Concurrent enforcement of polyconvexity and true-stress-true-strain monotonicity in incompressible isotropic hyperelasticity: application to neural network constitutive models

기술 요약: 비압축성 등방성 초탄성에서의 다볼록성(Polyconvexity)과 진응력-진변형률 단조성(True-Stress–True-Strain Monotonicity)의 동시 강제

문제 정의
구성 방정식 모델링을 위한 물리 보강 신경망(PANNs) 설계는 그 유연성 덕분에 큰 주목을 받고 있다. 그러나 데이터 기반 모델이 훈련 범위를 벗어난 외삽(extrapolation) 상황에서도 근본적인 물리적 제약 조건을 만족하도록 보장하는 것은 여전히 중요한 과제로 남아 있다. 비압축성 등방성 초탄성 맥락에서, 두 가지 주요 구성 제약 조건은 물리적으로 타당하다고 널리 간주된다: 다볼록성(재료의 안정성과 rank-one 볼록성을 함의함)과 진응력-진변형률 단조성(TSTS-M, 응력이 변형률에 따라 단조 증가해야 한다는 요구 조건)이다.

다볼록성은 흔히 PANN 구조 내에서 강제되지만, 비압축성 재료에서 TSTS-M과의 관계는 이론적 모호함의 대상이 되어 왔다. 압축성 사례에서는 다볼록성이 TSTS-M을 보장하지 않는다. 저자들은 이러한 이론적 통찰이 비압축성 가정하에서 어떻게 단순화되는지, 그리고 이러한 이론적 통찰이 서로 다른 PANN 구조의 실제 성능과 외삽 능력에 어떤 영향을 미치는지 조사한다.

방법론
본 논문은 이론적 도출과 수치적 적용이라는 두 가지 별개의 단계로 진행된다.

1. 이론적 프레임워크:

   • 저자들은 등방성 비압축성 초탄성의 고전적 프레임워크를 재검토하며, 다볼록성과 TSTS-M 사이의 상호작용에 초점을 맞춘다.
   • 저자들은 대조 이론(theory of majorization)을 사용하여 Ball(1976)의 다볼록성 충분 조건을 재검토하고, 기저에 깔린 역학을 더 명확하게 설명하는 추적 가능한 증명을 제공한다.
   • 저자들은 다볼록성을 위한 Ball의 충분 조건이 TSSS-M(및 Hill의 부등식)을 자동으로 함의한다는 것을 입증함으로써, 광범위한 비압축성 변형 에너지 함수에 대해 이를 보여준다. 이는 로그 주 변형률(Hencky strain)에서의 변형 에너지 함수의 엄격한 볼록성이 이러한 조건들의 결과임을 보여줌으로써 확립된다.
   • 저자들은 이러한 조건들이 충분조건이지만 필요조건은 아님을 명시하며, Ball의 특정 조건에 의존하지 않고 비압축성에서 다볼록성이 일반적으로 TSTS-M을 함의하는지에 대한 열린 질문을 논의한다.

2. PANN 구조 및 캘리브레이션:

   • 도출된 구성 제약 조건을 사전적으로(a priori) 만족하도록 설계된 네 가지 구별된 PANN 구조가 구축되었다:
     • PANN–$I$: 우측 Cauchy-Green 텐서의 주 불변량($I_1, I_2$)에 기반함.
     • PANN–$\sqrt{I}$: 이 불변량들의 제곱근에 기반함.
     • PANN–$\lambda$: 치환 불변성(permutation invariance)이 강제된 주 변형률($\lambda_k$)에 기반함.
     • PANN–$\nu$: $\Pi(3)$-불변성이 적용된 부호 있는 특이값(signed singular values)에 기반함.
   • 이 모델들은 변형 에너지 함수의 수학적 성질을 보장하기 위해 볼록-단조 신경망(CMNNs) 또는 입력-볼록 신경망(ICNNs)과 softplus 활성화 함수를 사용한다.
   • 모델들은 Treloar의 가황 고무, EPDM 폴리머, 3D 프린팅 DLP 재료라는 세 가지 연성 고무 유사 재료의 실험 데이터에 대해 캘리브레이션된다.
   • 성능은 보간 정확도(평균 제곱 오차)와 결정적으로, 일축, 이축, 순수 전단 하중 시나리오에서의 외삽 동작을 기준으로 평가된다.

