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

기술 요약: 볼록 신경망 표현을 통한 소성학 내 항복 함수의 물리 기반 발견

1. 문제 정의

이방성 항복 함수를 식별하는 것은 고체 역학에서 여전히 중요한 과제로 남아 있다. 전통적인 접근 방식은 특정 해석적 형태(예: von Mises, Hill 1948, Barlat–Yoon)를 선택하고 실험 데이터에 따라 매개변수를 보정하는 방식에 의존한다. 그러나 이 과정은 다음과 같은 몇 가지 난관에 직면한다:

• 데이터의 한로: 항복 현상은 전계(full-field) 기계적 측정(예: 디지털 이미지 상관법, DIC)을 통해 직접 관찰되지 않는다. 실험 데이터는 일반적으로 변위장과 반력 데이터를 제공하지만, 직접적인 응력장, 소성 변형률 측정 또는 항복 곡면 데이터는 제공하지 않는다.
• 보정의 복잡성: 이방성 거동을 결정하려면 다양한 방향에서의 하중 인가가 필요하며, 충분히 표현력이 있으면서도 간결한 적절한 해석적 형태를 선택하는 것은 매우 까다롭다.
• 모델 구조: 기존의 데이터 기반 방법들은 응력 응답을 직접 근사하거나 응력 공간의 감독(supervision)을 필요로 하는데, 이는 전통적인 탄소성 응력 적분에 필요한 기초적인 구성 구조(항복 함수)를 드러내는 데 실패한다.

본 연구가 다루는 핵심 문제는 응력 관측, 소성 변형률 측정, 또는 규정된 매개변수 형태 없이도, 오직 전계 변위 및 반력 데이터로부터 어떻게 이방성 항복 함수를 추론할 것인가이며, 동시에 그 결과가 탄소성 응력 적분의 역학적 구조와 호환되도록 보장하는 방법이다.

2. 방법론

저자들은 항복 함수를 응력 공간에서의 직접적인 지도 학습 기반의 컨투어 피팅(contour fit)이 아니라, 탄소성 응력 적분 루프 내의 역학적으로 제약된 구성 요소로 취급하는 물리 기반 프레임워크를 제안한다.

A. 항복 함수의 신경망 표현
알려지지 않은 항복 함수 $\bar{\sigma}(\sigma)$는 후보 라이브러리 형태의 방정식 대신 **볼록 신경망(Convex Neural Network, CNN)**에 의해 표현된다. 속도 독립적, 압력 비민감성 소성 및 연관 유동 법칙(AFR)의 역학적 요구 사항을 충족하기 위해, 네트워크는 다음을 강제한다:

• 볼록성(Convexity): 이전 층의 활성화 값에 곱해지는 가중치를 비음수(non-negative)로 제한함으로써 입력 볼록 신경망(Input Convex Neural Network) 구조를 통해 보장된다.
• 1차 양의 동차성(Positive Homogeneity of Degree One): ReLU 활성화 함수를 사용하고 편향(bias) 항을 제거함으로써 $\bar{\sigma}(\rho\sigma) = \rho\bar{\sigma}(\sigma)$를 보장한다.
• 인장-압축 대칭성(Tension-Compression Symmetry): 응력 성분의 부호 변환에 대해 네트워크 출력을 대칭화함으로써 부과된다.
• 매끄러움(Smoothness): 이 구조는 볼록성과 동차성 제약을 동시에 만족시키기 위해 전역적인 $C^1$ 매끄러움을 $C^0$ (조각마다 미분 가능한) 표현으로 완화한다.

B. 물리 기반 학습 전략
본 프레임워크는 응력 관측이나 소성 변형률 측정 없이 오직 변위 및 힘 데이터만을 사용하여 신경망을 훈련시키기 위해 미분 가능한 탄소성 응력 업데이트 알고리즘을 활용한다.

1. 데이터 입력: 여러 하중 케이스(x/y 방향 단축 인장, 이축 인장, 단순 전단)로부터 얻은 시계열 전계 변위 데이터(변형률 증분으로 변환됨)와 반력 데이터를 사용한다.
2. 미분 가능한 응력 적분: 명시적 전방 오일러(forward Euler) 스킴을 사용하여 응력과 소성 변형률을 업데이트한다. 신경망 매개변수에 대한 미분 가능성을 유지하기 위해, 탄성 상태와 소성 상태 사이를 전환하는 날카로운 소성 지표(plasticity indicator)를 매끄러운 시그모이드(sigmoid) 근사치로 대체한다.
3. 손실 함수: 훈련 목표는 **힘 평형 잔차(force equilibrium residual)**이다. 유한 요소 메쉬 상에서 응력 업데이트를 조립하여 예측된 내부 힘 증분을 측정된 반력으로부터 도출된 외부 힘 증분과 비교한다. 신경 항복 함수는 이 불일치를 최소화하도록 최적화된다.
4. 최적화: 모든 하중 케이스에 대해 신경망 매개변수를 동시에 업데이트하기 위해 경사 하강법 기반 최적화 도구인 Adam을 사용한다.

