단섬유 복합 모델을 위한 인공 신경망

단섬유 강화 복합재(SFRC)는 사출 성형에 적합하고 비충전 폴리머에 비해 우수한 물성으로 인해 점점 더 인기를 얻고 있습니다. SFRC의 거동을 이해하는 것은 잠재적 손상을 예측하고 다양한 응용 분야에서의 사용을 최적화하는 데 필수적입니다.

SFRC를 모델링하기 위해 평균장 모델과 전체장 모델에 초점을 맞춘 미시역학적 접근법을 탐구합니다. 평균장 모델은 계산 효율이 높지만, 세부적인 통찰력이 부족합니다. 전체장 모델은 정확하지만 시간이 많이 소요되고 상당한 계산 리소스가 필요합니다.

이 블로그에서는 SFRC 모델링을 위한 기존 방법 대비 단섬유 합성 모델에 신경망을 사용하는 이점을 소개합니다. 은닉층, 활성화 함수, 학습, 검증, 정규화, 평가와 같은 필수적인 측면을 다룹니다. 이 블로그를 통해 정확한 SFRC 모델링을 위한 신경망을 설계하고 구현하는 방법을 이해하고, 이러한 고급 기법을 사용하는 이점과 프로세스에 대해 배우게 될 것입니다.

Short Fiber Composite and Micro-Mechanical Modeling Approaches

단섬유 강화 복합재(SFRC)는 사출 성형 기술에 적합하고 비충전 폴리머에 비해 향상된 물성을 제공하기 때문에 다양한 응용 분야에서 점점 더 인기를 얻고 있습니다. 따라서 이러한 단섬유 복합재의 거동을 모델링하여 잠재적 손상을 예측하는 것이 매우 중요합니다.

단섬유 복합재료의 거동을 일반적인 방식으로 모델링하기 위해 마이크로기계 모델링 접근법을 사용합니다. 이러한 모델은 일반적으로 평균장 모델과 전체장 모델이라는 두 가지 주요 클래스로 분류할 수 있습니다.

평균장 모델은 미세구조 요소 내의 평균 응력과 변형률을 고려하여 계산 효율을 높입니다. 그러나 이러한 모델은 미세구조 수준의 변형 메커니즘이나 여러 상 간의 상호작용에 대한 상세한 통찰력을 제공하지 못합니다. 또한, 전체장 모델만큼의 정확도도 부족합니다.

기존의 풀필드(full-field) 방법은 관심 영역 전체에 걸쳐 재료 또는 시스템의 거동을 정확하게 표현하기 위해 상세하고 철저한 시뮬레이션을 활용합니다. 이러한 방법은 시행착오적 접근 방식을 통해 적절한 대표 체적 요소(RVE)를 생성하는 과정을 수반하는 경우가 많습니다. 이러한 접근 방식은 정밀도를 보장하기 위해 다양한 조건에서 재료의 거동을 시뮬레이션해야 하므로 계산량이 많고 시간도 많이 소요됩니다. 또한, 기존의 풀필드 방법은 정밀 모델링에 필요한 방대한 데이터를 유지하고 분석하는 데 상당한 양의 메모리와 연산 능력을 소모합니다.

단섬유 복합재 손상(평균장 균질화 모델)

• 4.78

강도, 경량성, 그리고 비용 효율성으로 인해 널리 사용되는 단섬유 강화 열가소성 플라스틱은 분산된 단섬유로 구성된 복잡한 부품을 제작하기 위해 사출 성형을 통해 제조되는 경우가 많습니다. 그러나 이러한 재료의 파손은 섬유 균열 및 소성 변형과 같은 메커니즘을 포함하는 복잡한 문제입니다. 현재의 손상 및 파손 모델은 거시적이거나 단순화된 형태입니다. 새로운 방법은 다단계 균질화 접근법을 사용한 연속체 손상 역학을 사용하여 강성을 평가함으로써 이러한 과제를 해결합니다. 이 새로운 방법은 "평균장 균질화"라고 합니다. 이 접근법은 두 단계의 공정으로 구성됩니다. 먼저 섬유를 그룹(입자)으로 나눕니다. 그런 다음 Abaqus에서 UMAT 서브루틴을 사용하여 평균장 균질화를 적용하여 각 단계의 강성을 평균화한 후 전체 균질화를 수행합니다. 이러한 평균장 균질화 Abaqus 사용은 복합재의 복잡한 형상 모델링을 단순화합니다. 이 방법은 원위 반경판에서 시험을 통해 검증되었습니다. 실험을 통해 보정을 수행했으며, Abaqus 유한요소 소프트웨어를 사용하여 시뮬레이션을 수행했습니다. Abaqus 단섬유 손상 평균장 균질화 프로세스는 Abaqus 내에서 INP 코드를 통해 구현되었습니다.

