볼록 신경망 표현을 통한 소성 항복 함수의 물리 정보 기반 발견
Physics-Informed Discovery of Yield Functions in Plasticity via Convex Neural Representations
한국어 초록
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.
원문 초록
Identifying anisotropic yield functions remains challenging since yielding is not directly observed in full-field mechanical measurements, directional calibration can require many loading directions, and selecting an appropriate analytical form is nontrivial. This study proposes a physics-informed framework for discovering yield functions from full-field displacement data and reaction force data, without stress observations, plastic strain measurements, direct yield surface data, or a prescribed parametric yield function. The framework identifies the yield function as a mechanically constrained constitutive component inside elastoplastic stress integration, rather than through direct stress-space supervision. The yield function is represented by a convex neural network that enforces convexity and positive homogeneity of degree one while imposing the assumed tension-compression symmetry, and this neural yield function is trained with a differentiable stress update and a physics-informed force equilibrium loss across multiple loading cases. The proposed framework is validated using finite element (FE) benchmark studies with von Mises, Hill 1948, and Yld2000-2d yield functions, assessing yield contour agreement, displacement-noise sensitivity, identifiability through plastically active stress states, epistemic uncertainty, and polynomial-surrogate deployment. This study provides a mechanics-constrained pathway for discovering anisotropic yield functions from displacement and force data while keeping the identified component within the structure of elastoplastic stress integration.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.19375v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
잔차 보정 불확실성을 갖춘 무해 물리 정보 기반 역학습
No-Harm Physics-Informed Inverse Learning with Residual-Calibrated Uncertainty
물리 정보 기반 학습(physics-informed learning)은 편미분방정식(PDE)이 지배하는 역문제(inverse problem)에 점점 더 많이 사용되고 있지만, 그 신뢰성을 보증하기는 여전히 어렵다. 본 논문은 물리 정보 기반 역학습(inverse learning)을 위한 무해(no-harm) 인증 및 선택 프레임워크를 제안한다. 학습된 재구성(reconstruction)은 잔차 보정 반경(residual-calibrated radius)이 기준선(baseline) 반경보다 나쁘지 않을 때, 즉 $$R_{\mathrm{learn}}\le R_{\mathrm{base}}+\varepsilon_{\mathrm{safe}};$$일 때만 채택되며, 그렇지 않으면 방법은 기준선을 반환한다. 인증서(certificate)는 데이터, 물리, 경계 또는 초기 조건, 그리고 최적화 잔차를 결합한다. 조건부 안정성 추정 하에서, 이러한 잔차들은 사후적(a posteriori) 재구성 오류 경계와 결정론적(deterministic) 불확실성 반경을 제공한다. 독립적인 무작위 collocation 점들로부터 추정된 물리 잔차에 대해서도 고확률(high-probability) 인증서가 유도된다. Poisson 소스 복원, 역 열 재구성, 제한각 단층촬영(limited-angle tomography), 타원형 계수 식별, 그리고 확률적 잔차 검증(validation)에 대한 수치 실험은 선택기(selector)가 인증된 개선을 수용하고, 편향·환각(hallucinated)·미완성 후보를 거부하며, 강하게 ill-posed인 영역에서는 보수적으로 동작함을 보여준다. 따라서 이 프레임워크는 또 하나의 재구성 아키텍처가 아니라 인증 및 선택 층(layer)이다.
