🔬 materials science

On Surrogate Modeling of Static Response of AM Short-Fiber Thermoplastics Using Graph Neural Networks

본 논문은 미세구조의 토폴로지와 손상 진화를 인코딩함으로써 적층 제조된 단섬유 열가소성 복합재의 비선형 역학적 거동을 정확하고 효율적으로 예측하는 물리 정보 기반의 하이브리드 그래프 신경망-장단기 메모리(GNN-LSTM) 대리 모델을 제안하며, 이를 통해 디지털 트윈 개발을 위한 전통적인 유한 요소 해석의 계산적 한계를 극복한다.

원저자: Pharindra Pathak (Auburn University, Oakridge National Lab, NASA Glenn Research Center, Auburn University, Auburn University), Vipin Kumar (Auburn University, Oakridge National Lab, NASA Glenn Researc

게시일 2026-06-30

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Pharindra Pathak (Auburn University, Oakridge National Lab, NASA Glenn Research Center, Auburn University, Auburn University), Vipin Kumar (Auburn University, Oakridge National Lab, NASA Glenn Research Center, Auburn University, Auburn University), Trenton M. Ricks (Auburn University, Oakridge National Lab, NASA Glenn Research Center, Auburn University, Auburn University), Suhasini Gururaja (Auburn University, Oakridge National Lab, NASA Glenn Research Center, Auburn University, Auburn University), Siddhartha Srivastava (Auburn University, Oakridge National Lab, NASA Glenn Research Center, Auburn University, Auburn University)

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 새로운 초강력 플라스틱 부품을 잡아당겼을 때 어떻게 반응할지 예측하려고 한다고 상상해 보십시오. 이 플라스틱은 단순히 단단한 덩어리가 아닙니다. 이것은 부드러운 플라스틱 베이스(3D 프린터에 쓰이는 플라스틱 같은 것)와 그 안에 섞인 수천 개의 짧은 탄소 섬유(소스 속의 스파게티처럼)의 혼합물입니다.

문제는 이 섬유들이 완벽하게 배열되어 있지 않다는 점입니다. 어떤 것들은 뭉쳐 있고, 어떤 것들은 서로 멀리 떨어져 있으며, 어떤 것들은 휘거나 부러져 있습니다. 현실 세계에서는 이러한 미세한 결함들이 부품이 부러질지 아니면 휘어질지를 결정합니다.

전통적으로 엔지니어들은 이를 시뮬레이션하기 위해 강력한 컴퓨터를 사용하려고 노력합니다. 그들은 모든 개별 섬유와 그 주변의 플라스틱을 디지털 모델로 구축합니다. 하지만 이것은 해변의 변화를 예측하기 위해 모래알 하나하나를 세려는 것과 같습니다. 이는 엄청난 컴퓨터 성능을 요구하며, 실제 크기의 부품에 대해서는 실행하는 것이 사실상 불가능합니다.

"스마트 맵(Smart Map)" 솔루션

이 논문은 영리한 지름길을 소개합니다. 매번 모든 섬유를 시뮬레이션하는 대신, 연구진은 컴퓨터 시뮬레이션으로부터 학습하여 결과를 즉각적으로 예측하는 "스마트 맵" 시스템을 만들었습니다.

그들이 이 일을 수행한 방법은 다음과 같습니다.

1. "이웃" 시스템 (보로노이 셀, Voronoi Cells)

전체 부품을 한꺼번에 보는 대신, 그들은 디지털 모델을 수천 개의 작고 불규칙한 이웃(보로노이 셀)으로 나누었습니다. 이것은 도시를 우편번호 구역으로 나누는 것과 비슷합니다.

목표: 각 "우편번호 구역"에는 특정 섬유 그룹과 그 주변의 플라스틱이 포함됩니다.
통찰: 섬유가 밀집된 이웃은 섬유가 외로운 섬처럼 흩어져 있는 이웃과는 매우 다르게 작동합니다. 연구진은 이 작은 이웃들 내에서의 섬유 "배열"이 정말 중요하다는 것을 깨달았습니다.

2. "그래프" (섬유들의 사회적 네트워크)

컴퓨터에게 이 이웃들을 가르치기 위해, 그들은 단순히 사진을 입력한 것이 아닙니다. 그들은 섬유를 하나의 사회적 네트워크로 변환했습니다.

