KR102558357B1 - Apparatus and method of estimating mechanical property of material using deep learning model - Google Patents
Apparatus and method of estimating mechanical property of material using deep learning model Download PDFInfo
- Publication number
- KR102558357B1 KR102558357B1 KR1020210157508A KR20210157508A KR102558357B1 KR 102558357 B1 KR102558357 B1 KR 102558357B1 KR 1020210157508 A KR1020210157508 A KR 1020210157508A KR 20210157508 A KR20210157508 A KR 20210157508A KR 102558357 B1 KR102558357 B1 KR 102558357B1
- Authority
- KR
- South Korea
- Prior art keywords
- deep learning
- learning model
- load
- mechanical properties
- model
- Prior art date
Links
- 239000000463 material Substances 0.000 title claims abstract description 77
- 238000013136 deep learning model Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims description 20
- 238000006073 displacement reaction Methods 0.000 claims abstract description 39
- 238000007373 indentation Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000013075 data extraction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 4
- 230000000704 physical effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims 2
- 239000000284 extract Substances 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 3
- 238000012886 linear function Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- UONOETXJSWQNOL-UHFFFAOYSA-N tungsten carbide Chemical compound [W+]#[C-] UONOETXJSWQNOL-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/40—Investigating hardness or rebound hardness
- G01N3/42—Investigating hardness or rebound hardness by performing impressions under a steady load by indentors, e.g. sphere, pyramid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/02—Details
- G01N3/06—Special adaptations of indicating or recording means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0058—Kind of property studied
- G01N2203/0069—Fatigue, creep, strain-stress relations or elastic constants
- G01N2203/0075—Strain-stress relations or elastic constants
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0058—Kind of property studied
- G01N2203/0076—Hardness, compressibility or resistance to crushing
- G01N2203/0078—Hardness, compressibility or resistance to crushing using indentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/0202—Control of the test
- G01N2203/0212—Theories, calculations
- G01N2203/0216—Finite elements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/06—Indicating or recording means; Sensing means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
본 발명의 일 실시 형태에 따른 딥러닝 모델을 이용한 재료의 기계적 물성 추정 장치는 압입자를 이용하여 재료의 하중-변위 데이터를 획득하는 압입 시험기와, 획득된 하중-변위 데이터로부터 유효 데이터를 추출하는 유효 데이터 추출부와, 추출된 유효 데이터를 기 학습된 딥러닝 모델에 입력하여 재료의 진응력-진변형률을 구하기 위한 소성 모델의 파라미터를 추출하는 파라미터 추출부를 포함할 수 있다.An apparatus for estimating mechanical properties of a material using a deep learning model according to an embodiment of the present invention may include an indentation tester that obtains load-displacement data of a material using an indenter, an effective data extractor that extracts valid data from the obtained load-displacement data, and a parameter extractor that extracts parameters of a plastic model for obtaining true stress-true strain of a material by inputting the extracted effective data into a pre-learned deep learning model.
Description
본 출원은, 딥러닝 모델을 이용한 재료의 기계적 물성 추정 장치 및 방법에 관한 것이다.This application relates to an apparatus and method for estimating mechanical properties of materials using a deep learning model.
계장화 압입시험은 재료공학 분야에서 재료의 기계적 물성을 얻어낼 수 있는 비파괴 시험의 한 방법으로, 별다른 시편 준비과정 없이 압입 과정 동안 연속적인 하중과 변형률 데이터를 측정할 수 있다. The instrumented indentation test is a non-destructive test method that can obtain the mechanical properties of materials in the field of material engineering. Continuous load and strain data can be measured during the indentation process without any special specimen preparation process.
이러한 압입 시험을 이용하여 재료의 국부적인 영역에서의 소성 변형 중 하중 및 변형률 데이터를 토대로 재료의 진응력-진변형률 곡선을 도출하고자 하고자 하는 연구가 진행되고 있다.Research is being conducted to derive a true stress-true strain curve of a material based on load and strain data during plastic deformation in a local area of the material using this indentation test.
본 발명의 일 실시 형태에 의하면, 재료의 기계적 물성을 수초 이내에 빠르고 정확하게 구할 수 있는 딥러닝 모델을 이용한 재료의 기계적 물성 추정 장치 및 방법을 제공한다.According to one embodiment of the present invention, an apparatus and method for estimating mechanical properties of a material using a deep learning model capable of quickly and accurately obtaining the mechanical properties of a material within a few seconds are provided.
본 발명의 일 실시 형태에 의하면, 압입자를 이용하여 재료의 하중-변위 데이터를 획득하는 압입 시험기; 획득된 상기 하중-변위 데이터로부터 유효 데이터를 추출하는 유효 데이터 추출부; 및 추출된 상기 유효 데이터를 기 학습된 딥러닝 모델에 입력하여 상기 재료의 진응력-진변형률을 구하기 위한 소성 모델의 파라미터를 추출하는 파라미터 추출부;를 포함하는, 딥러닝 모델을 이용한 재료의 기계적 물성 추정 장치가 제공된다.According to one embodiment of the present invention, an indentation tester for obtaining load-displacement data of a material using an indenter; a valid data extractor extracting valid data from the obtained load-displacement data; and a parameter extractor configured to input the extracted valid data into a pre-learned deep learning model to extract parameters of a plastic model for obtaining the true stress-true strain of the material. An apparatus for estimating mechanical properties of a material using a deep learning model is provided.