클러스터형 텐세그리티 구조를 위한 에너지 기반 물리 정보 형상 결정
Energy-Based Physics-Informed Form Finding for Clustered Tensegrity Structures
텐세그리티 형상 결정과 물리적 특성 예측은 평형 구성과 내부 힘 분포를 결정하는 것을 목표로 하는 구조 역학의 기본적인 역문제이다. 이러한 문제는 기하학과 힘 사이의 결합으로 인한 강한 비선형성, 구조 안정성을 보장해야 할 필요성, 경계 조건 및 대칭성과 같은 제약 조건의 강제 등으로 인해 어렵다. 더욱이 전통적인 방법은 종종 노이즈와 이상치에 대한 강건성이 부족하다. 본 논문은 클러스터형 텐세그리티 형상 결정 및 물리적 특성 예측을 위한 에너지 기반 학습 프레임워크를 제안한다. 제안된 접근법은 총 포텐셜 에너지 최소화와 구성 관계를 학습 목적함수에 통합하여, 부재력 및 힘 밀도를 포함한 평형 노드 구성과 관련 물리량의 동시 예측을 가능하게 한다. 에너지 기반 물리 손실을 학습 과정에 직접 통합함으로써, 해당 프레임워크는 물리적 일관성, 강건성, 데이터 효율성을 향상시킨다. 프리즘 및 lander 시스템을 포함한 텐세그리티 구조에 대한 수치 실험은 제안된 접근법의 큰 잠재력을 보여 주며, 확장 가능한 형상 결정과 구조 특성의 정확한 예측 능력을 입증한다.
CSympNet-ID: 선형 감쇠 해밀턴 시스템을 위한 등각 심플렉틱 맵 학습
CSympNet-ID: conformal-symplectic map learning for linearly damped Hamiltonian systems
이산 관측으로부터 소산 동역학을 학습하는 것은 신뢰할 수 있는 장기 예측과 물리적으로 의미 있는 매개변수 식별에 필수적이다. 선형 감쇠 해밀턴 시스템에서 정확한 흐름은 일반적으로 심플렉틱이 아닌 등각 심플렉틱(conformally symplectic)으로, 순 소산을 반영하는 스칼라 인수만큼 표준 심플렉틱 형식을 수축시킨다. 우리는 감쇠 식별을 갖춘 등각 심플렉틱 네트워크인 CSympNet-ID를 제안한다. 이는 페널티 항이나 투영 없이 구성에 의해 정확한 이산 등각 심플렉틱성을 강제하면서, 스냅샷 쌍으로부터 직접 1단계 흐름 맵을 학습하는 이산 시간 맵 학습 프레임워크이다. 이 아키텍처는 정확한 심플렉틱 신경망 코어와, 스칼라 감쇠율 매개변수에 의해 지수적으로 매개변수화된 인수를 가진 명시적 대각 스케일링 레이어를 결합함으로써, 학습된 소산 인수의 양수성과 해석 가능성을 보장한다. 우리는 등각 심플렉틱 맵에 대한 스케일링 켤레 인수분해를 확립하고 CSympNet-ID에 대한 단계별 점별 밀도 결과를 도출한다. 불규칙 단계 감쇠 진동자, 감쇠 스프링-질량 체인, 감쇠 비선형 3차 진동자 및 추가적인 고차원 확장을 평가한다. CSympNet-ID는 보고된 실험에서 비교된 모델 중 전반적으로 가장 우수한 결과를 보이며, 특히 데이터 부족 환경, 목표 수축 법칙 복원, 비구조적 기준선이 급격히 성능이 저하되는 고차원 테스트에서 두드러진다.