BUY NOW

This package introduces a micromechanical approach to modeling short fiber composite damage using mean-field homogenization (MFH). It teaches how to implement this technique in Abaqus via a UMAT subroutine, offering a simplified method for analyzing the material’s stiffness and strength based on fiber and matrix properties.

A micromechanics-based artificial neural network

입력 매개변수: 신경망은 방향 텐서와 부피 분율을 입력으로 사용하여 적절한 RVE 실현을 생성하는 시행착오 과정 없이 원하는 속성과 전체 필드 수준의 정확도로 모델링할 수 있습니다.

메모리와 계산 시간: 신경망은 가중치와 편향을 사용하여 학습된 지식을 저장하므로 필요한 메모리 양과 계산 시간이 크게 줄어듭니다.

전이 학습: 신경망은 전이 학습을 활용하여 모델을 개선할 수 있습니다. 예를 들어, 신경망은 기존 네트워크에서 정규화 및 학습 가능한 매개변수를 상속받고 새로운 데이터 세트로 미세 조정하여 더 적은 데이터로 정확도를 향상시킬 수 있습니다.

보이지 않는 조건 처리: 먼저 대규모 데이터 세트로 학습한 다음 더 작은 데이터 세트로 미세 조정되는 미세 조정 신경망은 보이지 않는 하중 조건을 매우 정확한 예측으로 처리할 수 있습니다.

그림 1: 대규모 평균장 데이터 세트와 소규모 전체장 데이터 세트를 활용한 네트워크 아키텍처 및 전이 학습 접근 방식

How the neural network is modeled?

신경망 모델링의 핵심 요소에는 은닉층, 활성화 함수, 학습, 검증, 정규화, 평가가 포함됩니다. 밀집된 은닉층은 신경망이 여러 층에 걸쳐 뉴런을 완전히 연결하여 복잡한 함수를 근사할 수 있도록 합니다. 지수 선형 단위(ELU) 활성화 함수는 비선형성을 도입하여 신경망의 복잡한 패턴 학습 능력을 향상시킵니다. 학습은 손실을 최소화하기 위해 반복적인 가중치 조정을 포함하며, 검증은 과적합을 감지하기 위해 보이지 않는 데이터에 대한 모델의 성능을 평가합니다. 입력 데이터를 일반적으로 [0, 1]의 공통 범위로 정규화하면 효율적인 학습과 더 빠른 학습이 가능합니다. Abaqus 수렴. 평가에서는 평균 상대 오차(MeRE) 및 최대 상대 오차(MaRE)와 같은 지표를 사용하여 모델 성능을 철저히 평가하고, 신경망이 견고하고 정확하며 복잡한 데이터 패턴을 처리하는 데 능숙한지 확인합니다.

신경망 모델링에는 은닉층, 활성화 함수, 학습, 검증, 정규화, 평가와 같은 핵심 구성 요소가 필수적입니다. 은닉층, 특히 밀집층은 한 층의 각 뉴런을 이전 층의 모든 뉴런에 연결하여 신경망이 복잡한 수학 함수를 근사할 수 있도록 합니다. 지수 선형 단위(ELU) 활성화 함수는 비선형성을 도입하여 신경망의 복잡한 패턴 학습 능력을 향상시킵니다.

학습은 손실 함수를 최소화하기 위해 여러 에포크에 걸쳐 가중치를 조정하는 과정이며, 검증은 보이지 않는 데이터에 대한 모델의 일반화 능력을 평가하여 과적합 탐지를 지원합니다. 입력 데이터를 공통 범위(일반적으로 [0, 1])로 정규화하면 효율적인 학습과 빠른 수렴이 보장됩니다. 마지막으로, 평가 프로세스에서는 평균 상대 오차(MeRE) 및 최대 상대 오차(MaRE)와 같은 지표를 사용하여 모델의 성능을 종합적으로 평가합니다. 이러한 전체론적 접근 방식은 신경망이 견고하고 정확하며 복잡한 데이터 패턴을 처리할 수 있도록 보장합니다.

이제 각각을 자세히 설명해 보겠습니다.

