Consistent machine learning for topology optimization with microstructure-dependent neural network material models

기술 요약: 미세구조 의존적 신경망 재료 모델을 이용한 위상 최적화를 위한 일관된 머신러닝

문제 정의
적층 제조(AM)와 위상 최적화(TO)의 통합은 공간적으로 변화하는 미세 구조를 가진 다중 스케일 구조 설계를 가능하게 했습니다. 그러나 비선형 조건(기하학적 및 재료적) 하에서 이러한 구조를 최적화하는 것은 여전히 중요한 과제로 남아 있습니다. 계산적 균질화(예: FE2)에 의존하는 전통적인 방식은 TO와 병행하여 수행할 경우 계산 비용이 지나치게 높습니다. 반대로, 표준 머신러닝(ML) 구성 모델은 열역학적 일관성, 객관성, 다볼록성(polyconvexity)과 같은 근본적인 물리 법칙을 준수하지 못하는 경우가 많으며, 이는 특히 데이터가 부족한 영역이나 특이점(예: 부피가 0인 지점) 근처에서 수치적 불안정성과 부정러한 예측을 초래합니다. 머신러닝이 선형 탄성 다중 스케일 TO에는 적용되어 왔으나, 기하학적 및 재료적 비선형성을 갖는 초탄성 응답에 대한 적용은 아직 초기 단계에 머물러 있습니다.

방법론
저자들은 균질화 기반의 TO 전략과 초탄성 이론에 기초한 "일관된" 머신러닝 접근 방식을 결합한 프레임워크를 제안합니다. 이 방법론은 두 가지 주요 구성 요소로 이루어집니다.

1. 일관된 ML 구성 모델링:

   • 아키텍처: 본 프레임워크는 입력 볼록 신경망(Input Convex Neural Networks, ICNN)을 활용하여 미세구조 기술자와 균질화된 구성 응답 사이의 매핑을 학습합니다.
   • 물리적 제약 조건: 수치적 안정성과 물리적 타당성을 보장하기 위해, 신경망 아키텍처는 핵심적인 초탄성 조건을 강제합니다:
     • 다볼록성(Polyconvexity): 변형 구배(deformation gradient), 코팩터(cofactor), 행렬식(determinant)에 대한 볼록 함수로 변형 에너지를 정식화하여, 변분 문제(variational problem)에서 해의 존재를 보장합니다.
     • 객관성 및 대칭성: 모델은 대칭적 가중치 공유와 주 신장(principal stretches)에 기반한 특정 입력 변환을 통해 재료 프레임 불변성(material frame indifference)과 등방성을 준수합니다.
     • 열역학적 일관성: 모델은 자연 상태 조건(영 변형에서의 영 응력 및 영 에너지)과 체적 성장 조건(부피가 0 또는 무한으로 갈 때 에너지가 무한대로 발산)을 만족합니다.
   • 미세구조 의존성: ICNN의 입력 공간은 미세구조 기술자, 즉 연성 매트릭스 내 강성 포함물(stiff inclusions)의 부피 분율($\alpha$)을 포함하도록 확장되었습니다. 모델은 변형 에너지 밀도와 포함물 부피 분율 사이의 볼록한 관계를 가정합니다.
   • 미분 가능성: 전체 ML 구성 모델은 미분 가능하므로, 자동 미분을 통해 접선 강성(tangent stiffness)과 민감도를 효율적으로 계산할 수 있습니다.

2. 다중 스케일 위상 최적화:

   • 정식화: TO 문제는 거시적 재료 분포($\rho$)와 미시적 포함물 부피 분율($\alpha$)에 대한 부피 분율 제약 조건이 있는 일(work) 극대화 문제로 정식화됩니다.
   • 구현: 중간 밀도를 처리하기 위해 SIMP 보간법과 매끄러운 Heaviside 투영을 사용하는 밀도 기반 접근 방식을 사용하며, 공극 요소(void elements)에서는 소변형 운동학을 유지하면서 고체 요소에서는 기하학적 비선형성을 처리합니다.
   • 최적화 루프: 최적화 도구(MMA)는 거시적 유사 밀도와 미시적 부피 분율을 동시에 업데이트합니다. 일관된 ML 모델은 순방향 해석(forward analysis)과 민감도 계산을 위한 균질화된 응력 응답 및 그 도함수를 제공합니다.

