Physics-Informed Discovery of Yield Functions in Plasticity via Convex Neural Representations

技術要約：凸ニューラル表現を用いた塑性における降伏関数の物理情報に基づく発見

1. 問題提起

異方性降伏関数の特定は、固体力学における重要な課題であり続けている。従来のアプローチは、特定の解析的な形式（例：von Mises、Hill 1948、Barlat–Yoon）を選択し、実験データに対してパラメータを校正することに依存している。しかし、このプロセスにはいくつかの障害が存在する。

• データの制限: 降伏現象は、機械的な全視野測定（デジタル画像相関法（DIC）など）において直接観察されるものではない。実験データは通常、変位場と反力を提供するが、直接的な応力場や塑性ひずみの測定値、あるいは降伏曲面のデータは提供されない。
• 校正の複雑さ: 異方性挙動を決定するには、多くの方向への負荷が必要であり、十分に表現力がありながらも簡潔な適切な解析的形式を選択することは容易ではない。
• モデル構造: 既存のデータ駆動型手法は、応力応答を直接近似するか、応力空間の教師あり学習を必要とする場合が多いが、これでは従来の弾塑性応力積分に必要な基礎となる構成則の構造（降伏関数）を明らかにすることができない。

本研究が取り組む核心的な問題は、応力の観測、塑性ひずみの測定、あるいはあらかじめ規定されたパラメータ形式を必要とせず、いかにして全視野変位および反力データから異方性降伏関数を直接推論するかであり、かつ、その結果が弾塑性応力積分の機械的な構造と適合し続けるようにすることである。

2. 手法

著者らは、降伏関数を応力空間における直接的な教師ありマッピングとしてではなく、弾塑性応力積分ループ内の機械的に制約された構成要素として扱う、物理情報に基づいたフレームワークを提案している。

A. 降伏関数のニューラル表現
未知の降伏関数 $\bar{\sigma}(\sigma)$ は、候補となる解析方程式のライブラリではなく、**凸ニューラルネットワーク（CNN）**によって表現される。随伴流動則（AFR）を伴う、レート独立で圧力非依存の塑性を満たすための機械的要件を満たすため、ネットワークは以下の条件を強制する：

• 凸性: 前層の活性化関数に乗じる重みを非負に制約することで、入力凸ニューラルネットワーク・アーキテクチャを通じて保証される。
• 1次の正次同次性: ReLU活性化関数を使用し、バイアス項を除去することで、$\bar{\sigma}(\rho\sigma) = \rho\bar{\sigma}(\sigma)$ を保証する。
• 引張・圧縮対称性: 応力成分の符号変換に対するネットワーク出力の対称化によって課される。
• 滑らかさ: アーキテクケーションは、凸性と同次性の制約を同時に満たすために、グローバルな $C^1$ 連続性を $C^0$ の区分的に微分可能な表現へと緩和する。

B. 物理情報に基づいた学習戦略
本フレームワークは、微分可能な弾塑性応力更新アルゴリズムを利用して、変位および力データのみを用いてニューラルネットワークを訓練する。

1. データ入力: 複数の負荷ケース（x/y方向の単軸引張、二軸引張、単純せん断）からの、時間分解された全視野変位データ（ひずみ増分に変換されたもの）および反力データ。
2. 微分可能な応力積分: 応力と塑性ひずみを更新するために、明示的な前向きオイラー法が使用される。ニューラルネットワークのパラメータに対する微分可能性を維持するため、鋭い塑性指標（弾性状態と塑性状態を切り替えるもの）は、滑らかなシグモイド近似に置き換えられる。
3. 損失関数: 学習の目的関数は力の平衡残差である。有限要素メッシュ上で応力更新を組み立てることによって予測される内部力増分が、測定された反力から導出される外力増分と比較される。ニューラル降伏関数は、この不一致を最小化するように最適化される。
4. 最適化: 全ての負荷ケースに対して同時にネットワークパラメータを更新するために、勾配ベースの最適化手法（Adam）が使用される。