Design of Hidden Layers

신경망의 은닉층은 모든 수학적 함수를 근사할 수 있습니다. 본 연구에서는 밀집층만 사용했습니다. 밀집층에서는 한 층의 각 뉴런이 이전 층의 모든 뉴런과 연결됩니다. 신경망 내 은닉층 설계에서 밀집층은 공통적이고 기본적인 구성 요소입니다. 완전 연결층이라고도 하는 밀집층은 각 뉴런이 이전 층의 모든 뉴런과 연결된 층을 말합니다. 즉, 뉴런의 값은  한 층은 모든 뉴런에 연결되어 있습니다  이전 계층의.

계산  활성화 함수를 사용하여 수행됩니다 무게를 가지고 그리고 편견 다음과 같습니다.

이 설정에서는:

 는 현재 계층의 뉴런 값입니다.

 는 이전 계층의 뉴런 값입니다.

 뉴런 간의 연결과 관련된 가중치입니다.

 뉴런에 대한 편향입니다.

 입력의 가중합과 편향에 적용되는 활성화 함수입니다.

밀집층은 모든 수학 함수를 근사하는 데 사용되며, 신경망이 데이터에서 복잡한 패턴을 학습하는 데 필수적입니다. 특히 입력 데이터와 출력 데이터 간의 관계가 복잡하고 효과적인 분석을 위해 높은 수준의 연결성이 필요한 상황에서 유용합니다.  

그림2: 고밀도 층을 갖는 신경망의 개략적 설계

An activation function

신경망의 활성화 함수는 뉴런의 출력에 적용되는 수학적 함수입니다. 활성화 함수는 뉴런의 활성화 여부를 결정하며, 본질적으로 뉴런의 입력이 예측 프로세스와 관련이 있는지 여부를 결정합니다. 활성화 함수는 네트워크에 비선형성을 도입하여 복잡한 데이터 패턴을 학습하고 모델링할 수 있도록 합니다. 제공된 스니펫을 기반으로 활성화 함수에 대한 몇 가지 주요 사항은 다음과 같습니다.

Elu(지수 선형 단위):

지수 선형 단위(ELU)는 신경망에서 비선형성을 도입하는 데 사용되는 활성화 함수로, 신경망이 데이터에서 복잡한 패턴을 학습하는 데 도움이 됩니다. ELU 활성화 함수는 다음과 같이 정의됩니다.

여기서 a는 스칼라를 나타내고 x는 뉴런의 입력을 나타냅니다.  음수 순 입력에 대해 ELU가 포화되는 값을 결정하는 스칼라입니다. 이는 조정 가능한 하이퍼파라미터입니다. ELU는 스니펫에 설명된 작업의 모든 은닉층에 사용됩니다. ELU는 ReLU와 같은 다른 활성화 함수에 비해 학습 중 수렴 속도를 높일 수 있습니다.

Training and Validation

학습과 검증은 신경망 개발 및 평가에 있어 매우 중요한 단계입니다. 학습은 신경망이 데이터로부터 학습하는 과정입니다. 학습 과정에서는 다음과 같은 과정이 수행됩니다.

1. 데이터 분할: 데이터 세트는 훈련 데이터와 검증 데이터, 두 부분으로 나뉩니다. 언급된 연구에서는 데이터를 훈련 데이터와 검증 데이터로 각각 ¾, ¼의 비율로 분할했습니다.
2. 가중치 조정: 신경망은 예측 값과 실제 값의 차이를 측정하는 손실 함수를 최소화하기 위해 훈련 데이터를 기반으로 가중치를 조정합니다.
3. 에포크: 학습 과정은 여러 에포크에 걸쳐 수행되며, 에포크는 전체 학습 데이터 세트를 완전히 한 번 통과하는 것을 말합니다.
4. 손실 평가: 네트워크가 얼마나 잘 학습하는지 모니터링하기 위해 훈련 데이터에 대한 손실(또는 오류)을 계산합니다.

검증은 학습 과정에서 접하지 않은 별도의 데이터 세트에 대한 신경망의 성능을 평가하는 과정입니다. 이는 모델이 새롭고 미지의 데이터에 대해 일반화하는 능력을 평가하는 데 도움이 됩니다. 검증 과정에서는 다음과 같은 작업이 수행됩니다.

• 데이터 분할: 앞서 언급했듯이, 데이터의 일부는 검증 데이터로 따로 보관됩니다.
• 가중치 조정 없음: 신경망의 가중치는 검증 데이터를 기반으로 조정되지 않습니다. 대신, 검증 데이터는 모델의 성능을 평가하는 데 사용됩니다.
• 검증 손실: 검증 데이터에 대한 손실은 네트워크가 보이지 않는 데이터에 대해 얼마나 잘 작동하는지 모니터링하기 위해 계산됩니다. 이는 과적합을 감지하는 데 도움이 됩니다.
• 과적합 감지: 과적합은 신경망이 훈련 데이터에서는 좋은 성능을 보이지만 검증 데이터에서는 낮은 성능을 보일 때 발생합니다. 훈련 손실과 검증 손실을 비교함으로써 과적합을 감지하고 제어할 수 있습니다.

