Основні поняття
이 연구에서는 물리적 기반 데이터 주도 대리 모델을 제안하여 이종 재료의 미세 구조 분석을 가속화합니다. 이 모델은 미세 모델에 사용되는 구성 모델을 신경망에 내장하여 물리적 지식을 활용합니다.
Анотація
이 연구에서는 물리적 순환 신경망(PRNN)이라는 하이브리드 물리 기반 데이터 주도 대리 모델을 제안합니다. PRNN은 미세 모델에 사용되는 동일한 구성 모델과 재료 특성을 활용하여 물리적 지식을 인코딩합니다. 이를 통해 경로 및 속도 의존성을 자연스럽게 학습할 수 있습니다.
구체적으로 PRNN은 다음과 같은 특징을 가집니다:
유한 변형 프레임워크에서 시간 의존성 고려
직교 이방성 탄성 섬유와 점탄소성 기지재로 구성된 복합재 미세 모델 고려
인코더에서 변형률 구배를 국소 변형률로 분배하는 방법 제안
재료 층에 내장된 구성 모델을 통해 물리적 메모리 제공
스파스 디코더를 통해 균질화된 응력 예측
이러한 특징을 통해 PRNN은 다양한 속도와 경로의 하중 시나리오에 대해 우수한 일반화 성능을 보입니다. 특히 학습에 사용되지 않은 하중 경로에 대해서도 정확한 예측이 가능합니다.
Статистика
유한 변형 프레임워크에서 미세 모델의 균질화된 변형률 구배는 국소 변형률로 인코딩됩니다.
국소 변형률은 내장된 구성 모델을 통해 국소 응력으로 변환됩니다.
국소 응력은 스파스 디코더를 통해 균질화된 응력으로 예측됩니다.
이를 통해 3배 이상의 계산 속도 향상이 달성됩니다.
Цитати
"이 연구에서는 물리적 순환 신경망(PRNN)이라는 하이브리드 물리 기반 데이터 주도 대리 모델을 제안합니다."
"PRNN은 미세 모델에 사용되는 동일한 구성 모델과 재료 특성을 활용하여 물리적 지식을 인코딩합니다."
"PRNN은 다양한 속도와 경로의 하중 시나리오에 대해 우수한 일반화 성능을 보입니다."