대변형 초탄성 매체를 위한 차등 기반 감도 분석 기반 차원 축소 균질화 기법

초록

본 논문은 대변형 하이퍼엘라스틱 구조의 다중 스케일 해석에서, 매크로 변형을 K‑means 클러스터링으로 구분하고 각 클러스터 중심의 미세구조에 대한 감도 분석을 통해 효과적인 탄성 텐서와 응력을 선형 보정하는 새로운 차원 축소 모델(order reduction) 알고리즘을 제안한다. 오프라인 사전 계산을 최소화하고, 사용자 정의 오차 허용치에 따라 미세문제 해결 횟수를 크게 줄이며, SfePy 기반 구현과 2‑D 사례를 통해 FE²와 POD 대비 높은 정확도와 계산 효율을 입증한다.

상세 분석

이 연구는 비선형 다중 스케일 해석에서 가장 큰 병목인 미세문제(FE²)의 반복 호출을 근본적으로 감소시키는 전략을 제시한다. 기존 POD 기반 방법은 사전 단계에서 다양한 매크로 변형 상태(MDS)를 포괄적으로 샘플링하고 고차원 고유벡터를 추출한다는 점에서 계산 비용이 급격히 증가한다. 반면, 제안된 CSA(Clustering and Sensitivity‑based Approximation) 방법은 매크로 변형 텐서를 실시간으로 K‑means 클러스터링하여 제한된 수의 중심(centroid)만을 정의하고, 각 중심에 대응하는 미세구조(RVE)를 직접 해석한다. 핵심은 ‘디자인 속도장(design velocity field)’이라 명명한 미세 변위 보정 함수를 도입해, 중심 미세구조에 대한 탄성 텐서와 응력의 감도(∂A/∂F, ∂S/∂F)를 계산하고, 이를 선형 매핑으로 주변 변형 상태에 전이한다는 점이다. 이 선형 매핑은 변형 그라디언트의 폴라 분해를 이용해 스트레치 텐서와 회전 텐서를 분리함으로써 물리적으로 의미 있는 변형 축을 기준으로 보정한다. 따라서 클러스터 경계에서 발생할 수 있는 급격한 물성 변화를 완화하고, 매크로 뉴턴‑라프슨 반복 과정에서 수렴성을 크게 향상시킨다.

알고리즘 흐름은 다음과 같다. (1) 매크로 해석 단계에서 현재 변형 텐서를 추출하고, 사전에 정의된 클러스터 수 K에 따라 가장 가까운 중심을 찾는다. (2) 선택된 중심에 대해 미세문제(RVE)를 한 번만 풀어, 응력·탄성 텐서와 그 감도 텐서를 얻는다. (3) 변형 텐서와 중심 텐서 사이의 차이를 폴라 분해된 스트레치 텐서의 스칼라 변화량으로 표현하고, 감도 텐서를 이용해 선형 보정한다. (4) 보정된 물성을 매크로 균질화 방정식에 삽입해 전역 시스템을 구성하고, 전역 해를 업데이트한다. (5) 오차 허용치 εtol을 만족할 때까지 클러스터 재배치를 수행한다.

이 과정에서 오프라인 단계는 거의 없으며, ‘on‑the‑fly’ 방식으로 미세문제를 필요할 때만 해결한다. 따라서 미세구조 파라미터(예: 설계 변수, 내부 플라스틱 변수)가 추가될 경우에도 감도 계산만으로 확장이 가능해, 기능성 등급 재료 설계와 같은 최적화 문제에 직접 적용할 수 있다. 또한, 감도 기반 선형 보정은 미세문제의 비선형성을 완전히 무시하지 않고, 일차 근사만을 사용함으로써 정확도와 효율성 사이의 균형을 제공한다.

수치 실험에서는 2‑D 네오후크 모델을 사용한 두 가지 사례(단순 압축 및 복합 하이퍼엘라스틱 구조)를 통해, FE²와 POD 대비 물성 오차가 12% 수준으로 유지되면서 미세문제 호출 횟수가 7085% 감소함을 확인하였다. 특히, 클러스터 경계에서 발생할 수 있는 물성 진동을 완화하기 위해 ‘클러스터 고정(cluster freezing)’ 기법을 적용했으며, 이는 전역 뉴턴 수렴 횟수를 기존 FE² 대비 30% 이상 단축시켰다. 구현은 오픈소스 SfePy에 통합되어, 소스 코드가 공개된 점도 연구 재현성을 높인다.

전반적으로, 이 논문은 감도 기반 선형 보정과 클러스터링을 결합한 차원 축소 전략이 비선형 다중 스케일 해석에서 계산 비용을 획기적으로 낮추면서도 높은 정확도를 유지할 수 있음을 실증적으로 보여준다.