Normalization

정규화는 머신 러닝 및 신경망의 전처리 단계로, 입력 데이터를 특정 범위(일반적으로 [0, 1] 또는 [-1, 1])로 조정하는 것을 포함합니다. 이 과정은 모든 입력 특성이 학습 과정에 동등하게 기여하도록 보장하고 모델의 수렴 속도와 성능을 향상시키는 데 도움이 됩니다. 정규화는 강성 텐서와 같은 다양한 데이터 항목이 동등하게 처리되도록 합니다. 정규화가 없으면 범위가 큰 특성이 학습 과정을 지배하여 편향된 학습이 발생할 수 있습니다. 데이터를 공통 범위로 조정함으로써 신경망 학습에 사용되는 최적화 알고리즘이 더 빠르고 효율적으로 수렴할 수 있습니다. 정규화는 입력 데이터의 큰 변동으로 인해 발생할 수 있는 수치적 불안정성 문제를 방지하는 데 도움이 됩니다.

정규화는 일반적으로 데이터를 특정 범위로 스케일링하는 것을 포함합니다. 출력은 [0, 1] 간격으로 정규화됩니다. 정규화에 사용되는 공식은 다음과 같습니다.

어디:  데이터 포인트의 정규화된 값입니다.  데이터 세트의 데이터 포인트의 최소값입니다.  데이터 세트에서 데이터 포인트의 최댓값입니다. 데이터를 정규화하면 신경망이 더 효과적으로 학습하고 더 나은 결과를 생성할 수 있습니다.

Evaluation

신경망 환경에서의 평가는 모델의 성능을 평가하여 원하는 기준을 충족하는지 확인하는 것을 포함합니다. 제공된 정보의 핵심 요점은 다음과 같습니다.

손실 함수: 학습 과정에서 손실 함수는 네트워크의 성능을 평가하는 데 사용됩니다. 하지만 정규화가 이루어지지 않아 여러 테스트 샘플의 성능을 검토하는 데 적합하지 않을 수 있습니다.

대체 지표: 손실 함수의 한계를 해결하기 위해 등가 폰 미제스 응력(Von Mises stress)과 같은 대체 지표가 사용됩니다. 이 지표는 평균 상대 오차(MeRE)와 최대 상대 오차(MaRE)를 결정하는 데 도움이 되며, 신경망의 성능을 더욱 의미 있게 평가할 수 있도록 합니다. 평가 프로세스는 신경망이 훈련 데이터뿐만 아니라 새로운 미지의 데이터에서도 우수한 성능을 발휘하도록 보장합니다.

Use neural networks for short fiber composite model

단섬유 복합재 모델에 신경망을 활용하는 과정은 재료 선정, 부피 분율 결정, 그리고 형상, 재료 특성, 경계 조건 및 하중 시나리오 정의를 통해 복합재 구조를 정의하는 것으로 시작됩니다. 복합재의 섬유 및 매트릭스 재료를 선택하고, 정확한 특성 예측을 위해 섬유 부피 분율을 계산합니다. 섬유의 방향과 확률 분포를 모델링하여 복합재의 구조적 복잡성을 정확하게 표현합니다.

입력 매개변수와 출력 속성 간의 복잡한 관계를 포착하기 위해 신경망의 은닉층은 중요한 역할을 합니다. 사전 학습 단계에서 신경망은 광범위한 데이터셋에 노출되어 일반적인 패턴과 특징을 학습합니다. 이어서 유한 요소법(FEM) 시뮬레이션이나 실험 결과에서 얻은 고충실도 데이터를 미세 조정하여 모델 정확도를 향상시킵니다. 이 과정을 통해 신경망의 견고한 성능을 보장하고 기계적 특성을 효과적으로 예측할 수 있습니다. 평가 단계에서는 평균 상대 오차(MeRE) 및 최대 상대 오차(MaRE)와 같은 지표를 사용하여 신경망의 예측값을 실제 복합 동작과 비교하며, 이를 통해 사전 학습 및 미세 조정의 이점을 강조합니다. 복합 분석.

