점진적 손상과 파괴를 고려한 초탄성 재료 모델링을 위한 물리 기반 데이터 구동 프레임워크

초록

본 논문은 초탄성 연성 재료의 손상·파괴 거동을 물리적 제약과 결합한 데이터‑드리븐 방식으로 모델링한다. 두 단계 학습을 통해 (1) 무손상 하이퍼탄성 응답을 가우시안 프로세스 회귀(GPR)로 학습하고, (2) 손상 진행을 에너지 제한자와 스트레스 감소 인자를 이용해 별도 GPR로 학습한다. 단조성·비음성·완전 파괴 제약을 페널티 최적화에 포함시켜 열역학적 타당성을 확보한다. 합성 데이터와 뇌 조직 실험 데이터에서 높은 정확도와 일반화 능력을 입증한다.

상세 분석

이 연구는 초탄성 연성 재료의 비선형 거동과 손상·파괴 메커니즘을 동시에 포착하기 위해 물리‑인포메이션과 머신러닝을 결합한 두 단계 프레임워크를 제안한다. 첫 번째 단계에서는 전통적인 하이퍼탄성 이론을 그대로 유지하면서, 볼륨 변형과 등방성 변형을 각각 담당하는 체적 에너지 U(J)와 등방성 에너지 (\bar W_{\text{iso}}(\bar I_1,\bar I_2))를 가우시안 프로세스 회귀(GPR)로 학습한다. GPR의 베이지안 특성은 무손상 기준 상태(스트레스‑프리)에서 정확히 0 스트레스를 보장하도록 하여 물리적 일관성을 유지한다. 또한, 입력 변수(변형 텐서의 불변량)와 출력(응력 텐서의 스칼라 응답 함수) 사이의 매핑을 명시적으로 학습함으로써 물체 프레임 불변성, 각운동량 보존, 열역학적 일관성 등 기본 원리를 자동으로 만족한다.

두 번째 단계에서는 손상 진화를 “스트레스 감소 인자” (\chi(W)=\frac{d\psi}{dW}) 로 정의하고, 이는 무손상 에너지 (W)와 직접적인 함수 관계를 갖는다. 손상 모델 역시 GPR을 이용해 (\chi(W))를 학습하되, 단조 감소(손상이 진행될수록 (\chi)는 0에 수렴), 비음성(절대값이 음수가 아님), 그리고 (\chi\to0) 일 때 완전 파괴라는 세 가지 물리적 제약을 페널티 기반 최적화에 포함시킨다. 이러한 제약은 손상 진화가 열역학 제2법칙을 위배하지 않도록 보장한다.

프레임워크의 핵심 강점은 (1) 무손상 하이퍼탄성 모델과 손상 모델을 분리 학습함으로써 데이터 요구량을 크게 줄이고, (2) GPR의 불확실성 추정이 가능해 실험 데이터의 잡음에 강인하며, (3) 에너지 제한자 개념을 도입해 전통적인 하이퍼탄성 모델이 갖는 무한 에너지 발산 문제를 자연스럽게 해결한다는 점이다.

검증 단계에서는 합성 데이터셋을 이용해 기존 Neo‑Hookean, Mooney‑Rivlin, Ogden 등과 비교했을 때, 훈련에 사용된 일축 인장 데이터 외에도 압축·전단 모드에서 높은 예측 정확도를 보였다. 특히, 제한된 학습 샘플(수십 개)만으로도 손상 진행을 정확히 재현했으며, 파라미터 해석 가능성도 유지했다. 실험적 뇌 조직 데이터에 적용했을 때는 손상 경로와 임계 파괴 에너지 (\psi_f)를 추정함으로써 생체 조직의 손상 메커니즘을 정량화하는 데 성공했다.

전반적으로 이 논문은 물리적 제약을 명시적으로 포함한 GPR 기반 데이터‑드리븐 접근법이, 복잡한 비선형·손상 거동을 갖는 연성 재료의 전통적 모델링 한계를 극복하고, 제한된 실험 데이터만으로도 높은 정확도와 일반화 능력을 제공한다는 중요한 증거를 제시한다.