가?
• RQ4 기계학습은 환경 자극에 기반한 실시간 내재적 의사결정 능력을 갖춘 구조적 재료 설계를 어떻게 가능하게 하는가?
• RQ5 다양한 실험 기법(예: DIC, X선 단층 촬영, 변형률 게이지)에서 유도된 다중 모달 및 다중 정밀도 데이터를 통합된 기계학습 프레임워크에 통합할 때의 주요 과제는 무엇인가?

주요 결과

• 기본적인 기계적 법칙을 학습 과정에 통합함으로써 물리 기반 및 물리 기반 기계학습 방법은 실험 고체역학에서 모델의 신뢰성과 일반화 능력을 크게 향상시킨다.
• 딥 러닝 및 서브스티튜션 모델링과 같은 기계학습 기법은 균열역학에서 역분석을 가속화하는 데 성공적으로 적용되어, 균열 토성 및 균열 전파 거동을 더 빠르고 정확하게 식별할 수 있게 하였다.
• 나노 및 마이크로역학 분야에서는 기계학습 강화 디지털 이미지 상관관계(DIC) 및 DVC를 통해 피그셀 이하 해상도의 변형률 맵 작성과 소규모 실험에서의 불확실성 정량화 능력이 향상되었다.
• 기계학습은 강화 학습과 최적화 설계 프레임워크를 통해 고속도 적층 제조 및 자가 조립 공정에서 특히 중요한 지능형 구조적 재료의 개발을 가능하게 하였다.
• 스테레오 DIC 및 시공간 간섭계와 같은 고정밀 측정 기법과의 융합을 통해, 극한 조건 실험에서 유도된 대규모이고 복잡한 데이터셋을 효율적으로 처리하고 분석할 수 있었다.
• 다만 진행된 바에도 불구하고, 다중 모달 및 다중 정밀도 데이터를 처리하는 데에는 여전히 과제가 존재하며, 특히 이질적인 데이터 소스 간의 일관성 확보, 편향 감소, 물리적 타당성 유지 문제가 주요 과제로 남아 있다.

Figure 2: Applications of ML in characterizing fracture cohesive properties. (a) ML solutions can predict accurate fracture toughness comparable to simulations when an analytical solution is not available due to sample complexity: (i) ML framework for engineering problems; (ii) NNs-based prediction