서브루틴을 이용한 단섬유 복합재의 손상 시뮬레이션

• 0

단섬유 복합재는 잘게 잘린 섬유와 매트릭스로 구성되어 불연속적인 섬유 강화 재료를 형성하며, 섬유는 일반적으로 사용 목적에 따라 매트릭스 내에 정렬되거나 무작위로 배치됩니다. 이 교육 패키지에서는 다음 자료를 기반으로 Abaqus에서 단섬유 복합재(SFC) 손상을 모델링하는 방법을 학습합니다. “"영구 변형 및 단측 효과를 포함한 무작위 단섬유 강화 복합재의 손상 모델링". 1과에서는 SFC의 장점, 응용 프로그램 등과 같은 기본 사항을 배웁니다. 2과에서는 Abaqus에서 단섬유 복합재를 모델링하는 데 중점을 둡니다. 이 과에서는 이 패키지가 거시 모델링을 수행하는 거시 모델링과 미시 모델링 간의 중요한 결정을 소개합니다. 3과에서는 특히 Dano 모델을 통해 단섬유 복합재의 손상 모델링을 탐구하여 학습 과정을 진행합니다. 이 거시적 접근 방식은 비가역적 프로세스와 내부 변수를 통합하여 이방성 손상, 일방적 효과 및 잔류 효과를 다룹니다. 4과에서는 이론을 실제 응용으로 연결하여 VUSDFLD 서브루틴을 통해 Abaqus에서 Dano 모델을 구현하는 방법을 사용자에게 안내합니다. 이 튜토리얼은 서브루틴의 흐름도를 탐색하고 각 줄을 순차적으로 설명합니다. 2개의 워크숍이 이 과를 보완합니다. 워크숍 1에서는 평면 응력 요소를 사용하여 구멍이 있는 2D 복합재 판을 다루며 재료 속성, 경계 조건 및 시뮬레이션 절차에 대한 자세한 분석을 제공합니다. 워크숍 2는 첫 번째 워크숍을 반영하여 쉘 요소를 사용하여 VUSDFLD 서브루틴 활용의 일관성을 유지하면서 요소 유형의 변형을 보여줍니다.

BUY NOW

Modeling the Composite Structure

각 단섬유 복합 기하학적 구조의 경우 다음 순서에 따라 수행됩니다.

재료 선택:

섬유 및 매트릭스 선택: 복합재에 사용될 섬유 유형(예: 유리, 탄소, 아라미드)과 매트릭스 재료(예: 에폭시, 폴리에스터)를 선택합니다.

부피 분율:

섬유와 매트릭스의 부피 분율을 구하십시오. 이 비율은 복합재의 전반적인 특성에 영향을 미칩니다. 섬유 부피 분율(φ)은 복합재의 전체 부피에 대한 복합재에 존재하는 섬유의 양을 측정한 값입니다.

어디 그리고 섬유의 길이와 직경을 나타냅니다.  는 RVE 내부의 광섬유 수를 나타내는 양의 정수입니다. RVE 크기에 이 접근법을 적용하면 광섬유 수의 불연속적인 장에 의존하기 때문에 광섬유 부피 분율의 연속적인 장을 얻을 수 없습니다. 따라서 스케일링 계수 a를 적용하여 다음과 같은 수정을 적용합니다.  , . 따라서,  의존하게 된다 , 이를 통해 섬유 부피 분율의 연속적인 값을 얻을 수 있습니다.

최소 RVE 치수를 유지하려면 스케일링 계수가 1보다 크거나 같아야 합니다. . 스케일링 계수를 1에서 증가시키면 특정 개수의 광섬유에 대해 다양한 광섬유 부피 비율을 얻을 수 있습니다. 큰 스케일링 계수와 그에 따른 RVE(반경) 및 높은 계산 비용을 피하기 위해, 다양한 광섬유 부피 비율 범위에 대해 다양한 개수의 광섬유와 그에 상응하는 스케일링 계수를 선택합니다.

기하학 정의:

모양 및 크기: 복합재 구조물의 전체적인 모양과 크기를 정의합니다. 이는 판, 보, 쉘 또는 기타 구조 형태일 수 있습니다. 단섬유의 경우 섬유 배향이 매우 중요합니다. 섬유 배향은 단위 벡터로 표현됩니다. , 두 각도로 설명할 수 있습니다 그리고 . 방향 벡터 데카르트 좌표에서는 다음과 같습니다.

재료 지점에서 섬유 방향 분포를 기술하려면 확률 분포 함수 p가 필요합니다. 방향 분포와 확률 분포 함수를 사용하여 방향 분포를 기술하는 2차 텐서를 정의할 수 있습니다. 이 텐서의 성분은 다음과 같습니다.

