Design of a specimen to train path-dependent deep learning material models from a single uniaxial test: eliciting strain diversity via automatically differentiable elastoplastic topology optimization

기술 요약: 단일 축방향 시험으로부터 경로 의존적 딥러닝 재료 모델을 학습시키기 위한 시편 설계

문제 정의
인공 신경망(ANN)은 비선형 경로 의존적 재료 거동을 정확하게 학습하는 능력을 입증해 왔으며, 종종 전통적인 현상론적 구성 법칙보다 뛰어난 성능을 보여준다. 그러나 이러한 데이터 기반 모델을 학습시키기 위해서는 일반적으로 넓은 범위의 응력-변형률 궤적을 포괄하는 다양하고 방대한 데이터셋이 필요하다. 현재 이러한 데이터셋은 주로 물리적 실험보다는 합성 단위 셀(unit cell) 시뮬레이션을 통해 생성된다. 표준적인 실험 시편(예: 도그본 형상)은 단순한 축방향 하중 조건하에서 충분히 다양한 응력-변형률 경로를 생성하지 못한다. 결과적으로, 복잡한 신경망 모델(예: 수백만 개의 파라미터를 가진 모델)을 물리적 실험으로부터 학습시키려면 지나치게 많은 수의 테스트나 복잡한 다축 하중 설정이 필요하게 된다. 본 논문은 딥러닝 재료 모델의 데이터 요구량과 표준 기계적 시험의 제한된 정보 함량 사이의 간극을 해결하고자 한다.

방법론
저자들은 자동 미분 가능한 탄소성 위상 최적화(topology optimization)와 데이터 기반 재료 모델 업데이트를 통합하는 프레임워크를 제안한다. 이 워크플로우는 세 가지 뚜렷한 단계로 구성된다:

1. 위상 최적화 (데이터 생성기 설계):
   핵심 혁신은 단순한 단조 축방향 하중 하에서 변형 다양성을 극대화하는 시편 기하학적 형상을 설계하는 것이다. 저자들은 객체 함수로서 시편 내 변형 분포의 섀넌 엔트로피(Shannon entropy)를 극대화하는 최적화 문제를 정식화하였다.

   • 미분 가능성: 경사 하강법 기반 최적화를 가능하게 하기 위해, 저자들은 자동 미분(AD)을 위한 JAX 프레임워크를 활용한다. 이를 통해 탄소성 구성 모델의 타임 스텝 적분 과정을 통과하는 그래디언트를 정확하게 계산할 수 있으며, 이는 전통적인 방식에서 요구되는 번거로운 어드조인트(adjoint) 공식의 수동 유도를 피할 수 있게 해준다.
   • 목적 함수: 변형 다양성은 변형 공간을 셀(cell)로 이산화하고, 가우시안 커널(소프트 할당)을 사용하여 변형 샘플을 셀에 할당하는 미분 가능한 히스토그램을 구축함으로써 정량화된다. 이 히스토그램의 섀넌 엔트로피가 극대화해야 할 목적 함수 역할을 한다.
   • 제약 조건: 최적화에는 제조 가능한 이진(흑백) 설계를 보장하기 위해 콘 필터(cone filter)와 임계값 투영(threshold projection)을 사용하는 밀도 기반 접근 방식(SIMP 기법)을 채택한다.

2. 데이터셋 생성:
   최적화된 기하학적 형상이 결정되면, 유한 요소 해석(FEA)을 통해 순환적 축방향 하중(인장-압축)을 가한다. 시편 내의 모든 고체 요소로부터 국부적인 응력-변형률 경로를 수집하여 포괄적인 데이터셋을 형성한다. 이 데이터셋은 소성 변형을 포함하여 광범위한 변형 상태를 포괄하도록 설계되었다.

3. 재료 모델 업데이트 (학습):
   생성된 데이터셋은 순환 신경망(RNN) 재료 모델, 구체적으로는 게이트 순환 유닛(GRU)을 사용하는 모델을 학습시키는 데 사용된다. 저자들은 제안된 시편의 데이터 효율성을 엄격하게 테스트하기 위해, ADiMU(HookeAI에서 구현됨) 프레임을 사용하여 오버파라미터화된 모델(두 개의 GRU 레이어와 각각 500개의 은닉 유닛을 가져 총 200만 개 이상의 파라미터 보유)을 학습시킨다. 모델은 독립적으로 생성된 무작위 다항식 응력-변형률 경로에 대해 평가된다.