노드(Nodes): 각 섬유는 네트워크 속의 한 사람입니다.
연결(Connections): 그들을 연결하는 선은 그들이 플라스틱을 통해 어떻게 서로 소통하는지를 나타냅니다. 만약 두 섬유가 가깝고 같은 방향을 향하고 있다면, 그들은 강한 연결(마치 절친한 친구처럼)을 가집니다. 만약 서로 멀리 떨어져 있거나 방향이 다르다면, 그 연결은 약합니다.
AI (GNN): 그들은 **그래프 신경망(GNN)**이라 불리는 일종의 인공지능을 사용했습니다. 이 AI를 사회 분석가라고 생각하십시오. 이 분석가는 네트워크를 관찰하며 이렇게 말합니다. "아, 이 이웃은 친밀한 친구 그룹(섬유)을 가지고 있구나, 그러니 매우 강하고 단단하겠군."

3. "기억" (LSTM)

재료는 단순히 한 번의 당김에 반응하는 것이 아니라, 이전에 어떻게 당겨졌는지를 기억합니다. 고무줄을 늘리면 늘릴수록 점점 더 약해지는 것과 같습니다.

문제: "사회 분석가"(GNN)는 레이아웃을 보는 데는 뛰어나지만, 늘어나는 이력에 대한 기억은 없습니다.
해결책: 그들은 LSTM(Long Short-Term Memory)이라는 두 번째 AI 파트를 추가했습니다. 이것은 일기 쓰는 사람과 같습니다. 재료를 잡아당기는 동안, 일기 쓰는 사람은 기록합니다. "여기서 시작했고, 그다음엔 조금 늘어났고, 그다음엔 많이 늘어났다." 이는 플라스틱에 가해지는 손상을 기억합니다.

4. "하이브리드" 슈퍼 모델

연구진은 이 두 가지 AI를 하나의 슈퍼 브레인으로 결합했습니다:

GNN은 레이아웃(섬유 이웃)을 보고 부품이 얼마나 강해질 수 있는지(잠재력)를 봅니다.
LSTM은 이력(얼마나 늘려졌는지)을 보고 이미 얼마나 약해졌는지를 봅니다.

이 둘을 결합하면, 고정밀 컴퓨터 시뮬레이션과 똑같이 작동하면서도 100배 더 빠르게 재료가 어떻게 늘어나고 부서질지를 예측할 수 있습니다.

연구 결과

속도: 기존 방식은 작은 이웃 하나를 시뮬레이션하는 데 몇 분 또는 몇 시간이 걸렸습니다. 새로운 AI 방식은 1초도 걸리지 않습니다.
정확도: AI의 예측은 느리고 비용이 많이 드는 컴퓨터 시뮬레이션과 거의 동일했습니다(98% 정확도).
"약한 고리" 발견: 이 연구는 부품이 전체 재료의 평균적인 품질 때문에 실패하는 것이 아니라, 섬유가 뭉쳐 있거나 미세한 공기 방울(기공)이 있는 특정 "나쁜 이웃" 때문에 실패한다는 것을 확인해주었습니다. AI는 이러한 약점을 즉각적으로 찾아낼 수 있습니다.

이것이 중요한 이유

이 방법은 엔지니어들이 3D 프린팅된 부품의 **"디지털 트윈(Digital Twin)"**을 만들 수 있게 해줍니다. 그들은 실제 부품을 스캔하고, 섬유 위치를 이 AI에 입력하여 다음 사항들을 즉시 알 수 있습니다:

부품이 얼마나 단단한지.
어디에서 부서질 가능성이 높은지.
사용되는 동안 어떻게 버텨낼지(피로도).

그들은 매번 느리고 비싼 시뮬레이션을 실행할 필요 없이 이 일을 해냈습니다. 이것은 마치 현재의 지도만을 바탕으로 모든 빗방울을 시뮬레이션하지 않고도, 폭풍이 정확히 어디를 칠지 알려주는 일기 예보를 가진 것과 같습니다.

요약하자면: 그들은 3D 프린팅된 부품이 정확히 얼마나 강할지를 예측하기 위해, 플라스틱 내부 섬유의 "사회적 생활"을 이해하는 빠르고 스마트한 AI를 구축했으며, 이를 통해 엄청난 양의 시간과 컴퓨터 전력을 절약했습니다.

기술 요약: 그래프 신경망을 이용한 AM 단섬유 열가소성 복합재의 정적 응답 서로게이트 모델링

문제 정의
적층 제조와 압축 성형(AM-CM)이 결합된 방식으로 제조된 단섬피 열가소성(SFT) 복합재는 높은 생산율과 재활용성을 제공하여 항공우주 및 자동차 분야에서 주목받고 있다. 그러나 이들의 기계적 성능은 섬유 배향, 공간적 클러스터링, 제조 유도 기공 등 미세 구조적 상호작용에 의해 결정된다. 연속 섬유 적층판과 달리, SFT 미세 구조는 강성, 손상 개시 및 비선형 변형에 강력한 영향을 미치는 상당한 공간적 가변성을 나타낸다.