본 발명의 일 실시 형태에 의하면, 압입 시험기에서, 압입자를 이용하여 재료의 하중-변위 데이터를 획득하는 제1 단계; 유효 데이터 추출부에서, 획득된 상기 하중-변위 데이터로부터 유효 데이터를 추출하는 제2 단계; 및 파라미터 추출부에서, 추출된 상기 유효 데이터를 기 학습된 딥러닝 모델에 입력하여 상기 재료의 진응력-진변형률을 구하기 위한 소성 모델의 파라미터를 추출하는 제3 단계;를 포함하는, 딥러닝 모델을 이용한 재료의 기계적 물성 추정 방법이 제공된다.According to one embodiment of the present invention, in an indentation tester, a first step of obtaining load-displacement data of a material using an indenter; a second step of extracting valid data from the obtained load-displacement data in a valid data extraction unit; And a third step of inputting the extracted valid data into a pre-learned deep learning model in a parameter extractor to extract parameters of a plastic model for obtaining true stress-true strain of the material; A method for estimating mechanical properties of a material using a deep learning model is provided.
본 발명의 일 실시 형태에 의하면, 압입자를 이용하여 획득된 하중-변위 데이터를 기 학습된 딥러닝 모델에 입력하여 소성 모델의 파라미터를 추출함으로써, 재료의 기계적 물성을 수초 이내에 빠르고 정확하게 구할 수 있다.According to an embodiment of the present invention, by inputting load-displacement data obtained using an indenter into a pre-learned deep learning model and extracting parameters of a plasticity model, mechanical properties of a material can be quickly and accurately obtained within a few seconds.
도 1은 본 발명의 일 실시 형태에 따른 딥러닝 모델을 이용한 재료의 기계적 물성 추정 장치의 블록도이다.
도 2는 본 발명의 일 실시 형태에 따른 유효 데이터를 추출하기 위한 피팅 함수를 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시 형태에 따른 지도 학습 기반의 인공 신경망 모델을 설명하는 도면이다.
도 4는 본 발명의 일 실시 형태에 따라 도출된 진응력-진변형률 곡선을 도시한 도면이다.
도 5는 본 발명의 일 실시 형태에 따른 딥러닝 모델을 이용한 재료의 기계적 물성 추정 방법을 설명하는 흐름도이다.1 is a block diagram of an apparatus for estimating mechanical properties of materials using a deep learning model according to an embodiment of the present invention.
2 is a diagram for explaining a fitting function for extracting valid data according to an embodiment of the present invention.
3 is a diagram illustrating an artificial neural network model based on supervised learning according to an embodiment of the present invention.
4 is a diagram illustrating a true stress-true strain curve derived according to an embodiment of the present invention.
5 is a flowchart illustrating a method of estimating mechanical properties of a material using a deep learning model according to an embodiment of the present invention.
이하, 첨부된 도면을 참조하여 본 발명의 실시형태를 설명한다. 그러나 본 발명의 실시형태는 여러 가지의 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명하는 실시형태로만 한정되는 것은 아니다. 도면에서의 요소들의 형상 및 크기 등은 더욱 명확한 설명을 위해 과장될 수 있으며, 도면상의 동일한 부호로 표시되는 요소는 동일한 요소이다. Hereinafter, embodiments of the present invention will be described with reference to the accompanying drawings. However, the embodiments of the present invention can be modified in many different forms, and the scope of the present invention is not limited only to the embodiments described below. The shapes and sizes of elements in the drawings may be exaggerated for clearer explanation, and elements indicated by the same reference numerals in the drawings are the same elements.
도 1은 본 발명의 일 실시 형태에 따른 딥러닝 모델을 이용한 재료의 기계적 물성 추정 장치의 블록도이다.1 is a block diagram of an apparatus for estimating mechanical properties of materials using a deep learning model according to an embodiment of the present invention.
우선, 도 1에 도시된 바와 같이, 본 발명의 일 실시 형태에 따른 딥러닝 모델을 이용한 재료의 기계적 물성 추정 장치(100)는, 압입 시험기(110), 유효 데이터 추출부(120), 파라미터 추출부(130), 딥러닝 모델(140) 및 디스플레이부(150)를 포함하여 구성될 수 있다.First, as shown in FIG. 1, an
구체적으로, 압입 시험기(110)는 압입자를 이용하여 재료의 하중-변위 데이터를 획득할 수 있다. 압입자는 반경 250㎛의 구형(spherical) 텅스텐 카바이드 압입자를 사용하였으며, 압입 시험기(110)는 만능 시험기(UTM: Model 302, R&B Co., Korea)를 사용하였다. Specifically, the
상술한 재료는 5×5㎠의 넓이 및 약 1 mm 두께의 사각 시편이며, 사각 시편의 상단 및 하단 표면의 오염을 제거하기 위해 600, 800, 그리고 1200방 사포를 통해 연마하였다.The above-described material is a rectangular specimen having an area of 5 × 5 cm 2 and a thickness of about 1 mm, and was polished with 600, 800, and 1200 grit sandpaper to remove contamination of the upper and lower surfaces of the rectangular specimen.