방향 분포는 다양한 경우에 대한 대각선 방향 텐서를 생성하여 생성됩니다. 3D 랜덤 분포 , 평면 난수 분포 .

재료 특성:

탄성 속성: 다음을 포함하여 각 층에 탄성 속성을 지정합니다. 탄성 계수(E): 섬유 방향의 강성 측정() 및 횡방향() 전단 탄성계수(G): 전단 응력에 대한 재료의 반응 척도입니다. 푸아송 비(ν): 축 방향 변형률에 대한 횡방향 변형률의 비율입니다. 강도 특성: 재료의 인장, 압축 및 전단 강도를 정의합니다. 열 특성: 해석에 열 효과가 포함된 경우 열팽창 계수 및 열전도도와 같은 특성을 포함합니다.

경계 조건 및 하중:

지지 및 구속조건: 복합 구조물의 지지 방식을 정의합니다. 여기에는 고정 지지대, 단순 지지 모서리 또는 자유 모서리가 포함될 수 있습니다.

하중 조건: 인장, 압축, 굽힘, 전단 하중 등 구조물에 가해지는 하중의 종류를 명시하십시오. 이러한 하중의 크기와 방향을 포함하십시오.

메싱:

요소 유형: 사용할 유한 요소의 유형을 선택합니다(예: 얇은 구조에는 쉘 요소, 두꺼운 구조에는 솔리드 요소).

그림 3: RVE의 메싱

Model Selection

인공지능을 활용하여 피해를 평가하기 위해서는 피해 모델을 구축하는 것이 필수적입니다. 이 모델은 다음과 같은 다양한 접근 방식을 통해 도출될 수 있습니다. 하신 피해 기준, Lemaitre 모델 또는 기존 모델을 참고로 사용하는 의사 입자 파괴 모델입니다.

유사 입자 파괴 모델은 매트릭스 내 단섬유의 정렬 불량을 고려하여 복합재의 점진적인 파괴를 시뮬레이션하는 것을 목표로 합니다. 이는 특히 단섬유 열가소성 수지에 유용합니다. 이 모델은 복합재를 특정 섬유 배향을 가진 복합재의 작은 부피를 나타내는 유사 입자로 나눕니다. 다양한 하중 조건에서 이러한 유사 입자의 손상 및 파괴를 모델링하여 복합재의 비탄성 거동을 설명합니다.

Data Collection for obtaining damage response in Artificial Neural Model damage

모델 검증을 위해 실험 데이터를 수집합니다. 여기에는 영률, 파괴인성 및 기타 기계적 특성 측정이 포함될 수 있습니다. Digimat-MF와 같은 시뮬레이션 도구를 사용하여 평균장 균질화를 수행하고 복합재의 기계적 특성을 예측합니다. 이러한 도구는 모델 예측을 실험 결과와 비교하는 데 도움이 될 수 있습니다.

Hidden layer in composite

신경망을 사용하여 합성물을 모델링할 때, 숨겨진 계층은 입력 매개변수와 원하는 출력 속성 간의 복잡한 관계를 파악하는 데 중요합니다. 숨겨진 계층은 딥 러닝 모델의 계산적 핵심으로, 신경망이 함수를 근사하고 입력 데이터 수집에서 패턴을 포착할 수 있도록 해줍니다.

 사전 학습 및 숨겨진 계층:

사전 학습 단계에서는 은닉층을 포함한 신경망이 대규모 데이터셋(예: 동질화 데이터)을 기반으로 학습됩니다. 이를 통해 신경망, 특히 은닉층이 데이터의 일반적인 특징과 패턴을 학습하는 데 도움이 됩니다. 은닉층은 이러한 학습된 특징을 포착하여 추가적인 미세 조정의 기반을 형성합니다.

Hidden layers in a neural network are responsible for extracting features from the input data. During pre-training, these layers learn to identify and represent important patterns and structures in the data. Pre-training helps in initializing the weights of the hidden layers in a way that they are already tuned to capture general features. This makes the subsequent fine-tuning phase more effective and faster.

In a typical neural network training process, weights are often initialized randomly. This can sometimes lead to poor convergence or getting stuck in local minima. With weights initialized through pre-training, the network is already somewhat aligned with the underlying data distribution. This makes the fine-tuning phase more efficient, as the network requires fewer adjustments to reach optimal performance. By starting with pre-trained weights, the network is less likely to overfit the smaller, task-specific dataset during fine-tuning. This is because the initial weights already encode general knowledge, reducing the risk of the network becoming too specialized to the fine-tuning data.