주요 기여

• 이론적 연결: 본 논문은 비압축성 등방성 초탄성에 대해, Ball의 충분 조건이 TSTS-M을 보장하기 위한 충분조건임을 확립한다. 이는 안정성과 단조성 제약을 동시에 만족하는 PANN을 구축하기 위한 엄밀한 이론적 토대를 제공한다.
• 구조 비교: 연구는 네 가지 서로 다른 PANN 파라미터화를 구축하고 비교한다. 동일한 구성 제약을 만족하더라도 근사 능력은 동일하지 않음을 입로 보여준다. 즉, 입력 변수의 선택(불변량 vs 변형률 vs 부호 있는 특이값)이 특정 재료 거동을 적합시키는 모델의 능력에 상당한 영향을 미친다는 것을 입증한다.
• 외삽 분석: 핵심적인 발견은 서로 다른 PANN 구조가 유사한 보간 정확도(훈련 데이터를 잘 맞춤)를 달-성하더라도, 큰 변형률로 외삽할 때 현저하게 상이한 거동을 보인다는 점이다.
• 곡률 제한: 저자들은 강제된 제약 조건들이 응력의 단조 증가를 보장하지만, 응력-변형률 응답의 '곡률'은 제한하지 못한다는 점을 관찰한다. 결과적으로 일부 PANN 모델은 응력이 단조 증가하기는 하지만, 큰 변형률에서 직관적인 경화(stiffening) 기대와 달리 음의 곡률(연화 거동)을 보이는 응력 응답을 예측한다.

결과

• 보간: 네 가지 PANN 모델 모두 일반적으로 실험 데이터에 대해 좋은 적합도를 보였으나, 재료에 따라 성능 차이가 있었다. EPDM 및 DLP 재료의 경우, 부호 있는 특이값 기반 모델(PANN–$\nu$)이 불변량 기반 모델(PANN–$I$ 및 PANN–$\sqrt{I}$)보다 우수한 성능을 보였으며, 이는 불변량 기반 파라미터화가 특정 재료 거동을 표현하는 데 있어 내재적인 유연성 한계를 가질 수 있음을 시사한다.
• 외삽: 외삽 영역에서 상당한 편차가 관찰되었다. 거의 동일한 보간 오차를 가진 모델들조차 큰 변형률에서 매우 다른 응력 예측치를 나타냈다.
  • 불변량 기반 모델(PANN–$I$)은 주 변형률에 대한 불변량의 특정 미분 특성으로 인해, 높은 변형률에서 응력 응답이 평탄해지거나 음의 곡률을 보이는 경향을 보였다.
  • 반면, 변형률 기반 모델(PANN–$\lambda$)과 부호 있는 특이값 모델(PANN–$\nu$)은 다른 외삽 경향을 유지했다.
• 안정성: 모든 모델은 구조적 제약 덕분에 단조성과 안정성(rank-one 볼록성 위반 없음)을 유지하였으며, 이는 이론적 도출을 확인시켜 주었다.

의의 및 결론
본 논문은 물리 보강 신경망이 다볼록성과 TSTS-M 같은 근본적인 구성 제약을 성공적으로 강제하지만, 이러한 제약만으로는 물리적으로 타당한 '외삽'을 보장하기에 불충분하다는 결론을 내린다. 파라미터화(즉, "ansatz function")의 선택은 훈련 영역 밖에서의 모델 행동을 결정짓는 숨겨진 편향(hidden bias)으로 작와한다.

저자들은 현재의 구성 모델링에 존재하는 중요한 간극을 강조한다: 제약 조건(다볼록성 + TSTS-M)은 응력 응답의 기울기는 제한하지만 곡률은 제한하지 못한다. 이는 여러 모델이 데이터를 동일하게 잘 맞추더라도 외삽 시 서로 다른 물리적 실재를 예측하게 만드는 근본적인 모호성을 초래한다. 저자들은 "이상적 탄성"을 위해 Cauchy 응력의 곡률에 관한 추가적인 제약이 필요할 수 있다고 제안하지만, 이러한 제약을 공식화하는 것은 여전히 해결해야 할 과제로 남아 있다.

궁극적으로, 이 연구는 PANN 커뮤니티에 경고의 메시지를 전달한다: 높은 근사 능력과 기초적인 물리 법칙의 준수가 반드시 확실한 예측 능력과 동일한 것은 아니다. 특정 PANN 구조를 선택하는 것은 관찰되지 않은 변형 영역에서의 예측 신뢰도에 상당한 영향을 미치는 모델링상의 선택이다.