마이크로 컴퓨터 단층 촬영(µ-CT) 데이터에 기반한 고충실도 유한 요소(FE) 모델은 이러한 불균질성을 해소할 수 있지만, 수천 개의 섬유를 포함하는 실제 3D 미세 구조에서 비선형 소성 및 손상을 모델링하기에는 계산적으로 불가능하다. 반면, 평균장 균질화 접근법(예: Mori–Tanaka)은 섬유 간 상호작용, 수지 풍부 영역(resin-rich pockets), 국부적 손상 핫스팟을 포착할 수 있는 공간적 해상도가 부족하다. 기존의 머신러닝 서로게이트 모델은 합성된 미세 구조에 의존하거나, 물리적 섬유 토폴로지를 명시적으로 표현하지 못하며, 이력 의존적 손상 진화를 무시하는 상태 기반 예측에 국한되는 경우가 많다. 따라서 실험적으로 관찰된 미세 구조 토폴로지를 보존하고, 이력 의존적 비선형 손상을 포착하며, 쿠폰 수준의 해석을 위해 계산 효율성을 유지하는 예측 프레임워크가 절실히 필요하다.

방법론
저자들은 µ-CT로 해상화된 미세 구조 토폴로지와 비선형 이력 의존적 구성 응답을 연결하는 데이터 기반 다중 스케일 서로게이트 모델링 프레임워크를 제안한다. 워크플로우는 세 가지 스케일을 거친다:

미세 구조 재구성 및 이산화:
- AM-CM CF-ABS 패널의 고해상도 µ-CT 데이터를 탄소 섬유, ABS 매트릭스, 기공으로 분할한다.
- 이동 구체 샘플링(moving-sphere sampling) 절차를 통해 섬유들을 국부적인 상호작용 이웃으로 그룹화한다.
- 이 이웃들은 **보로노이 테셀레이션(Voronoi tessellation)**의 시드(seed) 역할을 하며, 도메인을 중첩되지 않는 다면체 셀로 분할한다. 이 방식은 섬유 밀도가 높은 영역에서는 더 작은 셀을, 매트릭스가 풍부한 영역에서는 더 큰 셀을 생성하여, 사용자 정의 메쉬 스케일 없이도 본질적인 구조적 일관성을 보존한다.
고충실도 데이터 생성 (FE 균질화):
- 각 이산 보로노이 셀은 주기적 경계 조건을 가진 대표 체적 요소(RUC)로 취급된다.
- 비선형 FE 시뮬레이션(Abaqus 2022 사용)이 이 셀들에 대해 수행되며, 여기에는 Voce 경화 및 스칼라 연속체 손상 역학으로 보정된 ABS 매트릭스의 탄소성 손상 모델과 섬유의 직교 이방성 선형 탄성 거동이 포함된다.
- 기공 효과는 2단계 균질화 전략을 통해 통합된다: 먼저 µ-CT로 해상화된 기공을 포함한 매트릭스 전용 RUC를 균질화하여 유효 다공성 매트릭스 강성을 얻고, 이를 섬유-매트릭스 RUC에 할당한다.
- 이 과정은 6가지 하중 케이스에 대해 500개의 서로 다른 셀로부터 응력-변형률 궤적 데이터셋을 생성하며, 이를 통해 국부적인 섬유 부피 분율, 배향 및 클러스터링의 전체 범위를 포착한다.
하이브리드 GNN-LSTM 서로게이트 아키텍처:
- 그래프 신경망 (GNN): 미세 구조 토폴로지를 인코딩한다. 섬유는 기하학적 특징(길이, 배향, 부피 분율 기여도)을 가진 그래프 노드로 표현된다. 에지는 섬유 근접도와 정렬도에 의해 가중치가 부여된 전단 지연(shear-lag) 매개 하중 전달 경로를 나타낸다. GNN은 셀의 강성 잠재력을 포착하는 고정 차원의 미세 구조 기술자( $z_{\Omega_c}$ )를 출력한다.
- 장단기 메모리 (LSTM): 이력 의존적 진화를 모델링한다. 변형 이력을 시퀀스로 처리하며, 은닉 상태와 셀 상태를 사용하여 누적된 소성 및 손상을 암시적으로 인코딩하는 서로게이트 내부 변수로 활용한다.
- 통합: GNN 기술자와 LSTM 은닉 상태를 결합(concatenation)한 후 잔차 출력 네트워크(residual output network)에 입력한다. 스킵 연결(skip connection)은 토폴로지 인코딩된 진폭 정보(피크 응력 잠재력)가 모든 예측 단계에서 접근 가능하도록 보장한다. 사후 분석용 Random Forest 회귀 모델이 피크 응력 진폭을 예측하여 출력을 역정규화한다.
- 물리 정보 기반 정규화: 훈련 손실 함수에는 단조성(피크 전), 매끄러움, 탄성 일관성 및 피크 응력 정확도에 대한 특정 페널티가 포함되어 물리적으로 타당한 궤적을 보장한다.

