Noise-Aware Constitutive Compatibility Atlas for Hyperelastic Material Characterization

기술 요약: 노이즈 인지형 구성 적합성 아틀라스(Noise-Aware Constitutive Compatibility Atlas)를 이용한 초탄성 재료 특성 규명

문제 정의
초탄성 재료의 특성 규명은 전통적으로 실험적 하중 경로(예: 단축, 이축, 전단)에 대한 오차를 최소화하는 방식을 기준으로 "최적의 적합" 구성 모델 군(family)을 선택하는 모델 선택 문제로 다루어져 왔다. 그러나 서로 다른 구성 모델 군들은 제한된 실험 경로상에서는 동일한 응답을 나타낼 수 있지만, 다른 변형 상태에서는 크게 달라질 수 있다. 또한, 표준적인 순위 결정 방식(예: 최소제곱법, 베이지안 보정)은 여러 모델 군이 데이터상으로 구별 불가능하거나, 후보 모델 중 어느 것도 진정으로 적절하지 않은 경우에도 강제로 하나의 승자를 결정하려 한다. 본 논문은 진정한 모호성을 보존하고, 후보 라이브러리가 불충분할 때 이를 식별하며, 데이터가 유일한 해를 뒷받법하지 않을 때도 유일한 해를 강요하지 않는 특성 규명 프레임워크의 필요성을 다룬다.

방법론
저자들은 공통된 유계 변형 공간 내에서 구성 모델 군과 그 응답 매니폴드(response manifold)를 매핑하는 사전 계산된 라이브러리인 "노이즈 인지형 구성 적합성 아틀라스"를 제안한다.

• 구성 라이브러리: 아틀라스는 7가지 비압축성, 등방성 초탄성 모델 군을 포함한다: Neo-Hookean (NH), Mooney-Rivlin (MR), 2차 Yeoh (Y2), Gent (GE), 1-항 Ogden (O1), 2-항 Ogden (O2), 그리고 2차 일반 다항식 (GP2).
• 매개변수 지원: 매개변수는 문헌 기반 범위(문헌 핵심 영역)와 보수적인 가드 마진(전체 아틀라스 지원 영역)을 통해 확장된 범위를 사용하여 계산적 지원 범위를 정의한다. 강성($\mu_0$)과 형상 매개변수는 독립적으로 샘플링되며, 강성은 로그 스케일로 처리된다.
• 변형 영역: 주신장(principal stretches) $0.5 \le \lambda_i \le 2.0$ 및 비압축성 조건($\lambda_1\lambda_2\lambda_3 = 1$)을 갖는 부모 변형 공간이 정의된다. 이 영역은 2,601개의 고유한 상태를 포함한다.
• 응답 표현: 각 재료 인스턴스는 부모 영역 전체에 걸친 주 키르히호프 응력의 압력 제거 차이($\Delta\tau_{13}, \Delta\tau_{23}$)로 구성된 5,202개 성분의 "응답 지문(response fingerprint)"을 생성한다. 표준 프로토콜(단축, 이축, 전단)은 이 완전한 공간의 제한된 투영으로 취급된다.
• 적합성 지표: 노이즈를 인지하는 정규화된 거리 지표가 사용된다. 어떤 모델 군이 관측값의 선언된 불일치 허용 오차($\varepsilon = 3\%$) 내에 적어도 하나의 허용 가능한 인스턴스를 포함할 경우, 해당 모델 군은 "적합(compatible)"한 것으로 간주된다.
• 계층 구조 폐쇄성: 이 방법은 수학적 중첩(예: NH는 MR의 부분 집합임)을 강제한다. 복잡한 모델 군이 적합하다면, 그 안에 포함된 더 단순한 하위 모델 군들도 결과 집합에 함께 유지된다. 출력은 계층 구조가 폐쇄된 적합 모델 군 집합이며, 여기에는 여러 개의 모델 군, 단일 모델 군, 또는 아무것도 없는 집합이 포함될 수 있다.
• 추론 워크플로: 아틀라스는 구축 후 "동결(frozen)"된다. 새로운 실험 응답이 들어오면, 시스템은 각 모델 군을 데이터에 적합시키고, 관측 점수를 계산한 뒤, 허용 오차를 만족하는 모델 군 집합을 반환한다. 만약 여러 모델 군이 남는다면, 저장된 "증거(witness)"(특정 변형 상태)가 그들의 예측이 갈라지는 지점을 식별한다.

