access-technology.de

이 이메일 도메인이 관측된 논문 1건

arXiv:2609.02194v1cs.LG

신경 연산자와 인과적 어텐션을 통한 재료의 구성 거동 학습: 소성 및 손상 사례 연구

Learning the Constitutive Behavior of Materials via Neural Operators and Causal Attention: Case Studies in Plasticity and Damage

경로 의존적(path-dependent) 비탄성 재료의 고전적 구성 모델링은 내부 상태 변수에 의존하며, 이러한 변수의 발전 방정식은 도메인 지식을 바탕으로 가정되고 실험 데이터를 통해 보정되어야 합니다. 그러나 많은 실제 환경에서는 관련 내부 변수를 실험에서 측정할 수 없는 경우가 일반적이며, 재료의 내부 상태에 대한 사전 지식 없이 측정된 변형률-응력 데이터만으로 구성 응답을 전적으로 추론해야 합니다. 본 연구에서는 변형되는 재료를 전체 변형률 이력에서 그에 대응하는 응력 응답으로의 함수 매핑으로 취급하는 재료 연산자(material operator) 개념 기반의 데이터 주도 구성 모델링 프레임워크를 제안합니다. 전통적인 자기회귀(autoregressive) 또는 순환(recurrent) 방식과 달리, 이 모델은 함수 대 함수 매핑으로서 전체 하중 경로에 대해 직접 학습(training)되어 단 한 번의 병렬 순전파(forward pass)로 완전한 응력 궤적을 예측합니다. 시간적 경로 의존성은 연산자 내에 내장된 인과 마스크드 어텐션(causally masked attention) 메커니즘을 통해 부여되며, 이는 계산 병렬성을 유지하면서 모델의 어텐션을 과거 재료 상태로만 제한합니다. 스펙트럼 합성곱(spectral convolution)은 주파수 영역에서 이산화 무관(discretization-invariant) 표현을 제공하는 한편, 인과적 어텐션은 고도로 적응적인 비국소적 이력 의존성을 포착합니다. 나아가 비탄성 영역에 내재된 강한 비선형 전이를 해결하기 위해 사인파 활성화 함수(sinusoidal activation function)가 사용됩니다. 이 프레임워크는 비선형 소성 및 연성 손상 축적에 중점을 두고 복잡한 현상을 보이는 다차원 속도 비의존적(rate-independent) 재료 모델에 걸쳐 평가(evaluation)됩니다. 결과는 해상도 무관성(resolution invariance)과 뛰어난 병렬 효율성을 동시에 달성하면서 비가역적 변형 메커니즘을 정확하고 강건하게 예측함을 보여줍니다.