Machine Learning-Accelerated Time Integration of Plasticity Models

기술 요약: 소성 모델의 머신러닝 가속 시간 적분

문제 정의
순환 소성(cyclic plasticity)과 같은 비선형 재료 거동을 보이는 구조물의 유한 요소(FE) 시뮬레이션은 고급 구성 모델에 의존한다. 이러한 모델은 모든 적분점(integration point)에서, 모든 평형 반복(equilibrium iteration)마다, 그리고 모든 시간 단계(time step) 내에서 결합된 미분-대수 방정식(DAEs)을 풀어야 한다. 이 과정은 계산 비용이 매우 높다. 후방 오일러(backward Euler)와 같은 암시적 적분 기법(implicit integration schemes)은 무조건적 안정성을 제공하여 더 큰 시간 단계를 허용하지만, 비선형 방정식 시스템에 대한 반복적인 솔루션을 필요로 하며, 이는 특히 안정화된 거동이 즉각적으로 나타나지 않는 순환 시뮬레이션에서 병목 현상으로 남는다. 반대로, 명시적 기법(explicit schemes)은 속도는 빠르지만 수치적 안정성을 유지하기 위해 일반적으로 매우 작은 시간 단계를 요구한다. 과제는 정확도와 안정성을 희생하지 않으면서 이러한 계산을 가속화하는 것이다.

방법론
저자들은 속도 독립적 소성 모델(rate-independent plasticity models)의 시간 적분을 가속화하기 위한 머신러닝(ML) 기반 프레임워크를 제안한다. 핵심 접근 방식은 상태 변수 진화 방정식의 수치적 해를 피드 포워드 신경망(FFNNs)에 의해 계산되는 명시적 업데이트로 대체하는 것이다.

• 물리 법칙이 인코딩된 프레임워크: 변형률을 응력으로 매핑하는 순수 데이터 기반 대리 모델(surrogate models)과 달리, 이 프레임워크는 FFNN을 진화 방정식에 직접 삽입한다. 네트워크는 증분(increments) 자체를 직접 예측하는 대신, 상태 변수 진화의 방향을 예측한다.
• 불변량 기반 입력: 프레임 불변성(frame invariance)을 보장하고 차원을 축소하기 위해, NN은 시도 응력($\sigma_{tr}$), 한계 응력($\sigma_{lim}$), 그리고 후방 응력($n\beta$)으로부터 유도된 이차 불변량 세트 상에서 작동한다.
• 진화 방향: 프레임워크는 훈련 데이터로부터 추론된 세 가지 특정 진화 방향인 $\sigma_{tr, dev}$, $\sigma_{lim, dev}$, $n\beta$를 활용한다. 최소제곱 분석을 통해 이 세 가지 방향이 선택된 프로토타입 모델의 진화 공간을 생성하는 데 필요하고 충분함을 확인하였다.
• 일관성 강제: 이 방법의 핵심 요소는 수정 계수 $c$의 도입이다. 이 계수는 소성 하중(plastic loading) 동안 플라스틱 일관성 조건($\Phi = 0$)을 정확하게 충족시키기 위해 해석적으로 계산되며, 이는 순수 명시적 기법에서 충족하기 어려운 부분이다.
• 프로토타입 모델: 이 방법은 von Mises 항복 기준과 비선형 키네마틱 경화(Armstrong-Frederick 법칙)를 특징으로 하는 프로토타입 모델을 통해 검증된다.
• 훈련 데이터: 훈련 데이터는 고충실도 암시적 후방 오일러 기법으로 적분된 프로토타입 모델을 사용하여 생성된다. 데이터는 작은 시간 단계로 이산화된 10회의 다축 비례 맥동 하중(multiaxial proportional pulsating loading) 사이클로 구성된다. 훈련 전략은 탄성 응답을 제외하고 소성 하중에 해당하는 하중 세그먼트에 집중한다.

주요 기여

1. NN을 통한 명시적 시간 적분기: 저자들은 상태 변수 업데이트가 신경망을 통해 계산되는 명시적 시간 적분 알고리즘을 도입하여, 전통적인 명시적 방법보다 훨씬 큰 시간 단계를 사용할 수 있게 한다.
2. 정확한 일관성 조건: 프레임워크는 수정 계수 $c$를 통해 플라스틱 일관성 조건을 정확하게 강제하며, 이는 손실 함수 페널티를 통해 물리적 제약을 약하게만 강제하는 접근 방식과 구별된다.
3. 불변량 정식화: 응력 불변량과 해석적으로 결정된 진화 방향을 사용하여 NN을 정식화함으로써, 좌표계 독립성을 보장하고 학습 작업의 복잡성을 줄인다.
4. 하이브리드 구현: 이 접근 방식은 사용자 정의 서브루틴을 통해 상용 FE 코드(Abaqus)에 성공적으로 임베딩되어, 경계값 문제에 대한 적용 가능성을 입증하였다.

결과
제안된 프레임워크는 재료 점(material point) 시뮬레이션과 변위 제어 맥동 하중을 받는 구멍이 있는 판의 전체 FE 시뮬레이션을 통해 평가되었다.

• 정확도: 재료 점 시뮬레이션에서 NN 기반 모델은 참조 암시적 해와 우수한 일치도를 보였다. 100 사이클 동안 반주기당 단일 변형 증분만을 사용했을 때, von Mises 응력의 최대 절대 오차는 약 900 MPa의 피크 응력 대비 약 60 MPa였다. FE 시뮬레이션에서는 반주기당 단일 변위 증분을 사용할 때 최대 오차가 약 14.3 MPa(피크 응력의 약 1.6%)였다.
• 안정성: 수정 계수 $c$의 포함은 수치적 안정성과 정확성을 위해 필수적임이 밝혀졌다. $c=1$을 가정하여 일관성 조건을 무시한 시뮬레이션은 상당한 오차와 항복면 만족의 불일치를 초래했다.
• 계산 효율성: NN 기반 적분은 상당한 속도 향상을 제공했다. FE 시뮬레이션에서 반주기당 하나의 변위 증량을 사용할 경우, NN 기반 모델은 100개의 증량을 사용하는 참조 모델보다 약 34.6배 빨랐다. NN 기반의 정확도와 일치하도록 8개의 증량으로 줄인 참조 모델과 비교하더라도, NN 기반 접근 방식은 약 3.3배 더 빨랐다.

의의 및 주장
저자들은 제안된 프레임워크가 소성 시뮬레이션을 가속화하기 위해 "매우 유망한 수치적 성능"을 제공한다고 주장한다. 본 연구는 물리적 원칙(프레임 불변성 및 일관성 조건)을 준수하는 신경망을 사용하여 상태 변수 업데이트를 명시적으로 계산함으로써, 큰 시간 단계에서도 높은 정확도와 수치적 안정성을 달取得할 수 있음을 보여준다. 이 방법은 명시적 적분의 속도와 암시적 기법의 견고함 사이의 간극을 성공적으로 메우며, 특히 순환 소성 문제에 효과적이다. 저자들은 훈련 데이터가 단 10회의 하중 사이클로부터 생성되었음에도 불구하고, 모델이 다양한 변형 범위와 복잡한 경계값 문제를 가진 100회의 사이클에 대해서도 잘 일반화되었음을 강조하며, 이는 전통적인 반복 솔버의 계산 부담 없이 복잡한 공학 구조물의 효율적인 시뮬레이션 가능성을 시사한다.