Data-Driven Discovery of Composition-Dependent Constitutive Models for Hyperelasticity and Viscoelasticity of Digital Materials
작성자
카테고리
Empty
저자
Josue Garcia-Avila (Department of Mechanical Engineering, Columbia University, New York City, USA), Beijun Shen (Department of Mechanical Engineering, Columbia University, New York City, USA), Manuel K. Rausch (Department of Aerospace Engineering and Engineering Mechanics, University of Texas at Austin, Austin, USA, Department of Biomedical Engineering, University of Texas at Austin, Austin, USA, Department of Mechanical Engineering, University of Texas at Austin, Austin, USA), Mary C. Boyce (Department of Mechanical Engineering, Columbia University, New York City, USA), Adrian Buganza-Tepole (Department of Mechanical Engineering, Columbia University, New York City, USA)
💡 개요
본 연구는 3D 프린팅으로 제작된 다중 재료 디지털 재료의 복잡한 거동을 설명하기 위해 데이터 기반의 구성 모델링 프레임워크를 제안합니다. 제안된 방법은 기존의 고전적인 유한 변형 점탄성 모델의 구조를 유지하면서, 신경망을 활용하여 재료 구성 및 하중 속도에 따른 유효 강성, 비선형성, 소산 거동을 데이터로부터 직접 학습하고 예측합니다. 이를 통해 재료 구성 및 하중 속도 전반에 걸쳐 일반화 가능한 구성 모델을 성공적으로 개발하고 열역학적 일관성을 유지함을 입증합니다.
🔑 시사점 및 한계
•
다중 재료 3D 프린팅으로 제작된 디지털 재료의 복잡하고 예측하기 어려운 거동을 데이터 기반으로 효율적으로 모델링할 수 있는 일반화된 프레임워크를 제시합니다.
•
기존의 경험적 모델링 한계를 극복하고, 재료 구성 및 하중 속도에 따른 다양한 비선형 및 소산 특성을 열역학적으로 일관되게 포착하는 능력은 신소재 설계 및 예측에 크게 기여할 수 있습니다.
•
제안된 방법론은 추가적인 실험 데이터를 통해 검증될 필요가 있으며, 더 복잡한 하중 조건이나 다축 거동에 대한 일반화 가능성은 향후 연구 과제입니다.