딥오퍼레이터네트워크 기반 탄소/에폭시 복합재 공정유도변형 확률 예측 모델

📝 원문 정보

• Title: Probabilistic Predictions of Process-Induced Deformation in Carbon/Epoxy Composites Using a Deep Operator Network
• ArXiv ID: 2512.13746
• 발행일: 2025-12-15
• 저자: Elham Kiyani, Amit Makarand Deshpande, Madhura Limaye, Zhiwei Gao, Zongren Zou, Sai Aditya Pradeep, Srikanth Pilla, Gang Li, Zhen Li, George Em Karniadakis

📝 초록 (Abstract)

섬유 강화재와 폴리머 매트릭스는 열팽창계수 차이와 열경화성 수지의 경화 수축으로 인해 제조 조건에 서로 다르게 반응한다. 이러한 이질성은 다중 길이 스케일에 걸친 잔류응력을 발생시키며, 그 일부가 해제될 때 공정유도변형(PID)이 발생한다. PID를 정확히 예측하고 비등온 경화 사이클을 최적화함으로써 이를 최소화해야 한다. 본 연구에서는 단일 방향성 AS4 탄소섬유/아민 바이펑셔널 에폭시 프리프레그를 대상으로, 열팽창·수축과 경화 수축 두 메커니즘을 동시에 고려한 PID 모델을 구축하였다. 모델은 제조 실험을 통해 초기·경계조건을 식별하고, 다양한 비등온 경화 사이클(시간‑온도 프로파일)에 대한 PID 응답을 생성하는 데 사용되었다. 이러한 물리 기반 모델을 토대로, Deep Operator Network(DeepONet)를 이용한 데이터‑드리븐 대리모델을 개발하였다. DeepONet은 고충실도 시뮬레이션과 목표 실험 측정 데이터를 결합한 데이터셋으로 학습되었으며, 분기망(branch) 특징을 초기 경도와 같은 외부 파라미터로 변조하는 FiLM‑DeepONet으로 확장하였다. 실험 데이터가 제한된 시점(예: 최종 변형)만 제공되는 경우, 시뮬레이션으로 사전 학습된 트렁크·분기망은 고정하고 최종 레이어만 업데이트하는 전이학습을 적용하였다. 마지막으로, Ensemble Kalman Inversion(EKI)을 도입해 실험 조건 하에서의 불확실성을 정량화하고, 복합재의 PID를 감소시키는 경화 일정 최적화를 지원한다.

💡 논문 핵심 해설 (Deep Analysis)

이 논문은 탄소섬유/에폭시 복합재의 공정유도변형(PID)을 예측하기 위한 혁신적인 하이브리드 프레임워크를 제시한다. 첫 번째 단계는 물리‑기반 모델링이다. 저자들은 열팽창·수축과 경화 수축이라는 두 가지 주요 메커니즘을 동시에 고려함으로써, 기존 연구가 주로 하나의 메커니즘에만 초점을 맞추던 한계를 극복한다. 특히, 비등온 경화 사이클이라는 복잡한 시간‑온도 프로파일을 입력 변수로 사용해, 실제 제조 현장에서 발생할 수 있는 다양한 공정 조건을 포괄한다는 점이 주목할 만하다. 모델 검증을 …

📄 논문 본문 발췌 (Translation)

...(본문 내용이 길어 생략되었습니다. 사이트에서 전문을 확인해 주세요.)