대규모 데이터 세트에 대한 사전 학습은 은닉 계층이 일반화를 잘 하는 데 도움이 됩니다. 즉, 학습 데이터에만 국한되지 않고 더 광범위한 데이터에 적용할 수 있는 기능을 포착할 수 있습니다.

– 이러한 일반화는 전이 학습 과정에 필수적입니다. 전이 학습을 통해 사전 학습된 모델을 보다 구체적인 데이터 세트에 대한 미세 조정을 위한 좋은 시작점으로 활용할 수 있기 때문입니다.

FEM 또는 실험 데이터를 이용한 미세 조정(미세 조정 단계):

사전 학습된 모델은 유한요소해석(FEM) 시뮬레이션이나 실험 데이터에서 얻은 더 작고 정밀한 데이터 세트를 사용하여 미세 조정됩니다. 이 단계를 통해 모델의 정확도와 성능이 향상됩니다. 유한요소해석(FEM) 시뮬레이션을 사용하여 더 작지만 충실도가 높은 데이터 세트를 생성합니다.

대규모 데이터셋(평균 필드 데이터셋)을 사용하여 학습된 사전 학습된 모델을 시작점으로 사용합니다. 미세 조정은 더 작고 충실도가 높은 데이터셋(전체 필드 데이터셋)을 사용하여 수행됩니다. 미세 조정은 고충실도 데이터를 사용하여 사전 학습된 모델의 모든 학습 가능한 매개변수를 조정하는 것을 포함합니다. 이 접근 방식은 부분 미세 조정(일부 매개변수 고정)보다 일관되게 더 나은 성능을 제공합니다.

이 세부적인 프로세스는 사전 학습된 모델을 사용하고 고충실도 데이터로 미세 조정하여 예측 성능과 정확도를 높이는 것의 중요성을 강조합니다.

• Performance Comparison (Evaluation in composite):

전이 학습 모델의 성능은 고충실도 데이터셋으로만 학습된 모델과 비교됩니다. 이러한 방법 중 하나는 평균 상대 오차(MeRE)와 최대 상대 오차(MaRE)입니다. 평균 상대 오차(MeRE)와 최대 상대 오차(MaRE)는 단섬유 강화 복합재의 특성을 예측하는 신경망의 성능을 평가하는 데 사용되는 주요 지표입니다.

Understanding short fiber composites—and especially simulating their damage—can be tricky without the right guidance. That’s why we’ve created two tutorial packages!! Both packages aim to simulate damage in short fiber composites using Abaqus, they differ in their modeling approaches—macroscopic phenomenological modeling versus micromechanical homogenization—and the specific subroutines used for implementation.

단섬유 복합재 손상(평균장 균질화 모델)

• 4.78

강도, 경량성, 그리고 비용 효율성으로 인해 널리 사용되는 단섬유 강화 열가소성 플라스틱은 분산된 단섬유로 구성된 복잡한 부품을 제작하기 위해 사출 성형을 통해 제조되는 경우가 많습니다. 그러나 이러한 재료의 파손은 섬유 균열 및 소성 변형과 같은 메커니즘을 포함하는 복잡한 문제입니다. 현재의 손상 및 파손 모델은 거시적이거나 단순화된 형태입니다. 새로운 방법은 다단계 균질화 접근법을 사용한 연속체 손상 역학을 사용하여 강성을 평가함으로써 이러한 과제를 해결합니다. 이 새로운 방법은 "평균장 균질화"라고 합니다. 이 접근법은 두 단계의 공정으로 구성됩니다. 먼저 섬유를 그룹(입자)으로 나눕니다. 그런 다음 Abaqus에서 UMAT 서브루틴을 사용하여 평균장 균질화를 적용하여 각 단계의 강성을 평균화한 후 전체 균질화를 수행합니다. 이러한 평균장 균질화 Abaqus 사용은 복합재의 복잡한 형상 모델링을 단순화합니다. 이 방법은 원위 반경판에서 시험을 통해 검증되었습니다. 실험을 통해 보정을 수행했으며, Abaqus 유한요소 소프트웨어를 사용하여 시뮬레이션을 수행했습니다. Abaqus 단섬유 손상 평균장 균질화 프로세스는 Abaqus 내에서 INP 코드를 통해 구현되었습니다.

