Hybrid machine learning based scale bridging framework for permeability prediction of fibrous structures

要約

この研究では、繊維性繊維構造の透過性を予測するためのハイブリッド機械学習ベースのスケールブリッジフレームワークを紹介します。
マルチスケールモデリングに固有の計算上の課題に対処することにより、提案されたアプローチは、従来のサロゲートモデルを組み合わせたさまざまなスケールブリッジング方法論の効率と精度を評価し、物理学に基づいたニューラルネットワーク（PINN）と数値ソルバーを統合し、ミクロ全体の正確な透過性予測を可能にします。
とメソスケール。
4つの方法論が評価されました：単一スケール法（SSM）、単純なアップスケーリング法（SUM）、スケールブリッジング法（SBM）、および完全に解決されたモデル（FRM）。
最も単純な方法であるSSMは、マイクロスケールの透過性を無視し、FRMモデルの最大150 \％で偏差する透過性値を示しました。
均一なマイクロスケールの透過性を考慮して、同様の条件下でより近い値を生成することにより、合計の改善された予測を改善しましたが、それでも構造的なばらつきがありませんでした。
セグメントベースのマイクロスケール透磁率の割り当てを組み込んだSBMメソッドは、大幅な強化を示し、計算効率を維持し、シミュレーションあたり約45分のランタイムをモデリングしながらほぼ同等の値を達成しました。
対照的に、MicroscaleとMesoscaleの形状を完全に解決することにより最高の忠実度を提供するFRMは、SSMよりも最大270倍の計算時間が必要であり、モデルファイルは300 GBを超えています。
さらに、PINNを組み込んだハイブリッドデュアルスケールソルバーが開発されており、一般化エラーを克服する可能性と、データ駆動型のサロゲートアプローチのデータ不足の問題を示しています。
ハイブリッドフレームワークは、計算コストと予測の信頼性のバランスをとることにより透過性モデリングを進め、線維性複合材の製造におけるさらなる用途の基礎を築きます。

要約(オリジナル)

This study introduces a hybrid machine learning-based scale-bridging framework for predicting the permeability of fibrous textile structures. By addressing the computational challenges inherent to multiscale modeling, the proposed approach evaluates the efficiency and accuracy of different scale-bridging methodologies combining traditional surrogate models and even integrating physics-informed neural networks (PINNs) with numerical solvers, enabling accurate permeability predictions across micro- and mesoscales. Four methodologies were evaluated: Single Scale Method (SSM), Simple Upscaling Method (SUM), Scale-Bridging Method (SBM), and Fully Resolved Model (FRM). SSM, the simplest method, neglects microscale permeability and exhibited permeability values deviating by up to 150\% of the FRM model, which was taken as ground truth at an equivalent lower fiber volume content. SUM improved predictions by considering uniform microscale permeability, yielding closer values under similar conditions, but still lacked structural variability. The SBM method, incorporating segment-based microscale permeability assignments, showed significant enhancements, achieving almost equivalent values while maintaining computational efficiency and modeling runtimes of ~45 minutes per simulation. In contrast, FRM, which provides the highest fidelity by fully resolving microscale and mesoscale geometries, required up to 270 times more computational time than SSM, with model files exceeding 300 GB. Additionally, a hybrid dual-scale solver incorporating PINNs has been developed and shows the potential to overcome generalization errors and the problem of data scarcity of the data-driven surrogate approaches. The hybrid framework advances permeability modelling by balancing computational cost and prediction reliability, laying the foundation for further applications in fibrous composite manufacturing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google