한편, 본 발명의 일 실시 형태에 의하면, 재료의 소성 구간에서의 변형 거동만을 고려하기 위해 재료의 두께 대비 기 설정된 비율까지 재료를 압입하면서 하중-변위 데이터를 획득하였다. 이러한 기 설정된 비율은 재료의 물성에 따라 결정될 수 있다. 본 발명에서 기 설정된 비율은 구형 압입자의 반지름 대비 5% 내지 15% 사이의 값으로 설정하였다.On the other hand, according to one embodiment of the present invention, in order to consider only the deformation behavior in the plastic section of the material, load-displacement data was obtained while press-fitting the material up to a predetermined ratio to the thickness of the material. This preset ratio may be determined according to physical properties of the material. In the present invention, the predetermined ratio was set to a value between 5% and 15% of the radius of the spherical indenter.
유효 데이터 추출부(120)는 획득된 하중-변위 데이터로부터 유효 데이터를 추출할 수 있다. 추출된 유효 데이터는 후술하는 파라미터 추출부(130)로 전달될 수 있다.The
여기서, 유효 데이터는 획득된 하중-변위 데이터를 기 정해진 피팅 함수로 피팅하여 얻은 상수, 특정 압입 깊이별(예: 100㎛, 200㎛, 300㎛ 등) 획득한 복수개의 하중-변위 데이터 및 피팅 함수의 면적을 포함할 수 있다.Here, the effective data may include a constant obtained by fitting the obtained load-displacement data with a predetermined fitting function, a plurality of load-displacement data obtained for each specific indentation depth (eg, 100 μm, 200 μm, 300 μm, etc.), and the area of the fitting function.
도 2는 본 발명의 일 실시 형태에 따른 유효 데이터를 추출하기 위한 피팅 함수를 설명하기 위한 도면이다.2 is a diagram for explaining a fitting function for extracting valid data according to an embodiment of the present invention.
도 2에 도시된 바와 같이, 하중-변위 데이터(201)는 하기 수학식 1과 같은 1차 함수(200)로 피팅될 수 있다. 도 2에서 S는 피팅 함수(200)의 면적으로, 에너지를 고려하기 위함이며, 기 정해진 하중(X1) 이하에서의 면적일 수 있다.As shown in FIG. 2 , load-
[수학식 1][Equation 1]
Y = aX + bY = aX + b
수학식 1에서, X는 변위, Y는 하중, a 및 b는 상수일 수 있다. In Equation 1, X may be displacement, Y may be load, and a and b may be constants.
본 발명에서는 피팅 함수로 1차 함수를 예시하고 있으나, 당업자의 필요에 따라서는 2차 이상의 함수를 사용할 수도 있음은 물론이다.In the present invention, a linear function is exemplified as a fitting function, but it goes without saying that a quadratic or higher function may be used according to the needs of those skilled in the art.
한편, 파라미터 추출부(130)는 추출된 유효 데이터를 기 학습된 딥러닝 모델(140)에 입력하여 재료의 진응력-진변형률을 구하기 위해 하기 수학식 2에 따른 소성 모델의 파라미터를 추출할 수 있다. 본 발명에서 상술한 소성 모델은 변형된 Swift 소성 모델로 지칭될 수 있다.Meanwhile, the
[수학식 2][Equation 2]
여기서 σ는 진응력, ε은 진변형률, K, n은 재료의 강화 상수, m은 변형률 민감도, 는 상수일 수 있다.where σ is the true stress, ε is the true strain, K, n is the stiffness constant of the material, m is the strain sensitivity, may be a constant.
한편, 상술한 딥러닝 모델(140)은 지도 학습 기반의 인공 신경망 모델일 수 있다.Meanwhile, the above-described
구체적으로, 도 3은 본 발명의 일 실시 형태에 따른 지도 학습 기반의 인공 신경망 모델(300)을 설명하는 도면이다.Specifically, FIG. 3 is a diagram illustrating an artificial neural network model 300 based on supervised learning according to an embodiment of the present invention.
도 3에 도시된 바와 같이, 지도 학습 기반의 인공 신경망 모델(300)은 제1 ANN(Artificial Neural Network)부(310), 제2 ANN(Artificial Neural Network)부(320)를 포함한다.As shown in FIG. 3 , the artificial neural network model 300 based on supervised learning includes a first Artificial Neural Network (ANN) unit 310 and a second Artificial Neural Network (ANN) unit 320 .
인공 신경망 모델(300)은 입력층(x1, x2, ..., xN)과 출력층(z1, z2,...,zN)을 같도록 구성한 후, 중간에 스위프트 스페이스(Swift Space)(330)를 적재하고 스위프트 스페이스(330)를 기준으로 좌우 대칭이 되도록 한다. The artificial neural network model 300 configures the input layer (x 1 , x 2 , ..., x N ) and the output layer (z 1 , z 2 , ..., z N ) to be the same, and then loads the Swift Space 330 in the middle and makes it symmetrical with respect to the Swift Space 330.