C. 유한 요소 배포
발견된 신경 항복 함수는 조각마다 미분 가능한($C^0$) 형태이므로, 매끄러운 해석적 미분값이 필요한 표준 암시적 유한 요소 솔버에는 직접 적용하기 어렵다. 따라서 발견 후, 식별된 신경 항복 함수의 레벨 셋(level sets)에 맞춰 **다항식 대리 모델(polynomial surrogate)**을 피팅한다. 이 대리 모델은 양의 동차성을 가진 매끄러운 다항식 함수로서, 이를 통해 전통적인 암시적 유한 요소 시뮬레이션에 배포할 수 있다.

3. 주요 기여

• 관측 가능한 데이터로부터의 직접 식별: 본 프레임워크는 응력 관측, 소성 변형률 측정, 직접적인 항복 표면 데이터 또는 규정된 해석적 형태 없이도 전계 변위 및 반력 데이터로부터 항복 함수를 식별한다.
• 역학적으로 제약된 표현: 볼록 신경한 항복 함수 표현과 힘 평형을 기반으로 최적화하면서도 주요 역학적 제약(볼록성 및 양의 동차성)을 강제하는 미분 가능한 탄소성 학습 알고리즘을 도입하였다.
• 포괄적 검증: 본 연구는 무결점(noise-free) 조건에서의 항복 윤곽 일치도, 변위 측정 노이즈(DIC 불확실성 시뮬레이션)에 대한 민감도, 딥 앙상블을 통한 식별 가능성 및 인식론적 불확실성, 그리고 다항식 대리 모델을 통한 배포 가능성을 평가함으로써 von Mises, Hill 1948, Yld2000-2d 등의 유한 요소 벤치마크를 통해 접근 방식을 검증하였다.

4. 결과 및 검증

• 무결점 상태의 발견: 본 프레임워크는 응력의 직접적인 감독 없이도 등방성(von Mises) 및 이방성(Hill 1948, Yld2000-2d) 벤치마크에 대한 항복 윤곽을 성공적으로 복구하였다. 추론된 윤곽은 방향성 이방성을 포함한 실제 경향과 일치하였다.
• 노이즈 민감도: 본 방법은 서브 마이크로미터 수준(0.1–0.3 µm)의 변위 노이즈에 대해 견고함을 보여주었다. 노이즈 수준이 높아짐에 따라 윤곽 왜곡이 증가했으나, 추론된 항복 표면은 갑작스러운 실패보다는 점진적인 성능 저하를 보이며 실제 경향성을 유지하였다.
• 식별 가능성 및 불확실성: 소성적으로 활성화된 응력 상태를 분석한 결과, 특정 하중 케이스에 의해 방문된 항복 표면 영역은 잘 제약되어 있음을 확인하였다. 반대로, 응력 상태의 커버리지가 희소한 영역(예: 반대 부호의 법선 응력)은 딥 앙상블의 표준 편차를 통해 확인된 바와 같이 높은 인식론적 불확실성을 나타냈다.
• 배포: 발견된 신경 함수에 피팅된 다항식 대리 모델은 항복 윤곽을 성공적으로 재현하였으며, Yld2000-2d 벤치마크에 대해 실제 값과 유사한 응력 및 소성 변형률 필드 결과를 생성하였다.

5. 의의 및 주장

본 논문은 항복 함수가 단순히 응력 공간에서의 감독된 컨투어 피팅이 아니라, 탄소성 응력 적분 내부의 알려지지 않은 구성 요소로서 식별될 수 있음을 주장한다. 신경 표현을 응력 업데이트 내에 삽입하고 힘 평형을 통해 제약함으로써, 이 프레임워크는 데이터 기반 발견과 고전적 소성 이론의 구조적 요구 사항 사이의 간극을 메운다.

저자들은 이 접근 방식이 이방성 항복 함수를 발견하기 위한 **역학적 제약 경로(mechanics-constrained pathway)**를 제공한다고 강조한다. 이 방법은 경화 법칙(hardening law)과 유동 법칙(flow rule)이 알려져 있거나 규정되어 있다면, 직접적인 응력 측정이나 미리 선택된 해석적 형태의 필요성 없이 항복 함수 식별 문제를 분리해 낸다.

저자들이 인정한 한계점:

• 검증이 실험적 DIC 측정이 아닌, 유한 요소 시뮬레이션으로 생성된 합성 데이터에 의존하고 있다.
• 경화 법칙, 유동 법칙(AFR), 탄성 계수는 규정된 상태이며, 본 연구는 경화 법칙이나 비연관 유동 법칙을 동시에 식별하는 것을 수행하지 않는다.
• 현재 구현은 평면 응력(plane-stress) 조건과 미소 변형을 가정한다.
• 신경 항복 함수는 조각마다 미분 가능하므로, 표준 암시적 유한 요소 배포를 위해 다항식 대리 모델을 피팅하는 후처리 단계가 필요하다.

저자들은 본 프레임워크가 벤치마크 데이터를 통해 이러한 접근 방식의 타당성을 성공적으로 입증하였으나, 향후 실험적 환경으로의 확장, 항복 및 경화의 동시 식별, 그리고 3차원 응력 상태에 대한 추가 연구가 필요하다고 결론지었다.