볼록 신경망 표현을 통한 소성 항복 함수의 물리 정보 기반 발견
Physics-Informed Discovery of Yield Functions in Plasticity via Convex Neural Representations
이방성 항복 함수를 식별하는 것은 항복 현상이 전장(full-field) 역학 측정에서 직접 관측되지 않고, 방향성 보정에 다수의 하중 방향이 필요할 수 있으며, 적절한 해석적 형태를 선택하는 것이 쉽지 않기 때문에 여전히 어렵습니다. 본 연구는 응력 관측, 소성 변형률 측정, 직접적인 항복 표면 데이터, 또는 미리 규정된 매개변수화된 항복 함수 없이, 전장 변위 데이터와 반력 데이터로부터 항복 함수를 발견하기 위한 물리 정보 기반 프레임워크를 제안합니다. 이 프레임워크는 직접적인 응력 공간 감독(supervision) 대신, 탄소성 응력 적분 내부의 역학적으로 제약된 구성 요소로서 항복 함수를 식별합니다. 항복 함수는 가정된 인장-압축 대칭성을 부과하면서 볼록성과 1차 양의 동차성을 강제하는 볼록 신경망(neural network)으로 표현되며, 이 신경망 항복 함수는 다양한 하중 사례에 걸쳐 미분 가능한 응력 업데이트와 물리 정보 기반 힘 평형 손실(loss)을 사용하여 학습됩니다. 제안된 프레임워크는 von Mises, Hill 1948 및 Yld2000-2d 항복 함수를 사용한 유한 요소(FE) 벤치마크 연구를 통해 검증되었으며, 항복 윤곽 일치도, 변위 노이즈 민감도, 소성 활성 응력 상태를 통한 식별 가능성, 인식적 불확실성 및 다항식 대리 모델 배치를 평가했습니다. 본 연구는 식별된 구성 요소를 탄소성 응력 적분 구조 내에 유지하면서 변위 및 힘 데이터로부터 이방성 항복 함수를 발견하기 위한 역학적 제약 경로를 제공합니다.