일반화된 딥러닝
Scientific Reports 13권, 기사 번호: 9079(2023) 이 기사 인용
716 액세스
1 알트메트릭
측정항목 세부정보
미세 구조 분석 및 특성 예측에서 CNN(Convolutional Neural Networks)을 기반으로 한 대리 모델의 사용이 크게 증가하고 있습니다. 기존 모델의 단점 중 하나는 재료 정보 제공에 한계가 있다는 것입니다. 이러한 맥락에서 모델이 구조-물성 관계 외에도 재료 정보를 학습할 수 있도록 재료 특성을 미세 구조 이미지로 인코딩하는 간단한 방법이 개발되었습니다. 이러한 아이디어는 매트릭스에 대한 섬유의 탄성 계수 비율이 5~250이고 섬유 부피 비율이 25~75%인 섬유 강화 복합 재료에 사용할 수 있는 CNN 모델을 개발함으로써 입증되었습니다. -실용 범위 종료. 평균 절대 백분율 오차를 관심 측정항목으로 사용하는 학습 수렴 곡선은 최적의 훈련 샘플 수를 찾고 모델 성능을 입증하는 데 사용됩니다. 훈련된 모델의 일반성은 섬유 부피 분율과 탄성 계수 대비의 외삽 영역에서 샘플을 추출한 완전히 보이지 않는 미세 구조에 대한 예측을 통해 입증됩니다. 또한 예측을 물리적으로 허용하기 위해 Hashin-Shtrikman 경계를 적용하여 모델을 훈련하여 외삽 영역에서 모델 성능을 향상시켰습니다.
기계 학습(ML) 모델, 특히 하위 도메인 인공 신경망(ANN)은 복합 재료의 설계 및 분석에 유용한 도구임이 입증되었습니다1,2,3. 첫째, 이러한 모델은 시뮬레이션을 통해 생성되거나 실험을 통해 수집된 데이터 포인트를 학습하여 개발됩니다. 나중에 배포 중에 이 모델은 학습 중에 사용된 것과 동일한 특성을 가진 모든 데이터 포인트에 대해 추론하는 데 사용됩니다. 일반적으로 초기 모델 개발 프로세스에는 데이터 생성 및 모델 교육을 위한 계산 비용(메모리 및 시간)이 포함됩니다. 예상되는 이점은 개발된 모델을 사용하면 훨씬 더 짧은 시간에 예측을 할 수 있다는 것입니다. 여기서 모델 훈련에 필요한 포인트 수는 훈련 프로세스에 사용된 시스템에 대한 사전 지식의 양4, 입출력 관계의 복잡성 및 모델의 예상 정확도와 같은 여러 요인에 따라 달라집니다. 활발한 연구는 모델 훈련 중에 지배 방정식이나 구성 방정식과 같은 알려진 물리학을 활용하는 데 중점을 두고 있습니다. 이러한 방향에서 물리학 기반 신경망(PINN)5,6,7은 기본 물리학의 PDE를 정확하게 해결하기 위해 많은 주목을 받았습니다. 지식 기반 입력 샘플링은 모델 훈련에서 문제의 물리학을 활용하는 또 다른 방법입니다8,9. 사전 지식 주입 외에도 ANN 아키텍처 유형은 효과적이고 간편한 학습에 필수적인 역할을 합니다. 성공적인 ANN 아키텍처 중 일부는 다음과 같습니다. 이미지 종류의 데이터를 위한 CNN(컨벌루션 신경망), 순차 또는 시계열 데이터를 위한 RNN(순환 신경망), 주어진 데이터의 분포를 학습하는 GAN(생성적 적대 신경망)이 있습니다.
복합 재료 특성의 평가는 다양한 길이 규모의 이질성과 구성 요소의 분포 및 형태의 통계적 특성으로 인해 중요한 작업입니다. 실험 방법은 시간이 많이 걸리고 경제적으로 비용이 많이 들기 때문에 복합 재료와 유사하게 반응하는 동등한 가상 균질 재료의 특성을 찾기 위한 분석 솔루션이 개발되었습니다. 이러한 해는 특정 가정에 의해 얻어지므로 구성 요소의 기하학적 구조와 분포에 제한이 있는 더 단순한 경우에만 적용 가능합니다. 이러한 단점은 FEA(유한 요소 분석) 기반 균질화10,11를 통해 해결될 수 있습니다. 여기서 다양한 하중 케이스를 사용하여 대표 체적 요소(RVE)에 대한 여러 경계값 문제가 해결됩니다. 이 기존 FEA 접근 방식의 일부 변형은 계산 비용을 줄이기 위해 개발되었습니다. 예를 들어 VAM(Variational Asymptotic Method) 기반 균질화는 기존 접근 방식에서 동일하게 까다로운 후처리 단계를 따라 여러 사례를 해결하는 것과 달리 후처리 없이 단일 유한 요소 분석을 사용하여 효과적인 재료 매트릭스를 제공합니다. 그럼에도 불구하고 필요한 계산 시간과 리소스는 더 나은 복합 재료 검색 속도를 늦출 만큼 상당합니다. 따라서 계산 마이크로 역학과 데이터 기반 인공 지능(AI) 방법을 결합하여 대리 모델을 구축하기 위한 활발한 연구가 진행되고 있습니다6,7,14,15,16,17.