제1 ANN부(310)는 입력층(x1, x2, ..., xN)을 통해 입력된 입력 데이터의 차원 축소를 통해 스위프트 스페이스(330)의 노드값인 출력 데이터로 변화시키고, 제2 ANN부(320)는 스위프트 스페이스(330)의 노드값인 출력 데이터를 다시 원래 값으로 복원한다.The first ANN unit 310 transforms the input data input through the input layer (x 1 , x 2 , ..., x N ) into output data that are node values of the Swift space 330 through dimensionality reduction, and the second ANN unit 320 restores the output data, which is the node value of the Swift space 330, back to its original value.
상술한 지도 학습 기반의 인공 신경망 모델(300)의 동작은 오토인코더(autoencoder)의 동작과 동일하며, 여기서는 상세하게 설명하지 않는다. The operation of the above-described artificial neural network model 300 based on supervised learning is the same as that of an autoencoder, and will not be described in detail herein.
본 발명에서 제1 ANN부(310)는 'Identatation-Swift first ANN part'로, 제2 ANN부(320)는 'Identatation-Swift second ANN part'로도 지칭될 수 있다. 제1 ANN부(310)와 제2 ANN부(320) 내부에는 복수개의 은닉층이 존재할 수 있음은 물론이다.In the present invention, the first ANN unit 310 may be referred to as an 'Identatation-Swift first ANN part', and the second ANN unit 320 may be referred to as an 'Identatation-Swift second ANN part'. Of course, a plurality of hidden layers may exist inside the first ANN unit 310 and the second ANN unit 320 .
상술한 딥러닝 모델의 학습을 위한 트레이닝 세트는, 유한 요소 해석을 통해 구한, 피팅 함수의 상수, 특정 압입 깊이별 획득한 하중-변위 데이터 및 피팅 함수의 면적을 포함하는 입력 데이터와 소성 모델의 파라미터를 포함하는 출력 데이터를 포함할 수 있다.The training set for learning the deep learning model described above may include input data including the constant of the fitting function obtained through finite element analysis, load-displacement data obtained for each specific indentation depth, and the area of the fitting function, and output data including parameters of the plastic model.
마지막으로, 디스플레이부(150)는 추출된 소성 모델을 재료의 진응력-진변형률 곡선으로 디스플레이할 수 있다. Finally, the
도 4는 본 발명의 일 실시 형태에 따라 도출된 진응력-진변형률 곡선을 도시한 도면으로, AISI316 스테인레스에 대한 실제 진응력-진변형률 곡선(401)과, 본 발명의 일 실시 형태에 따라 다양한 압입 속도에서의 구한 진응력-진변형률 곡선(402 내지 404)로, 도면부호 402는 0.6 mm/min의 압입 속도, 도면부호 403은 0.9 mm/min의 압입 속도, 도면부호 404은 1.2 mm/min의 압입 속도에서 구한 진응력-진변형률 곡선이다.FIG. 4 is a diagram showing true stress-true strain curves derived according to an embodiment of the present invention. The actual true stress-true strain curve 401 for AISI316 stainless steel and the true stress-true strain curves 402 to 404 obtained at various indentation speeds according to one embodiment of the present invention. An indentation speed of mm/min, reference numeral 404 is a true stress-true strain curve obtained at an indentation speed of 1.2 mm/min.
상술한 바와 같이, 본 발명의 일 실시 형태에 의하면, 압입자를 이용하여 획득된 하중-변위 데이터를 기 학습된 딥러닝 모델에 입력하여 소성 모델의 파라미터를 추출함으로써, 재료의 기계적 물성을 수초 이내에 빠르고 정확하게 구할 수 있다.As described above, according to an embodiment of the present invention, mechanical properties of a material can be quickly and accurately obtained within seconds by extracting parameters of a plasticity model by inputting load-displacement data obtained using an indenter into a pre-learned deep learning model.
한편, 도 5는 본 발명의 일 실시 형태에 따른 딥러닝 모델을 이용한 재료의 기계적 물성 추정 방법을 설명하는 흐름도이다.Meanwhile, FIG. 5 is a flowchart illustrating a method of estimating mechanical properties of a material using a deep learning model according to an embodiment of the present invention.
이하, 도 1 내지 도 5를 참조하여 본 발명의 일 실시 형태에 따른 딥러닝 모델을 이용한 재료의 기계적 물성 추정 방법을 상세하게 설명한다. 다만, 발명의 간명화를 위해 도 1 내지 도 4에서 기설명된 내용과 중복된 사항에 대한 설명은 생략하기로 한다.Hereinafter, a method for estimating mechanical properties of a material using a deep learning model according to an embodiment of the present invention will be described in detail with reference to FIGS. 1 to 5 . However, for the sake of simplicity of the invention, descriptions of items overlapping with those previously described in FIGS. 1 to 4 will be omitted.
