Machine Learning-Accelerated Time Integration of Plasticity Models

技術要約：機械学習を用いた塑性モデルの時間積分加速化

問題提起
循環塑性などの非線形材料挙動を示す構造物の有限要素（FE）シミュレーションは、高度な構成モデルに依存している。これらのモデルは、各積分点において、各平衡反復および各タイムステップ内で、結合された微分代数方程式（DAE）を解く必要がある。このプロセスは計算コストが高い。例えば、後退オイラー法などの陰解法（implicit integration schemes）は、大きなタイムステップを許容する無条件の安定性を提供するが、非線形方程式系の反復解法を必要とし、特に安定した挙動が即座に達成されない循環シミュレーションにおいてはボトルネックとなる。一方、陽解法（explicit schemes）は高速であるが、数値的安定性を維持するために極めて小さなタイムステップを必要とするのが一般的である。課題は、精度や安定性を犠牲にすることなく、これらの計算をいかに加速させるかである。

手法
著者らは、レート非依存の塑性モデルの時間積分を加速するための、機械学習（ML）ベースのフレームワークを提案している。コアとなるアプローチは、状態変数の発展方程式の数値解を、フィードフォワードニューラルネットワーク（FFNN）によって計算される陽的な更新に置き換えることである。

• 物理エンコードされたフレームワーク: 純粋にデータ駆動型のサロゲートモデル（歪みから応力を写像するもの）とは異なり、このフレームワークはFFNNを発展方程式の中に直接組み込んでいる。ネットワークは、増分を直接予測するのではなく、状態変数の発展の「方向」を予測する。
• 不変量に基づく入力: 座標系に対するフレーム不変性を確保し、次元を削減するために、ネットワークは試行応力（$\sigma_{tr}$）、限界応力（$\sigma_{lim}$）、および背向応力（$n\beta$）から導出された二次不変量に基づいて動作する。
• 発展方向: 本フレームワークは、学習データから推論された3つの特定の発展方向（$\sigma_{tr, dev}$、$\sigma_{lim, dev}$、および $n\beta$）を利用する。最小二乗分析により、選択されたプロトタイプモデルの発展空間を張るために、これら3つの方向が必要かつ十分であることが確認された。
• 一貫性の強制: 本手法の重要な構成要素は、補正係数 $c$ の導入である。この係数は、塑性負荷中に塑性一貫条件（$\Phi = 0$）を正確に満たすことを保証するために、解析的に計算される。これは、純粋な陽解法において達成することがしばしば困難な要件である。
• プロトタイプモデル: 本手法は、フォン・ミーゼス降伏条件と非線形運動硬化（Armstrong-Frederick則）を特徴とするプロトタイプモデルを用いて検証されている。
• 学習データ: 学習データは、高精度な陰的後退オイラー法を用いて積分されたプロトタイプモデルから生成されている。データは、10サイクルの多軸比例脈動荷重を、小さなタイムステップに離散化したものである。学習戦略は、弾性応答を除外し、塑性負荷に対応する荷重セグメントに焦点を当てている。

主な貢献

1. NNによる陽的時間積分器: 状態変数の更新をニューラルネットワークによって計算する陽的な時間積分アルゴリズムを導入しており、これにより従来の陽解法よりも大幅に大きなタイムステップの使用が可能となる。
2. 厳密な一貫条件: 本フレームワークは、補正係数 $c$ を通じて塑性一貫条件を厳密に強制する。これは、損失関数のペナルティを通じて物理的制約を弱く強制するアプローチとは一線を画すものである。
3. 不変量定式化: 応力不変量と解析的に決定された発展方向を用いてNNを定式化することで、座標系に依存しない性質を確保し、学習タスクの複雑さを軽減している。
4. ハイブリッド実装: 本アプローチは、ユーザー定義サブルーチンを介して商用FEコード（Abaqus）に正常に組み込まれており、境界値問題への適用可能性を示している。

結果
提案されたフレームワークは、材料点シミュレーション、および変位制御下の脈動荷重を受ける穴あきプレートのフルFEシミュレーションを通じて評価された。

• 精度: 材料点シミュレーションにおいて、NNベースのモデルは参照となる陰解モデルと優れた一致を示した。100サイクルにわたって半サイクルあたり1回の歪み増分を用いた場合でも、フォン・ミーゼス応力の最大絶対誤差は約900 MPaのピーク応力に対して約60 MPaであった。FEシミュレーションでは、半サイクルあたり1回の変位増分を用いた場合、最大誤差は約14.3 MPa（ピーク応力の約1.6%）であった。
• 安定性: 補正係数 $c$ の導入は、数値的安定性と精度のために不可欠であることが示された。$c=1$ と仮定した場合（一貫条件を無視した場合）のシミュレーションでは、重大な誤差と降伏面の充足に関する不整合が生じた。
• 計算効率: NNベースの積分は大幅なスピードアップを実現した。FEシミュレーションにおいて、半サイクルあたり1回の変位増分を用いた場合、NNベースのモデルは100増分を用いた参照モデルよりも約34.6倍高速であった。精度を合わせるために参照モデルを8増分に削減した場合と比較しても、NNベースのアプローチは約3.3倍高速であった。

意義と主張
著者らは、提案されたフレームワークが、塑性シミュレーションを加速するための「非常に有望な数値的性能」を提供すると主張している。本研究は、物理的原理（フレーム不変性と一一貫条件）を尊重するニューラルネットワークを用いて状態変数の更新を明示的に計算することにより、大きなタイムステップを用いても高い精度と数値的安定性を達成できることを示している。本手法は、明示的な積分による速度と、陰的なスキームによる堅牢性の間のギャップを、特に循環塑性問題において埋めることに成功している。著者らは、学習データがわずか10サイクルの荷重から生成されたにもかかわらず、モデルが可変の歪み範囲や複雑な境界値問題に対して100サイクルまで良好に汎化されたことを強調しており、これは従来の反復ソルバーの計算負荷なしに、複雑な工学構造の効率的なシミュレーションを行う可能性を示唆している。