PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.10862v1cs.CE

이종 복합재 시뮬레이션을 위한 메쉬 기반 신경망 에너지 방법

A mesh-based neural energy method for the simulation of heterogeneous composites

이종 재료(heterogeneous material) 모델링은 deep energy method(DEM)와 같은 물리 정보 신경망(physics-informed neural network)에게 여전히 어려운 과제로 남아 있다. DEM과 그 변형들—여기서는 통칭하여 신경망 에너지 방법(neural energy method, NEM)이라 한다—은 미분 가능한 변분적(variational) 프레임워크를 제공한다. 그러나 이들의 기존 콜로케이션 기반(collocation-based) 구현(C-NEM)은 물리적으로 허용되지 않는 변위 진동(displacement oscillation), 적분 오차, 그리고 자동 미분(automatic differentiation)으로 인한 높은 계산 비용 문제를 자주 겪는다. 본 연구는 변위장(displacement field)의 메쉬 기반 이산화(discretization)를 통해 NEM을 확장한 메쉬 기반 신경망 에너지 방법(mesh-based neural energy method, M-NEM)을 소개한다. 형상 함수(shape function)를 통해 절점 변위(nodal displacement)를 보간함으로써, M-NEM은 진동을 억제하는 운동학적 제약(kinematic constraint)을 부과한다. 또한 이 방법은 변형률(strain) 계산을 위해 자동 미분을 대수적 형상 함수 도함수로 대체하고, 정확한 에너지 적분을 위해 고차 가우스 구적법(Gaussian quadrature)을 사용한다. 직접 비교 가능한 벤치마크 문제에서, M-NEM은 C-NEM 대비 응력 오차를 최대 3자릿수(order of magnitude)까지 줄이는 동시에 1~2자릿수 더 빠른 속도를 보인다. 극단적인 강성 대비(stiffness contrast)를 포함하는 추가 두 가지 벤치마크에서는 M-NEM만이 수렴한다. 신경망 아키텍처에 대한 비교 연구는 방사 기저 함수 신경망(radial basis function neural network, RBFNN)이 M-NEM 내에서 최적의 성능을 보이며, 무작위 푸리에 특징(random Fourier feature, RFF) 매핑을 사용한 다층 퍼셉트론(multi-layer perceptron, MLP)보다 재료 계면(material interface)에서의 급격한 그래디언트(gradient)를 더 높은 정확도로 해결하고, 콜모고로프-아놀드 네트워크(Kolmogorov-Arnold network, KAN)보다 더 빠르게 수렴함을 보여준다.