주요 기여

• 일관된 ML 프레임워크: 본 논문은 초탄성 TO를 위한 새로운 프레임워크를 도입하여, "블랙박스" 신경망이 갖는 안정성 문제를 해결하기 위해 ICNN을 엄격한 물리적 제약 조건(다볼록성, 객관성, 자연 상태)과 결합하였습니다.
• 미세구조 의전적 모델링: 저자들은 미세구조 기술자(부피 분율)를 ICNN 입력에 직접 삽착하는 방법을 입증하였으며, 이를 통해 설계 영역 전반에 걸쳐 변화하는 균질화된 응답을 예측할 수 있게 하였습니다.
• 이-스케일 동시 최적화: 본 연구는 거시적 레이아웃과 국부적 미세구조 구성을 동시에 최적화하는 두 개의 스케일 동시 설계 문제로 TO를 확장하였습니다.
• 검증: 연구는 고전적인 현상학적 모델(Arruda-Boyce 및 Neo-Hookean)과 ML 모델을 검증하였으며, 단일 스케일 및 다중 스케일 최적화 벤치마크(T-bracket 및 cantilever beam)에서 그 효능을 입증하였습니다.

결과

• 모델 정확도: 훈련된 일관된 ML 모델($M_s$는 단일 스케일, $M_m$은 다중 스케일)은 실제 현상학적 모델 및 RVE 시뮬레이션과 비교했을 때 응력 응답 및 변형 에너지 밀도 예측에서 높은 정확도($R^2 > 0.999$)를 달取得하였습니다. 모델은 강제된 물리적 제약 조건 덕분에 특히 특이점 근처에서도 견고한 보간 및 합리적인 외삽 능력을 보여주었습니다.
• 단일 스케일 TO: T-bracket 및 cantilever 예제와 같은 단일 스케일 최적화에서, ML 재료 모델을 사용하여 생성된 설계는 실제 현상학적 모델을 사용했을 때와 거의 동일하였으며, 이는 표준 TO 작업에 대한 ML 접근 방식의 신뢰성을 확인시켜 줍니다.
• 다중 스케일 TO: 포함물 부피 분율($\alpha$)이 공간적으로 변화하도록 허용한 동시 이-스케일 최적화에서는, 고정된 미세구조를 사용한 베이스라인 케이스보다 더 낮은(더 나은) 목적 함수 값(극대화된 외부 일)을 얻었습니다. 최적화 도구는 높은 컴플라이언스(compliance)가 필요한 영역에는 낮은 포함물 부피 분율을, 더 단단한 영역에는 높은 분율을 배치하도록 자연스럽게 재료를 분포시켰습니다.
• 수렴성: 최적화 과정은 매 반복마다 비용이 많이 드는 수치적 균질화 없이도, ML 모델의 미분 가능한 특성 덕분에 효율적인 민감도 분석을 용이하게 하며 매끄럽게 수렴하였습니다.

의의 및 주장
본 논문은 일관된 머신러닝 모델을 밀도 기반 위상 최적화와 통합하는 것이 유한 변형 하의 불균질 초탄성 구조의 설계 최적화를 크게 향상시킨다고 주장합니다. 주요 의의는 동시 실행형 FE2 시뮬 much의 계산 비용 없이도 효율적이고 안정적이며 물리적으로 일관된 다중 스케일 최적화를 수행할 수 있다는 점에 있습니다. ML 모델이 다볼록성 및 기타 초탄성 원칙을 준수하도록 함으로써, 본 프레임워크는 순방향 문제에서 해의 존재를 보장하고 신뢰할 수 있는 최종 설계를 생성합니다. 저자들은 이 접근 방식이 복잡하고 공간적으로 변화하는 미세 구조적 세부 사항을 가진 미래의 기능성 경사 재료 및 구조를 설계하기 위한 실행 가능한 경로를 제공한다고 보고 있으며, 본 프레임워크가 추가적인 기술자(예: 방향성) 및 잠재적으로 이력 의존적 재료로 일반화될 수 있음을 언급하였습니다.