주요 기여

• 새로운 시편 설계 전략: 본 연구는 탄소성 위상 최적화와 딥러닝 대리 모델 학습의 첫 번째 통합 사례를 제시한다. 이는 하나의 복잡한 시편 기하학적 형상이 경로 의존적 모델 학습에 필요한 충분한 변형 다양성을 생성할 수 있음을 입증한다.
• 자동 미분 가능한 최적화: 본 논문은 탄소성 위상 최적화 문제를 해결하기 위해 AD를 활용하며, 이를 통해 전통적인 어드조인트 방법으로는 정식화하기 어려운 복잡하고 비표준적인 목적 함수(엔트로피 기반 변형 다양성)를 사용할 수 있게 한다.
• 데이터 효율성: 본 연구는 최적화된 시편이 단순한 하중 조건에서도 대규모 신경망을 학습시킬 수 있는 데이터를 생성할 수 있음을 보여줌으로써, 데이터 기반 재료 모델링과 관련된 실험적 부담을 줄일 수 있는 가능성을 보여준다.

결과

• 표준 시편 대비 우수한 성능: 위상 최적화된 시편으로부터 학습된 GRU 모델은 표준 도그본 또는 노치(notched) 시편으로부터 학습된 모델보다 현저히 낮은 정규화 평균 제곱근 오차(NRMSE)를 달enc했다. 2D 응력 성분의 경우, 최적화된 시편은 약 911%의 NRMSE를 기록한 반면, 도그본 시편은 55166%를 초과하는 오차를 보였다.
• 변형 다양성 및 중복성: 데이터셋 분석 결과, 최적화된 시편은 훨씬 더 넓은 변형 공간 커버리지를 생성함을 확인했다. 중복성 연구(가지치기 분석)에 따르면, 도그본 데이터셋은 높은 중복성을 가졌으나(정확도 유지를 위해 거의 전체 데이터가 필요함), 최적화된 데이터셋은 낮은 중복성을 보였으며, 데이터의 65%만으로도 최적에 가까운 정확도를 달성할 수 있었다.
• 일반화 능력: 프레임워크는 기초가 되는 재료 모델이 변경될 때도 강건함을 입증했다. von Mises 소성 모델을 사용하여 설계된 최적화 시편이 Drucker–Prager 재료 모델의 데이터를 생성하는 데 사용되었을 때, 결과적인 GRU 모델은 Drucker–Prager 거동을 성공적으로 포착하였다. 이는 해당 시편이 설계 단계의 구성 가정과 다르더라도 유익한 데이터를 생성할 수 있는 능력이 있음을 나타낸다.
• 3D 확장: 본 방법론은 3D로 확장되어, 평면 내 변형 다양성을 최적화하는 것이 유익한 면외(out-of-plane) 응력 응답을 생성함을 보여주었으나, 훈련 데이터에서의 노출 제한으로 인해 전단 응력 예측은 상대적으로 정확도가 낮았다.

의의 및 주장
본 논문은 복잡한 재료 모델을 교정하기 위해 표준화된 시험 대신 정교하게 설계된 단일 실험이 대체하는 "Material Testing 2.0" 패러다임의 실현 가능성을 확립한다고 주장한다. 저자들은 이것이 탄소성 위상 최적화와 단일 최적화 시편으로부터의 순환 신경망 대리 모델 학습을 통합한 첫 번째 연구라고 명시한다.

본 연구의 의의는 데이터 기반 재료 모델링과 관련된 실험적 부담을 실질적으로 줄일 수 있다는 점에 있다. 광범위한 다축 시험 캠페인을 단 하나의 정보 밀도가 높은 축방향 시험으로 대체함으로써, 제안된 방법은 대규모 경로 의존적 신경망 모델을 실제 재료에 적용하는 것을 가능하게 한다. 저자들은 현재 연구가 완전히 계산적이며 FEA 생성 데이터셋에 의존하고 있지만, 최적화된 기하학적 형상은 제조가 가능하다는 점을 언급한다. 향후 계획은 전역 변위 및 힘 데이터를 포착하기 위해 디지털 이미지 상관법(DIC)과 같은 전계 측정 기술을 사용하여 이러한 설계를 실험적으로 검증하고, 이를 ADiMU 프레임워크 내에서 모델을 학습시키거나 교정하는 데 사용하는 것이다. 본 연구는 시편 기하학의 전역적 최적성을 주장하는 것이 아니라, 위상 최적화를 통해 변형 상태의 다양성을 극대화하는 것이 고용량 데이터 기반 모델을 학습시키기 위한 유효한 전략임을 입증하는 데 목적이 있다.