도 1 내지 도 5에서 도시된 바와 같이, 본 발명의 일 실시 형태에 따른 딥러닝 모델을 이용한 재료의 기계적 물성 추정 방법은 압입 시험기(110)에서 압입자를 이용하여 재료의 하중-변위 데이터를 획득하는 단계(S501)에 의해 개시될 수 있다. 획득된 재료의 하중-변위 데이터는 유효 데이터 추출부(120)로 전달될 수 있다.As shown in FIGS. 1 to 5, the method for estimating mechanical properties of a material using a deep learning model according to an embodiment of the present invention uses an indenter in the
본 발명에서 압입자는 구형 압입자이며, 상술한 단계 S501은 재료의 소성 구간에서의 변형 거동을 고려하기 위해 재료의 두께 대비 기 설정된 비율까지 재료를 압입하면서 하중-변위 데이터를 획득할 수 있으며, 기 설정된 비율은 재료의 물성에 따라 결정될 수 있음은 상술한 바와 같다. 본 발명에서 기 설정된 비율은 구형 압입자의 반지름 대비 5% 내지 15% 사이의 값으로 설정하였다.In the present invention, the indenter is a spherical indenter, and in the above-described step S501, load-displacement data may be acquired while indenting the material up to a predetermined ratio to the thickness of the material in order to consider the deformation behavior in the plastic section of the material, and the predetermined ratio may be determined according to the physical properties of the material as described above. In the present invention, the predetermined ratio was set to a value between 5% and 15% of the radius of the spherical indenter.
상술한 소성 모델은 변형된 Swift 소성 모델로 지칭될 수 있으며, 상술한 수학식 2에서 서술된 바와 같다.The above-described plasticity model may be referred to as a modified Swift plasticity model, as described in Equation 2 above.
또한, 상술한 딥러닝 모델(140)은 지도 학습 기반의 인공 신경망 모델일 수 있으며, 딥러닝 모델의 학습을 위한 트레이닝 세트는, 유한 요소 해석을 통해 구한, 피팅 함수의 상수, 특정 압입 깊이별 획득한 하중-변위 데이터 및 피팅 함수의 면적을 포함하는 입력 데이터와 소성 모델의 파라미터를 포함하는 출력 데이터를 포함할 수 있음은 상술한 바와 같다.In addition, the above-described
다음, 유효 데이터 추출부(120)는 획득된 하중-변위 데이터로부터 유효 데이터를 추출할 수 있다(S502). 추출된 유효 데이터는 파라미터 추출부(130)로 전달될 수 있다.Next, the
상술한 유효 데이터는 획득된 하중-변위 데이터를 기 정해진 피팅 함수로 피팅하여 얻은 상수, 특정 압입 깊이별(예: 100㎛, 200㎛, 300㎛ 등) 획득한 복수개의 하중-변위 데이터 및 피팅 함수의 면적을 포함할 수 있음은 상술한 바와 같다.The above-described effective data may include a constant obtained by fitting the obtained load-displacement data with a predetermined fitting function, a plurality of load-displacement data obtained for each specific indentation depth (eg, 100 μm, 200 μm, 300 μm, etc.), and the area of the fitting function.
또한, 상술한 피팅 함수는 1차 함수를 예시하고 있으나, 당업자의 필요에 따라서는 2차 이상의 함수를 사용할 수도 있음은 상술한 바와 같다.In addition, although the above-described fitting function exemplifies a first-order function, it is as described above that a second-order or higher-order function may be used according to the needs of those skilled in the art.
마지막으로, 파라미터 추출부(130)는 추출된 유효 데이터를 기 학습된 딥러닝 모델에 입력하여 재료의 진응력-진변형률을 구하기 위한 소성 모델의 파라미터를 추출할 수 있다(S503). Finally, the
이후, 디스플레이부(150)는 추출된 소성 모델을 재료의 진응력-진변형률 곡선으로 디스플레이할 수 있다. Thereafter, the
상술한 바와 같이, 본 발명의 일 실시 형태에 의하면, 압입자를 이용하여 획득된 하중-변위 데이터를 기 학습된 딥러닝 모델에 입력하여 소성 모델의 파라미터를 추출함으로써, 재료의 기계적 물성을 수초 이내에 빠르고 정확하게 구할 수 있다.As described above, according to an embodiment of the present invention, mechanical properties of a material can be quickly and accurately obtained within seconds by extracting parameters of a plasticity model by inputting load-displacement data obtained using an indenter into a pre-learned deep learning model.
상술한 본 발명의 일 실시 형태에 따른 딥러닝 모델을 이용한 재료의 기계적 물성 추정 방법은 컴퓨터에서 실행되기 위한 프로그램으로 제작되어 컴퓨터가 읽을 수 있는 기록 매체에 저장될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 상기 방법을 구현하기 위한 기능적인(function) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.The above-described method for estimating mechanical properties of a material using a deep learning model according to an embodiment of the present invention may be produced as a program to be executed on a computer and stored in a computer-readable recording medium. Examples of computer-readable recording media include ROM, RAM, CD-ROM, magnetic tape, floppy disk, and optical data storage devices. In addition, the computer-readable recording medium is distributed to computer systems connected through a network, so that computer-readable codes can be stored and executed in a distributed manner. In addition, functional programs, codes, and code segments for implementing the method can be easily inferred by programmers in the art to which the present invention belongs.
또한, 본 발명을 설명함에 있어, '~ 부'는 다양한 방식, 예를 들면 프로세서, 프로세서에 의해 수행되는 프로그램 명령들, 소프트웨어 모듈, 마이크로 코드, 컴퓨터 프로그램 생성물, 로직 회로, 애플리케이션 전용 집적 회로, 펌웨어 등에 의해 구현될 수 있다.In addition, in describing the present invention, '~ unit' may be implemented in various ways, for example, a processor, program instructions executed by the processor, software modules, microcodes, computer program products, logic circuits, application-specific integrated circuits, firmware, and the like.