주요 결과

예측 정확도: 훈련된 서로게이트 모델은 보지 못한 미세 구조에 대해 강성과 응력-변형률 거동을 정확하게 예측한다. 모든 응력 성분에 대해 고충실도 FE 시뮬레이션 대비 약 0.98의 결정 계수( $R^2$ )를 달로 달성했다.
계산 효율성: 서로게이트 모델은 계산 비용을 2배 이상(two orders of magnitude) 절감한다. 단일 셀의 응력-변형률 궤적을 예측하는 데 단일 CPU에서 1초 미만이 소요되며, 이는 동일한 비선형 FE 균질화에 소요되는 수 분과 대조된다.
다중 스케일 검증: 서로 다른 피로 단계(초기 상태, 피로 한계 미만, 피로 한계 초과)의 시편에서 추출한 µ-CT 기반 메조스케일 보로노이 모델에 적용했을 때, 프레임워크는 쿠폰 수준의 인장 응답을 성공적으로 예측했다.
- 예측된 탄성 계수는 실험 측정값과 5~7% 이내의 오차를 보였다.
- 모델은 구성 모델의 재보정 없이도 피로 유도 기공 성장 및 미세 구조 재배열과 관련된 점진적인 연화(softening) 및 비선형성의 조기 발생을 포착했다.
- 시뮬레이션과 실험 간의 차이는 구성 모델이 포착하지 못한 물리적 메커니즘(예: 계면 박리)에서 기인한 것이지, 서로게이트 근사 오류 때문이 아님이 밝혀졌다.

핵심 기여

토폴로지 보존형 서로게이트: 본 프레임워크는 µ-CT로 해상화된 섬유 구성을 비선형 구성 응답과 직접 연결하며, 기존의 통계적 기술자에 의존하는 방식과 달리 하중 전달을 지배하는 국부적 상호작용 메커니즘(클러스터링, 섬유 끝 효과)을 명시적으로 유지한다.
하이브리드 아키텍처: 정적 토폴로지 인코딩(GNN)과 경로 의존적 손상 진화(LSTM)를 분리하는 GNN-LSTM 아키텍처를 개발함으로써, 딥러닝의 효율성을 활용하면서도 고전적인 구성 모델의 구조를 효과적으로 모사하였다.
물리 정보 기반 훈련: 특정 손실 함수와 정규화 항의 통합을 통해 서로게이트가 물리적 제약 조건(예: 비음수 응력, 피크 전 단조 거동)을 준수하고 임계 비선형 영역을 포작할 수 있도록 보장한다.
확장 가능한 디지털 트윈 경로: µ-CT 데이터만으로 기계적으로 취약한 미세 구조 셀을 식별하고 구조적 성능을 예측할 수 있는 계산 효율적인 방법을 제공하여, AM-CM SFT 부품의 디지털 트윈 개발을 용이하게 한다.

의의 및 주장
본 논문은 AM-CM SFT의 기계적 응답가 전역적인 미세 구조 평균뿐만 아니라 국부적 섬유 상호작용 네트워크의 토폴로지에 의해 근본적으로 결정된다고 주장한다. 제안된 FE–Voronoi–GNN 프레임워크는 미세 구조의 진화와 거시적 기계적 성능 사이의 물리적으로 근거 있는 가교를 구축한다.

저자들은 이 프레임 much가 평균장 접근법이 제공할 수 없는 다음과 같은 능력을 제공함을 강조한다:

국부적 클러스터링 및 연결성에 의해 구동되는 기계적으로 취약한 셀의 공간적 해상도 기반 식별.
구성 모델의 재보정 없이 피로 단계별 미세 구조 진화의 직접적인 전파.
토폴로지 기반의 비선형 손상 진화 가변성 포착.

본 연구는 이 접근 방식이 불연속 섬유 복합재의 미세 구조를 인식하는 디지털 트윈을 위한 확장 가능한 토대를 제공하며, 이를 통해 재료 설계 및 구조 성능 평가를 가속화할 수 있다고 결론짓는다. 향후 과제로 명시적인 계면 박리 포함, 순환 피로를 위한 열역학적 제약 조건 삽입, 그리고 다른 공정 경로로의 프레임워크 확장이 제시되었다.