비구조화 환경에서 임의 측정 경로를 따른 물리학 기반 로봇 방사선원 위치 추정
Physics-Guided Robotic Radiation Source Localization along Arbitrary Measurement Paths in Unstructured Environments
로봇을 이용해 방사선 원의 위치를 추정하는 것은 효율성과 안전성을 높이는 효과적인 방법이다. 기존 방법은 정밀한 추정을 위해 로봇의 경로를 계획하는 데 초점을 맞추며, 일반적으로 원에 접근하는 방식을 취한다. 그러나 원에 접근할수록 로봇의 방사선 피해 위험이 커진다. 또한 방사선 원 위치 추정(RSL)만을 위해 설계된 경로 계획 알고리즘은 방사성 환경에 로봇을 투입하는 임무의 유연성을 제한한다. 본 연구는 물리학 정보 기반 머신러닝(PIML) 모델을 활용하여 미지 환경에서 측정 경로에 관계없이 방사선 원 위치를 정밀하게 추정하는 로봇 RSL 자동화 프레임워크를 제안한다. PIML을 위해 미지 장애물로부터 감쇠된 감마선 플럭스 신호를 처리할 수 있도록 물리학에서 영감을 받은 모델 텐서가 설계되었으며, RSL의 견고성과 정밀도를 향상시키기 위해 여러 모델이 병렬로 계산된다. 제안 방법은 공간 규모, 방사선 원 유형, 장애물 재료 및 기하, 로봇 궤적 등 다양한 무작위화된 영역에 대해 Monte Carlo 입자 수송을 사용하는 고정밀 시뮬레이션 환경에서 평가된다. 또한 시뮬레이션 기반 평가에 포함되지 않은 구성에 대한 물리 실험을 통해 검증된다. 연속 학습 기법은 실제 로봇 배포에 적용되어 온라인 로봇 RSL 시스템의 실용성을 높인다. 제안 방법은 로봇 방사선 인식을 점 단위 플럭스 감지에서 공간 지능으로 발전시킨다.
비디오 기반 연안 파도 첨두 주기 추정을 위한 물리 기반 시공간 학습
Physics-Guided Spatiotemporal Learning for Coastal Wave Peak Period Estimation from Video
연안 파랑 매개변수는 해안 공학, 해안선 보호, 해양 위험 평가, 기후 탄력성을 위한 연안 관리에 매우 중요하다. 부이와 레이더 플랫폼과 같은 전통적인 모니터링 시스템은 정확한 관측을 제공하지만, 높은 설치·유지보수 비용과 제한된 공간적 커버리지라는 단점이 있다. 딥러닝을 활용한 영상 기반 수동 해양 모니터링이 실현되었으나, 많은 방법들이 해양학적 물리 해석 가능성, 실현 가능성, 검증 측면에서 한계를 지닌다. 본 연구에서는 수동 연안 비디오 스트림으로부터 연안 파도 첨두 주기(wave peak period)를 직접 추정하기 위한 물리 기반 딥 시공간 학습 프레임워크를 제안한다. 이 프레임워크는 자동화된 시간 분산 기반 관심 영역 검출, 다단계 Sim-to-Real 전이 학습(transfer learning), 물리 정보 기반 정규화(physics-informed regularization)를 결합하여 예측 정확도와 물리적 일관성을 향상시킨다. 트랜스포머 기반 및 순환-합성곱 기반 아키텍처 등 다양한 시공간 아키텍처를 평가하였으며, 합성 사전학습(synthetic pretraining), 실버 레이블 적응(silver-label adaptation), 전문가 파인튜닝(expert fine-tuning)을 함께 적용하였다. 실험 결과, 트랜스포머 기반 아키텍처는 순간 예측 정확도에서 우수한 성능을 보인 반면, 경량 순환-합성곱 아키텍처는 높은 시간적 안정성과 운용 해양학적 기술(operational oceanographic skill)을 달성하였다. 소거 연구(ablation study)를 통해 물리 기반 정규화가 추세 추적 일관성 및 물리적으로 불가능한 예측 억제 측면에서 효과적임을 입증하였다. 설명 가능성 감사(explainability auditing)를 통해 유체역학적으로 활성화된 서프존(surf-zone) 영역에 어텐션이 집중됨을 확인하였으며, 물리적으로 도출된 파랑 전파 거동과 높은 일치도를 보였다. 전반적으로, 제안된 프레임워크는 비용 효율적이고 운용 가능한 장기 연안 파랑 모니터링을 위한 물리 기반 영상 딥러닝 시스템의 가능성을 제시한다.
RANSAC 채점의 올바른 접근
RANSAC Scoring Done Right
토론
이 논문과 연결된 포럼 글이 아직 없습니다.