본 발명은 상술한 실시형태 및 첨부된 도면에 의해 한정되지 아니한다. 첨부된 청구범위에 의해 권리범위를 한정하고자 하며, 청구범위에 기재된 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양한 형태의 치환, 변형 및 변경할 수 있다는 것은 당 기술분야의 통상의 지식을 가진 자에게 자명할 것이다.The present invention is not limited by the above-described embodiments and accompanying drawings. It is intended to limit the scope of rights by the appended claims, and it will be apparent to those skilled in the art that various forms of substitution, modification, and change can be made without departing from the technical spirit of the present invention described in the claims.
100: 기계적 물성 추정 장치
110: 압입 시험기
120: 유효 데이터 추출부
130: 파라미터 추출부
140: 딥러닝 모델
150: 디스플레이부
200: 피팅 함수
201: 하중-변위 데이터
300: 딥러닝 모델
310: 제1 ANN부
320: 제2 ANN
330: 은닉층100: mechanical property estimation device
110: indentation tester
120: valid data extraction unit
130: parameter extraction unit
140: deep learning model
150: display unit
200: fitting function
201: load-displacement data
300: deep learning model
310: First ANN part
320: second ANN
330: hidden layer
Claims (20)
획득된 상기 하중-변위 데이터로부터 유효 데이터를 추출하는 유효 데이터 추출부; 및
추출된 상기 유효 데이터를 기 학습된 딥러닝 모델에 입력하여 상기 재료의 진응력-진변형률을 구하기 위한 소성 모델의 파라미터를 추출하는 파라미터 추출부를 포함하며,
상기 유효 데이터는, 획득된 상기 하중-변위 데이터를 기 정해진 피팅 함수로 피팅하여 얻은 상수, 특정 압입 깊이별 획득한 하중-변위 데이터 및 상기 피팅 함수의 면적을 포함하고,
상기 딥러닝 모델의 학습을 위한 트레이닝 세트는, 유한 요소 해석을 통해 구한, 상기 피팅 함수의 상수, 특정 압입 깊이별 획득한 하중-변위 데이터 및 상기 피팅 함수의 면적을 포함하는 입력 데이터와 상기 소성 모델의 파라미터를 포함하는 출력 데이터를 포함하는, 딥러닝 모델을 이용한 재료의 기계적 물성 추정 장치.
an indentation tester that obtains load-displacement data of a material using an indenter;
a valid data extraction unit extracting valid data from the obtained load-displacement data; and
A parameter extraction unit extracting parameters of a plasticity model for obtaining true stress-true strain of the material by inputting the extracted effective data into a pre-learned deep learning model;
The effective data includes a constant obtained by fitting the obtained load-displacement data with a predetermined fitting function, load-displacement data obtained for each specific indentation depth, and an area of the fitting function,
The training set for learning the deep learning model includes input data including a constant of the fitting function obtained through finite element analysis, load-displacement data obtained for each specific indentation depth, and an area of the fitting function, And an apparatus for estimating mechanical properties of a material using a deep learning model, including output data including parameters of the plastic model.
상기 압입자는, 구형 압입자이며,
상기 압입 시험기는, 재료의 소성 구간에서의 변형 거동을 고려하기 위해 상기 재료의 두께 대비 기 설정된 비율까지 상기 재료를 압입하면서 상기 하중-변위 데이터를 획득하는, 딥러닝 모델을 이용한 재료의 기계적 물성 추정 장치.
According to claim 1,
The indenter is a spherical indenter,
The indentation tester acquires the load-displacement data while indenting the material up to a predetermined ratio to the thickness of the material in order to consider the deformation behavior in the plastic section of the material, using a deep learning model Mechanical property estimation device.
상기 기 설정된 비율은,
상기 재료의 물성에 따라 결정되는, 딥러닝 모델을 이용한 재료의 기계적 물성 추정 장치.
According to claim 2,
The preset ratio is,
An apparatus for estimating mechanical properties of a material using a deep learning model, which is determined according to the physical properties of the material.
상기 기 설정된 비율은,
상기 구형 압입자의 반지름 대비 5% 내지 15% 사이의 값인, 딥러닝 모델을 이용한 재료의 기계적 물성 추정 장치.
According to claim 2,
The preset ratio is,
An apparatus for estimating mechanical properties of materials using a deep learning model, which is a value between 5% and 15% compared to the radius of the spherical indenter.
상기 피팅 함수는, 하기 수학식:
Y = aX + b이며, 여기서, X는 변위, Y는 하중, a 및 b는 상수인, 딥러닝 모델을 이용한 재료의 기계적 물성 추정 장치.
According to claim 1,
The fitting function is expressed by the following equation:
Y = aX + b, where X is displacement, Y is load, and a and b are constants, a device for estimating mechanical properties of materials using deep learning models.
상기 소성 모델은, 하기 수학식:
이며, 여기서 σ는 진응력, ε는 진변형률, K, n은 상기 재료의 강화 상수, m은 변형률 민감도, 는 상수인, 딥러닝 모델을 이용한 재료의 기계적 물성 추정 장치.
