희소 데이터만으로 초탄성 재료 모델을 찾아내는 물리 정보 신경망

초록

**
본 논문은 단일 시험에서 얻은 제한된 변위와 반력 데이터만을 이용해 초탄성 재료의 변형 에너지 함수를 자동으로 식별하는 물리‑정보 신경망(PINN) 프레임워크를 제안한다. 유한요소 기반 약한 형태 해석과 두 단계 학습(Adam → L‑BFGS + 희소 회귀)을 결합해 전체 변위장을 복원하고, 후보 에너지 함수 집합에서 최소한의 항목만을 선택함으로써 파라미터가 적은 해석적 모델을 도출한다. 벤치마크 실험에서 노이즈와 데이터 부족 상황에서도 높은 정확도를 보이며, 기존 전장 측정 기반 방법보다 실험 비용과 데이터 요구량을 크게 낮춘다.

**

상세 분석

**
이 연구는 초탄성 재료의 constitutive law를 직접 측정하기 어려운 현실적 제약을 극복하고자, 물리‑정보 신경망(PINN)과 유한요소(FE) 해석을 결합한 새로운 역문제 해결 전략을 제시한다. 핵심 아이디어는 변위와 반력이라는 매우 제한된 관측값만을 입력으로 사용하면서, 물리적 평형 방정식(강체 평형의 약한 형태)을 손실 함수에 포함시켜 신경망이 물리적 일관성을 스스로 학습하도록 하는 것이다.

1. 후보 에너지 함수 집합: 저자들은 Mooney‑Rivlin, Hartmann‑Neff 등 기존 초탄성 모델을 일반화한 5개의 후보 집합(등방성 등축성, 부피 변형 등)으로 구성하고, 총 𝑁≈100개의 후보 항을 정의한다. 각 후보는 선형 결합 형태로 가중치(계수)와 함께 표현되며, 이 계수가 바로 모델 식별의 목표 변수이다.

2. 약한 형태와 FE 이산화: 전통적인 PINN이 자동 미분을 이용해 강한 형태 PDE를 직접 만족시키는 반면, 본 논문은 Galerkin 약한 형태를 FE 형태소에 적용한다. 이를 통해 수치 미분 비용을 크게 절감하고, 복잡한 비선형 변형도 안정적으로 처리한다. 또한, 경계조건(디리클레, 뉴먼)을 FE 메쉬에 직접 적용해 물리적 제약을 정확히 반영한다.

3. 두 단계 학습 프로세스

   • 1단계: Adam 옵티마이저를 사용해 신경망 파라미터와 에너지 계수를 동시에 업데이트한다. 이 단계에서는 관측 데이터 손실(변위·반력)과 물리 손실(평형 약한 형태)의 가중합을 최소화한다.
   • 2단계: 초기 해를 L‑BFGS로 정밀하게 재조정한 뒤, 계수 벡터에 대해 ℓₚ(0<p≤1) 정규화를 적용한 희소 회귀(sparse regression)를 수행한다. 이 과정에서 불필요한 후보 항이 자동으로 제거되어, 최종 모델은 최소한의 항목만을 포함하는 해석적 식으로 변환된다.

4. 실험 및 검증

   • 벤치마크 모델: Mooney‑Rivlin, Ogden, Yeoh 등 3가지 대표 초탄성 모델을 가상의 실험 데이터로 생성하고, 각각에 대해 5%~10% 수준의 가우시안 노이즈를 추가하였다.
   • 데이터 희소성: 전체 변위장 대신 10~20개의 측정점과 전역 반력만을 사용했으며, 단일 정적 로딩 단계만을 고려하였다.
   • 성능 지표: 복원된 변위장 L2 오차, 식별된 계수 상대오차, 그리고 최종 에너지 함수와 원본 모델 간의 차이를 평가하였다. 결과는 모든 경우에서 5% 이하의 오차를 달성했으며, 특히 노이즈가 10%까지 증가해도 모델 식별 정확도는 크게 저하되지 않았다.

5. 주요 기여와 한계

   • 기여: (i) 극히 제한된 실험 데이터만으로 전체 변위장을 재구성하고, (ii) 후보 함수 집합에서 자동으로 최소 모델을 추출하는 통합 프레임워크를 제공한다. (iii) 약한 형태 기반 PINN이 강한 형태 대비 계산 효율성을 크게 향상시킨다.
   • 한계: 현재는 등방성, 거의 압축성 재료에만 적용했으며, 복합 하중(예: 전단·굽힘 복합)이나 이방성 재료에 대한 확장은 추가 연구가 필요하다. 또한, 후보 함수 집합의 설계가 사전 지식에 의존하므로, 완전한 “무가정” 모델 발견은 아직 어려운 점이다.

전반적으로 이 논문은 실험 비용과 데이터 요구량을 최소화하면서도 물리적 일관성을 유지하는 초탄성 모델 식별 방법을 제시함으로써, 재료 시험·설계 분야에 실용적인 새로운 도구를 제공한다.

**