주요 기여

1. 순위 결정에서 적합성으로의 전환: 이 프레임워크는 단 하나의 최적 모델을 선택하는 것에서 벗어나, 지정된 허용 오차 내에서 데이터와 적합한 모든 모델 군을 식면하는 방향으로 이동한다.
2. 모호성 및 부적절성 처리: 아틀라스는 다음을 명시적으로 반환한다:
   • 데이터를 구분하기에 정보가 부족할 때 여러 모델 군을 반환하여 진정한 불확실성을 보존한다.
   • 라이브러리 내에서 유일하게 적절한 모델 군이 하나뿐일 때 단일 모델 군을 반환한다.
   • 구성된 라이브러리가 적절하지 않을 경우 빈 집합을 반환하여, 후보 라이브러리 자체가 불충분함을 알린다.
3. 증거(Witness) 식별: 여러 모델 군이 적합할 경우, 아틀라스는 그들의 예측을 분리하는 특정 변형 상태(증거)를 제공하여 향후 실험 설계의 방향을 제시한다.
4. 정확한 중첩 강제: 이 방법은 모델 군 사이의 수학적 계층 구조를 분석적으로 보존하여, 적합성이 단순한 수치적 근접성이 아닌 실제 구조적 포함 관계를 반영하도록 보장한다.

결과
아틀라스는 수치적으로 검증되었으며, 세 가지 제어된 예시와 두 가지 외부 데이터셋(Treloar 고무 및 인간 뇌 조직)을 통해 테스트되었다.

• 제어된 예시 1 (불확실성 보존): 숨겨진 Yeoh 응답은 검증된 영역 내에서 네 가지 모델 군(Y2, GE, O2, GP2)과 적합했다. 이들은 모두 영역 내에서는 유효했으나, $\lambda=2.5$로 외삽했을 때 상당한 차이를 보였으며, 이는 단일 모델을 선택하는 것이 불확실성을 은폐할 수 있음을 입증했다.
• 제어된 예시 2 (복잡성 식별): 숨겨진 2-항 Ogden(O2) 응답은 표준 경로에서 무시할 만한 오차로 1-항 Ogden(O1)에 의해 재현되었다. 그러나 아틀라스는 O1이 전체 영역의 O2 응답을 설명하기 위해 23.9%의 노이즈가 필요함을 밝혀냈으며, 이를 통해 O2만이 유일하게 적절한 모델임을 정확히 식별하고 숨겨진 구성적 복잡성을 드러냈다.
• 제로된 예시 3 (라이브러리 거부): 라이브러리에 누락된 합성 지수-$I_1$ 법칙이 O2에 의해 낮은 오차로 적합되었다. 그러나 아틀라스는 전체 영역에 대해 모든 7개 모델 군을 거부하였는데(최적 적합에 7.08%의 노이즈 필요 > 3% 허용 오차), 이는 라이브러리의 부적절함을 정확히 신호한 것이다.
• 외부 검증 (Treлоar 고무): 단축 보정은 MR과 O1을 유지했다. 아틀라스가 선택한 이축 홀드아웃($\lambda=1.14$)은 이 둘을 구별하여 MR을 선호했다.
• 외부 검증 (인간 뇌): 압축 전용 보정은 O1과 Y2를 유지했다. 아틀라스가 선택한 인장 홀드아웃($\lambda=1.10$)은 O1을 선호하여 압축으로 인한 모호성을 해결했다.

의의 및 주장
본 논문은 데이터가 불충분할 때 초탄성 특성 규명이 유일한 모델 군을 강요해서는 안 된다고 주장한다. 구성 응답 아틀라스는 다음과 같이 이를 실행한다:

• 모호성 보존: 단순히 가장 가까운 이웃을 선택하는 대신, 데이터에 의해 지지되는 모든 모델 군을 유지한다.
• 부적절성 폭로: 구성된 라이브러리 전체가 허용 오차를 충족하지 못할 경우 라이브러리를 통째로 거부함으로써, 물리적으로 틀렸지만 "차악(least-bad)"인 모델을 수용하는 것을 방지한다.
• 측정 가이드: 분리되는 변형 상태(증거)를 식별함으로써, 모호성을 해결하기 위해 추가적인 측정이 필요한 시점을 알려준다.

저자들은 이러한 결과가 선언된 매개변수 영역, 변형 경계 및 3% 허용 오차에 따라 조건부적이라는 점을 강조한다. 이 방법은 보편적인 "참된" 재료 법칙을 확립하는 것이 아니라, 특정 제약 조건과 데이터 품질 하에서 적절한 모델들의 집합을 정의하는 것이다. 이 접근법은 균질하고, 등방성이며, 비압축성인 거동에 국한되며, 현재는 이방성, 점탄성 또는 불균질한 장(field) 문제를 다루지 않으나, 이는 향후 확장 과제로 언급되었다.