According to claim 1,
The plasticity model has the following equation:
where σ is the true stress, ε is the true strain, K, n is the strengthening constant of the material, m is the strain sensitivity, is a constant, a device for estimating mechanical properties of materials using a deep learning model.
상기 딥러닝 모델은,
지도 학습 기반의 인공 신경망 모델인, 딥러닝 모델을 이용한 재료의 기계적 물성 추정 장치.
According to claim 1,
The deep learning model,
A device for estimating mechanical properties of materials using a deep learning model, an artificial neural network model based on supervised learning.
상기 기계적 물성 추정 장치는,
추출된 상기 소성 모델을 상기 재료의 진응력-진변형률 곡선으로 디스플레이하는 디스플레이부;
를 더 포함하는, 딥러닝 모델을 이용한 재료의 기계적 물성 추정 장치.
According to claim 1,
The mechanical property estimation device,
a display unit which displays the extracted plasticity model as a true stress-true strain curve of the material;
Further comprising, a device for estimating mechanical properties of materials using a deep learning model.
유효 데이터 추출부에서, 획득된 상기 하중-변위 데이터로부터 유효 데이터를 추출하는 제2 단계; 및
파라미터 추출부에서, 추출된 상기 유효 데이터를 기 학습된 딥러닝 모델에 입력하여 상기 재료의 진응력-진변형률을 구하기 위한 소성 모델의 파라미터를 추출하는 제3 단계를 포함하며,
상기 유효 데이터는, 획득된 상기 하중-변위 데이터를 기 정해진 피팅 함수로 피팅하여 얻은 상수, 특정 압입 깊이별 획득한 하중-변위 데이터 및 상기 피팅 함수의 면적을 포함하고,
상기 딥러닝 모델의 학습을 위한 트레이닝 세트는, 유한 요소 해석을 통해 구한, 상기 피팅 함수의 상수, 특정 압입 깊이별 획득한 하중-변위 데이터 및 상기 피팅 함수의 면적을 포함하는 입력 데이터와 상기 소성 모델의 파라미터를 포함하는 출력 데이터를 포함하는, 딥러닝 모델을 이용한 재료의 기계적 물성 추정 방법.
A first step of acquiring load-displacement data of a material using an indenter in an indentation tester;
a second step of extracting valid data from the obtained load-displacement data in a valid data extraction unit; and
A third step of extracting, in a parameter extraction unit, parameters of a plasticity model for obtaining the true stress-true strain of the material by inputting the extracted effective data into a pre-learned deep learning model;
The effective data includes a constant obtained by fitting the obtained load-displacement data with a predetermined fitting function, load-displacement data obtained for each specific indentation depth, and an area of the fitting function,
The training set for learning the deep learning model includes the input data including the constant of the fitting function, the load-displacement data obtained for each specific indentation depth, and the area of the fitting function, obtained through finite element analysis. A method for estimating mechanical properties of a material using a deep learning model, including output data including parameters of the plastic model.
상기 압입자는, 구형 압입자이며,
상기 제1 단계는, 재료의 소성 구간에서의 변형 거동을 고려하기 위해 상기 재료의 두께 대비 기 설정된 비율까지 상기 재료를 압입하면서 상기 하중-변위 데이터를 획득하는, 딥러닝 모델을 이용한 재료의 기계적 물성 추정 방법.
According to claim 11,
The indenter is a spherical indenter,
The first step is to acquire the load-displacement data while press-fitting the material to a predetermined ratio to the thickness of the material in order to consider the deformation behavior in the plastic section of the material, using a deep learning model. Estimation of mechanical properties of the material.
상기 기 설정된 비율은,
상기 재료의 물성에 따라 결정되는, 딥러닝 모델을 이용한 재료의 기계적 물성 추정 방법.
According to claim 12,
The preset ratio is,
A method for estimating mechanical properties of a material using a deep learning model, which is determined according to the physical properties of the material.
상기 기 설정된 비율은,
상기 구형 압입자의 반지름 대비 5% 내지 15% 사이의 값인, 딥러닝 모델을 이용한 재료의 기계적 물성 추정 방법.
According to claim 12,
The preset ratio is,
Method for estimating mechanical properties of a material using a deep learning model, which is a value between 5% and 15% compared to the radius of the spherical indenter.
상기 피팅 함수는, 하기 수학식:
Y = aX + b이며, 여기서, X는 변위, Y는 하중, a 및 b는 상수인, 딥러닝 모델을 이용한 재료의 기계적 물성 추정 방법.
According to claim 11,
The fitting function is expressed by the following equation:
Y = aX + b, where X is displacement, Y is load, and a and b are constants, a method for estimating mechanical properties of materials using deep learning models.
상기 소성 모델은, 하기 수학식:
이며, 여기서 σ는 진응력, ε는 진변형률, K, n은 상기 재료의 강화 상수, m은 변형률 민감도, 는 상수인, 딥러닝 모델을 이용한 재료의 기계적 물성 추정 방법.
According to claim 11,
The plasticity model has the following equation:
where σ is the true stress, ε is the true strain, K, n is the strengthening constant of the material, m is the strain sensitivity, is a constant, a method for estimating mechanical properties of materials using deep learning models.
