[论文解读] Three-dimensional convolutional neural network (3D-CNN) for heterogeneous material homogenization

Chengping Rao, Yang Liu|arXiv (Cornell University)|Feb 14, 2020

Composite Material Mechanics参考文献 70被引用 16

一句话总结

本文提出一种3D卷积神经网络（3D-CNN），用于从表示为体素化代表性体积元（RVEs）的3D微结构预测非均质材料的有效刚度和泊松比。该模型在具有随机球形夹杂物的RVEs的高保真有限元分析（FEA）数据上进行训练，实现了高精度（最大误差约0.5%），并相较FEA实现高达50倍的速度提升，同时支持不确定性量化和低数据场景下的迁移学习。

ABSTRACT

Homogenization is a technique commonly used in multiscale computational science and engineering for predicting collective response of heterogeneous materials and extracting effective mechanical properties. In this paper, a three-dimensional deep convolutional neural network (3D-CNN) is proposed to predict the effective material properties for representative volume elements (RVEs) with random spherical inclusions. The high-fidelity dataset generated by a computational homogenization approach is used for training the 3D-CNN models. The inference results of the trained networks on unseen data indicate that the network is capable of capturing the microstructural features of RVEs and produces an accurate prediction of effective stiffness and Poisson's ratio. The benefits of the 3D-CNN over conventional finite-element-based homogenization with regard to computational efficiency, uncertainty quantification and model's transferability are discussed in sequence. We find the salient features of the 3D-CNN approach make it a potentially suitable alternative for facilitating material design with fast product design iteration and efficient uncertainty quantification.

研究动机与目标

• 开发一种数据驱动的深度学习框架，用于预测具有复杂微结构的非均质材料的有效力学性能。
• 克服传统基于有限元的均质化方法在迭代复合材料设计工作流中计算成本高昂的问题。
• 在数据稀缺条件下，实现不确定性量化和迁移学习，以实现高效的材料设计。
• 建立一种可扩展的端到端解决方案，直接将3D相位体素映射到有效材料性能。

提出的方法

• 3D-CNN架构由多个3D卷积层、池化操作、展平层和全连接层组成，用于处理3D体素化RVEs。
• 采用分层随机顺序吸附（HRSA）算法生成具有随机球形夹杂物的RVEs，以模拟真实的微结构。
• 通过基于FEA的线性均质化方法计算有效性能（刚度和泊松比），并用作训练的真值标签。
• 开展了超参数研究，以优化网络深度、滤波器大小和学习率，从而获得最佳推理性能。
• 通过在小型新数据集上微调预训练的3D-CNN实施迁移学习，显著减少了训练时间和数据需求。
• 采用蒙特卡洛模拟评估不确定性量化（UQ）性能，通过采样具有随机参数的输入微结构进行测试。

实验结果

研究问题

• RQ1 3D-CNN能否从非均质材料的3D体素化微结构中准确预测有效刚度和泊松比？
• RQ2 与传统FEA相比，3D-CNN在计算效率和推理速度方面表现如何？
• RQ3 迁移学习在多大程度上可降低小样本或新数据集上的训练成本并提升性能？
• RQ4 训练好的3D-CNN能否准确地将输入不确定性传播到输出有效性能，以支持概率设计？
• RQ5 3D-CNN在不同微结构构型和材料类型之间具有多好的泛化能力？

主要发现

• 与FEA结果相比，3D-CNN在预测有效刚度和泊松比时的最大预测误差约为0.5%，表现出极高的精度。
• 在GPU上，该模型的推理时间相比FEA实现了25至50倍的速度提升，显著加速了产品设计迭代。
• 迁移学习将训练时间减少至仅数十个周期，在未见数据上实现了0.43%的平均绝对相对误差（MARE），优于从零开始训练（1.36% MARE）。
• 3D-CNN成功保留了在不确定输入下有效性能的概率分布，通过蒙特卡洛模拟实现了可靠的不确定性量化。
• 该模型表现出强大的可迁移性：在新小数据集上微调预训练的3D-CNN，仅需少量微调即可获得高精度，适用于数据稀缺的应用场景。
• 端到端框架实现了从3D相位体素（如X射线显微断层成像或原子探针数据）到有效性能的直接映射，无需人工特征工程。