그래프 신경망을 사용하여 재료 및 구조의 응력, 변형 및 변형장 예측

Scientific Reports 12권, 기사 번호: 21834(2022) 이 기사 인용

5732 액세스

1 인용

6 알트메트릭

측정항목 세부정보

복잡한 물리적 현상을 시뮬레이션하기 위해 정확하면서도 빠른 계산 도구를 개발하는 것은 오랜 문제입니다. 최근 기계 학습의 발전은 시뮬레이션에 접근하는 방식을 혁신적으로 변화시켜 순수한 물리학에서 AI 기반 패러다임으로 전환했습니다. 인상적인 성과를 거두었음에도 불구하고 재료와 구조의 복잡한 물리적 현상을 효율적으로 예측하는 것은 여전히 ​​어려운 과제로 남아 있습니다. 여기서는 그래프 신경망을 통해 구현되어 수백 개의 데이터로부터 재료의 복잡한 기계적 거동을 학습할 수 있는 AI 기반 일반 프레임워크를 제시합니다. 자연스러운 메시-그래프 매핑을 활용하는 당사의 딥 러닝 모델은 섬유 및 층상 복합재, 격자 메타물질과 같은 다양한 재료 시스템의 변형, 응력 및 변형장을 예측합니다. 이 모델은 가소성부터 좌굴 불안정성까지 복잡한 비선형 현상을 포착할 수 있으며 예측된 물리적 필드 간의 물리적 관계를 학습하는 것처럼 보입니다. 유연성으로 인해 이 그래프 기반 프레임워크는 재료의 미세 구조, 기본 재료의 특성 및 경계 조건을 물리적 반응에 연결하여 그래프 AI 기반 대리 모델링을 향한 새로운 길을 여는 것을 목표로 합니다.

고성능 기계 재료 및 구조를 발견하고 설계하려는 지속적인 시도에서 변형, 응력 및 변형률 분포는 다른 모든 기계적 특성 또는 기능을 추론할 수 있는 필수 정보입니다. 최근 적층 제조 기술이 폭발적으로 증가함에 따라 계층적 복합재1,2,3, 기하학적으로 연동된 구조4,5,6 및 구조화된 메타물질7,8,9,10과 같은 우수한 기계적 특성 및 기능을 갖춘 형태학적으로나 물리적으로 정교한 재료 및 구조가 이제 쉽게 제조할 수 있습니다. 기하학적 복잡성과 다양한 기계적 특성을 지닌 구성 재료의 복잡한 배열로 인해 분석 모델 및 수치 시뮬레이션과 같은 전통적인 방법을 사용하여 이러한 재료 시스템의 물리적 반응을 예측하는 것은 특히 빠르고 정확한 천문학적 규모의 스크리닝의 경우 쉽게 다루기 어렵습니다. 데이터 세트는 재료 발견 및 설계를 위해 수행되어야 합니다13. 또한 초탄성, 가소성 및 좌굴 후 불안정성과 같은 고도의 비선형 특성을 포함하는 전통적으로 제조 가능한 재료 및 구조라도 계산 비용이 많이 드는 시뮬레이션이 필요하므로 재료 연구 및 발견이 제한됩니다14,15. 보다 일반적으로 재료 및 구조 시스템의 변형 및 응력장을 예측하는 것은 재료 과학 및 공학에서 반복되는 작업이며 이에 대한 빠르고 정확한 접근 방식을 찾는 것은 공개적인 도전 과제입니다. 고체 물질 및 구조물의 물리적 거동을 효율적으로 예측하기 위한 분석 모델의 한계에 착안하여 물리학 기반 계산 시뮬레이션, 특히 유한 요소(FE) 모델링은 지금까지 복잡한 물리적 초기 및 경계값 문제를 해결하는 핵심 요소로 나타났습니다. 종종 매우 비선형적인 편미분 방정식을 포함합니다16. 최근 몇 년간 기계 학습(ML) 분야의 출현과 성장은 전통적인 수치 해법을 능가할 수 있는 가능성을 보여 주었으며 물리학을 사용하여 물리적 시스템의 시뮬레이션 속도를 크게 향상시켰습니다. 생성적 적대 네트워크(Generative Adversarial Networks)를 사용하여 극도의 탄성 특성을 지닌 건축 재료의 역설계에 이르기까지 흐름 시각화23에서 속도 및 압력장을 추출하는 정보 신경망. 재료 발견 및 설계의 중요성을 고려하여 재료의 마이크로 및 메조 구조를 기계적 특성(구조-특성)과 연결하고 역설계(즉, 목표 특성이 주어지면, 최적의 설계 찾기) 고성능 구조의 메타물질10,13,24,31,32,33,34,35,36,37,38,39이 최근 연구 현장을 지배하고 있습니다. 두 경우 모두 재료 성능은 기본적으로 형상, 기본 재료의 거동 및 경계 조건의 영향으로 인해 응력 및 변형률 분포와 같은 국지적 기계적 장에 의해 결정됩니다. 픽셀 기반 컨벌루션 신경망의 이점을 활용하여 기계 분야는 주로 "디지털"(즉, 그리드 형태로 이산화된) 재료 및 구조 시스템에 대해 연구되었습니다. 디지털 계층적 복합재에서 응력 및 변형 장이 예측되거나 이질적인 재료 미세 구조가 이미지로 간주되는 경우48. FE 모델링과 같이 가장 인기 있고 활용되는 수치 방법 중 하나는 기본 편미분 방정식을 풀기 위해 일반 그리드 표현 대신 메쉬를 채택합니다. 메시 정보를 그래프 표현으로 직관적으로 확장함으로써 그래프 신경망(GNN)49은 메시 도메인 사용의 모든 이점을 상속합니다. 또한, 재료의 미세 구조뿐만 아니라 구성 재료의 특성(예: 복합 재료) 및 경계 조건을 물리적 응답에 연결할 수 있는 효율적인 ML 일반 프레임워크가 여전히 부족합니다.