딥러닝을 이용한 알루미늄 6061-T4 소재의 변형거동 예측에 관한 연구

Abstract

본 연구에서는 알루미늄의 대표체적요소(Representative Volume Element, RVE)의 변형거동을 예측하기 위해 유한요소해석(Finite Element Method, FEM)을 대체할 수 있는 딥러닝 방법의 가능성에 대해 고찰하였다. 대상 재료는 알루미늄으로 선정하였으며, 이는 알루미늄이 산업 분야에서 널리 사용되고 있으며, 따라서 미시 재료적, 거시 기계적 특성을 정확히 예측하는 것이 재료 설계에 매우 중요하기 때문이다. 우선, 복잡하고 대규모의 다결정체 재료거동을 예측하는데 있어 유한요소해석이 맞닥뜨리는 높은 계산 비용과 저효율 문제, 그리고 이러한 문제를 해결하기 위한 딥러닝 방법이 가지는 장점에 대해 논의했다. 이어서, 본 연구에 필요한 이론적 기반 연구, 즉 탄성과 소성의 거동 특성과 딥러닝 의 핵심 이론을 소개하였다. 유한요소해석 부분에서 적용한 도구는 DAMASK이다. DAMASK의 계산 및 시뮬레이션 단계를 자세히 보여주고, 나아가 DAMASK 소프트웨어를 사용하여 얻은 시뮬레이션 결과를 딥러닝에서 사용할 수 있는 데이터 세트로 변환하는 방법을 고찰하였다. 그런 다음, 알루미늄의 대표체적요소 변형거동을 예측하는 데 있어 DAMASK와 딥러닝(인공신경망 ANN 및 컨볼루션 신경망 CNN 포함)의 결과를 비교하였다. 결과적으로, 두 가지 딥러닝 모델은 정확도가 높으면서 계산 속도가 DAMASK보다 우월하였다.|This study explores the possibility of using deep learning methods to substitute the Finite Element Method (FEM) for predicting the deformation behavior of Representative Volume Elements (RVE) of aluminum. We chose aluminum as the material for study due to its wide application in the industrial sector and the importance of accurately predicting its microscale deformation behavior for material design and optimization. Firstly, we discussed the challenges of using FEM in handling complex, large-scale polycrystalline material behavior, which includes high computational costs and low efficiency, and the advantages of deep learning methods in solving these issues. Then, we introduced the theoretical foundations required for this study, including the basic principles and formulas of elastoplasticity, as well as the core theories of deep learning. In the FEM simulation part, our tool of choice was DAMASK. We detailed the computational and simulation steps of DAMASK, and how to convert the simulation results obtained using DAMASK software into a dataset that can be used by deep learning. Following that, we compared the results of DAMASK and deep learning (including Artificial Neural Networks, ANN, and Convolutional Neural Networks, CNN) in predicting the deformation behavior of aluminum's RVE. The results indicated that while both deep learning models have a high level of accuracy, they are superior to DAMASK in terms of computational speed. In conclusion, deep learning methods offer a new, efficient, and accurate tool for predicting the microscale deformation behavior of polycrystalline materials, which holds significant reference value for industrial production, especially in the design and optimization of materials.