C. 有限要素への展開
発見されたニューラル降伏関数は区分的に微分可能（$C^0$）であり、標準的な陰解法有限要素法（リターンマッピングのために滑らかな解析的微分を必要とする）には直接適さないため、発見後に多項式サロゲートが適合される。このサロゲートは、特定されたニューラル降伏関数の等高線に対して適合された、滑らかで正の同次性を持つ多項式関数であり、これにより従来の陰解法有限要素シミュレーションへの展開が可能となる。

3. 主な貢献

• 観測可能なデータからの直接同定: 本フレームワークは、応力観測、塑性ひずみ測定、直接的な降伏面データ、あるいは規定された解析的形式を必要とせずに、全視野変位および反力データから降伏関数を同定する。
• 機械的に制約された表現: 凸ニューラル降伏関数表現と、力の平衡に基づいて最適化される微分可能な弾塑性訓練アルゴットリズムを導入し、主要な機械的制約（凸性と正の同次性）を強制する。
• 包括的な検証: 本研究は、有限要素ベンチマーク（von Mises、Hill 1948、Yld2000-2d）を用いて、以下を評価しながら手法を検証している：
  • ノイズのない条件下での降伏等高線の合致。
  • 変位測定ノイズ（DICの不確かさをシミュレート）に対する感度。
  • ディープアンサンブルによる識別可能性とエピステミック不確かさ。
  • 展開の実現可能性（滑らかな多項式サロゲートによる）。

4. 結果と検証

• ノイズのない環境での発見: 本フレームワークは、等方性（von Mises）および異方性（Hill 1948、Yld2000-2d）のベンチマークに対して、降伏等高線を正常に復元した。推論された等高線は、直接的な応力教師あり学習がないにもかかわらず、方向性異方性を含む真値の傾向と一致した。
• ノイズ感度: 本手法は、サブマイクロメートル単位の変位ノイズ（0.1–0.3 µm）に対して頑健性を示した。ノイズレベルの上昇に伴い等高線の歪みは増大したが、推論された降伏面は真値の傾向と一貫しており、急激な破綻ではなく緩やかな劣化を示した。
• 識別可能性と不確かさ: 塑性的に活動している応力状態の分析により、特定の負荷ケースによって訪問された降伏面の領域が十分に制約されていることが明らかになった。逆に、応力状態の被覆が疎な領域（例：反対符号の垂直応力）では、ディープアンサンブルの標準偏差によって確認された通り、高いエピステミック不確かさを示した。
• 展開: 発見されたニューラル関数に適合させた多項式サロゲートは、降伏等高線を正確に再現し、Yld2000-2dベンチマークにおいて真値と比較して同等の有限要素場の結果（応力および塑性ひずみ）を生成した。

5. 意義と主張

本論文は、降伏関数が応力空間における教師ありの等高線フィッティングとしてではなく、弾塑性応力積分内における未知の構成要素として同定できることを主張している。ニューラル表現を応力更新の中に組み込み、力の平衡によって制約を与えることで、本フレームワークはデータ駆動型の発見と古典的な塑性理論の構造的要件との間の溝を埋めている。

著者らは、このアプローチが異方性降伏関数の発見のための機械的に制約された経路を提供することを強調している。これは、硬化則と流動則が既知または規定されている場合に、降伏関数の同定問題を、直接的な応力測定や事前選択された解析的形式の必要性から分離するものである。

著者が認める限界事項:

• 検証は、実験的なDIC測定ではなく、有限要素シミュレーションから生成された合成データに基づいている。
• 硬化則、流動則（AFR）、および弾性は規定されており、本研究は硬化や非関連流動則の同時同定は行っていない。
• 現在の実装は、平面応力条件および小変形を想定している。
• ニューラル降伏関数は区分的に微分可能であるため、標準的な陰解法有限要素展開のための多項式サロゲートの適合ステップを必要とする。

著者らは、本フレームワークがベンチマークデータにおいてこの手法の実現可能性を成功裏に示したものの、実験的な設定、降伏と硬化の同時同定、および三次元応力状態への拡張には今後の課題が必要であると結論付けている。