BUY NOW

서브루틴을 이용한 단섬유 복합재의 손상 시뮬레이션

• 0

단섬유 복합재는 잘게 잘린 섬유와 매트릭스로 구성되어 불연속적인 섬유 강화 재료를 형성하며, 섬유는 일반적으로 사용 목적에 따라 매트릭스 내에 정렬되거나 무작위로 배치됩니다. 이 교육 패키지에서는 다음 자료를 기반으로 Abaqus에서 단섬유 복합재(SFC) 손상을 모델링하는 방법을 학습합니다. “"영구 변형 및 단측 효과를 포함한 무작위 단섬유 강화 복합재의 손상 모델링". 1과에서는 SFC의 장점, 응용 프로그램 등과 같은 기본 사항을 배웁니다. 2과에서는 Abaqus에서 단섬유 복합재를 모델링하는 데 중점을 둡니다. 이 과에서는 이 패키지가 거시 모델링을 수행하는 거시 모델링과 미시 모델링 간의 중요한 결정을 소개합니다. 3과에서는 특히 Dano 모델을 통해 단섬유 복합재의 손상 모델링을 탐구하여 학습 과정을 진행합니다. 이 거시적 접근 방식은 비가역적 프로세스와 내부 변수를 통합하여 이방성 손상, 일방적 효과 및 잔류 효과를 다룹니다. 4과에서는 이론을 실제 응용으로 연결하여 VUSDFLD 서브루틴을 통해 Abaqus에서 Dano 모델을 구현하는 방법을 사용자에게 안내합니다. 이 튜토리얼은 서브루틴의 흐름도를 탐색하고 각 줄을 순차적으로 설명합니다. 2개의 워크숍이 이 과를 보완합니다. 워크숍 1에서는 평면 응력 요소를 사용하여 구멍이 있는 2D 복합재 판을 다루며 재료 속성, 경계 조건 및 시뮬레이션 절차에 대한 자세한 분석을 제공합니다. 워크숍 2는 첫 번째 워크숍을 반영하여 쉘 요소를 사용하여 VUSDFLD 서브루틴 활용의 일관성을 유지하면서 요소 유형의 변형을 보여줍니다.

BUY NOW

모델링에서 두 가지 짧은 섬유 복합재 손상 튜토리얼 패키지의 차이점:

• 서브루틴을 이용한 단섬유 복합재의 손상 시뮬레이션: VUSDFLD 서브루틴을 통해 구현된 거시적 손상 모델(Dano 모델)을 활용합니다.

• 단섬유 복합재 손상(평균장 균질화 모델): UMAT 서브루틴을 통해 구현된 평균장 균질화를 사용하는 미세기계적 접근 방식을 채택합니다.

그만큼 CAE 보조원 저희는 고객님의 모든 CAE 요구 사항을 충족하기 위해 최선을 다하고 있으며, 고객님의 피드백은 이러한 목표 달성에 큰 도움이 됩니다. 궁금한 점이 있거나 문제가 발생하면 WhatsApp을 포함한 소셜 미디어 계정을 통해 언제든지 공유해 주세요.

결론

In the end Short Fiber Reinforced Composites (SFRCs) are favored for injection molding due to their enhanced properties compared to unfilled polymers. Two main micro-mechanical modeling approaches, mean-field and full-field models, are used to predict damage. Mean-field models, which average stress and strain within microstructural components, offer computational efficiency but lack detailed insights into deformation mechanisms and phase interactions, leading to lower accuracy than full-field models.

Full-field models, which simulate material behavior in detail, require significant computational resources for creating and analyzing Representative Volume Elements (RVE). Neural networks provide a superior alternative, achieving desired properties and full-field level accuracy without the trial-and-error process of generating an RVE. They use weights and biases to store learned knowledge, reducing memory and computational time, and can leverage transfer learning to enhance models with less data. Fine-tuned neural networks for short fiber composite model can predict unseen loading conditions with high accuracy.

Key elements in neural network modeling include hidden layers, activation functions, training, validation, normalization, and evaluation. Dense hidden layers approximate complex functions, while the ELU activation function introduces non-linearity to enhance pattern learning. Training involves iterative weight adjustments to minimize loss, and validation assesses the model’s generalization on unseen data to detect overfitting.

Normalization scales input data to a common range (typically [0, 1]) for efficient learning and faster convergence. Evaluation metrics like Mean Relative Error (MeRE) and Maximum Relative Error (MaRE) provide a thorough assessment of model performance. In composite modeling, crucial steps include material selection, volume fraction determination, geometry definition, and material property assignment. Boundary conditions and loading scenarios are defined, and meshing involves selecting appropriate finite elements.

The process includes pre-training the neural network on extensive datasets for general pattern learning and fine-tuning with high-fidelity data from FEM simulations or experiments, ensuring robust and accurate predictions.