상기 딥러닝 모델은,
지도 학습 기반의 인공 신경망 모델인, 딥러닝 모델을 이용한 재료의 기계적 물성 추정 방법.
According to claim 11,
The deep learning model,
A method for estimating mechanical properties of materials using a deep learning model, an artificial neural network model based on supervised learning.
상기 기계적 물성 추정 방법은,
추출된 상기 소성 모델을 상기 재료의 진응력-진변형률 곡선으로 디스플레이하는 단계;
를 더 포함하는, 딥러닝 모델을 이용한 재료의 기계적 물성 추정 방법.
According to claim 11,
The mechanical property estimation method,
displaying the extracted plastic model as a true stress-true strain curve of the material;
Method for estimating mechanical properties of materials using a deep learning model, further comprising a.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210157508A KR102558357B1 (en) | 2021-11-16 | 2021-11-16 | Apparatus and method of estimating mechanical property of material using deep learning model |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210157508A KR102558357B1 (en) | 2021-11-16 | 2021-11-16 | Apparatus and method of estimating mechanical property of material using deep learning model |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230071377A KR20230071377A (en) | 2023-05-23 |
| KR102558357B1 true KR102558357B1 (en) | 2023-07-21 |
Family
ID=86544804
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210157508A KR102558357B1 (en) | 2021-11-16 | 2021-11-16 | Apparatus and method of estimating mechanical property of material using deep learning model |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102558357B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102653061B1 (en) * | 2024-02-13 | 2024-04-01 | 국방과학연구소 | Method for obtaining equivalent stress vs. equivalent plastic stain curves of metallic material in which necking occurs during tensile test |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200249138A1 (en) * | 2017-10-16 | 2020-08-06 | Imprintec GmbH | Device and Method for Automatic Workpiece Inspection |
| WO2020263358A1 (en) | 2019-06-24 | 2020-12-30 | Nanyang Technological University | Machine learning techniques for estimating mechanical properties of materials |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08233713A (en) * | 1996-03-25 | 1996-09-13 | Shimadzu Corp | Method for indentation hardness testing |
| KR100418700B1 (en) * | 2001-07-23 | 2004-02-11 | 이형일 | Ball indenter based on FEA solutions for property evaluation |
| KR101407405B1 (en) | 2013-01-31 | 2014-06-17 | (주)프론틱스 | Yield strength and Tensile strength Calculation Method of strain-hardening metal using Instrumented Spherical Indentation Technique |
| KR101631747B1 (en) * | 2014-05-15 | 2016-06-20 | 한국표준과학연구원 | Measuring apparatus and method of elastic modulus for diagnosing material damages |
-
2021
- 2021-11-16 KR KR1020210157508A patent/KR102558357B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200249138A1 (en) * | 2017-10-16 | 2020-08-06 | Imprintec GmbH | Device and Method for Automatic Workpiece Inspection |
| WO2020263358A1 (en) | 2019-06-24 | 2020-12-30 | Nanyang Technological University | Machine learning techniques for estimating mechanical properties of materials |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102653061B1 (en) * | 2024-02-13 | 2024-04-01 | 국방과학연구소 | Method for obtaining equivalent stress vs. equivalent plastic stain curves of metallic material in which necking occurs during tensile test |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230071377A (en) | 2023-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Radzieński et al. | Improvement of damage detection methods based on experimental modal parameters | |
| Gates et al. | Multiaxial variable amplitude fatigue life analysis including notch effects | |
| Chen et al. | A polynomial based dynamic expansion and data consistency assessment and modification for cylindrical shell structures | |
| Photiou et al. | On the conical indentation response of elastic auxetic materials: effects of Poisson's ratio, contact friction and cone angle | |
| Singh et al. | Detection and localisation of multiple cracks in a shaft system: An experimental investigation | |
| Charleux et al. | A method for measuring the contact area in instrumented indentation testing by tip scanning probe microscopy imaging | |
| Kumar et al. | Crack detection near the ends of a beam using wavelet transform and high resolution beam deflection measurement | |
| KR102558357B1 (en) | Apparatus and method of estimating mechanical property of material using deep learning model | |
| Liu et al. | Crack initiation and growth in PBX 9502 high explosive subject to compression | |
| Zhu et al. | Damage identification using time series analysis and sparse regularization | |
| Tjirkallis et al. | Damage detection under varying environmental and operational conditions using Wavelet Transform Modulus Maxima decay lines similarity | |
| Tonazzi et al. | Estimation of the normal contact stiffness for frictional interface in sticking and sliding conditions | |
| Xu et al. | Model-free nonlinear restoring force identification for SMA dampers with double Chebyshev polynomials: approach and validation | |
| Zhang et al. | Identification of plastic properties from conical indentation using a bayesian-type statistical approach | |
| Roy et al. | Damage localisation in thin plates using the inverse finite element method | |
| Zhang et al. | Characterization of plastically compressible solids via spherical indentation | |
| Guo et al. | A modified method for hardness determination from nanoindentation experiments with imperfect indenters | |
| Lopes et al. | The axisymmetric frictional receding contact of a layer pressed against a half-space by pressure outside a disk | |
| Kaul | Crack diagnostics in beams using wavelets, kurtosis and skewness | |
| Cao et al. | Output-only damage identification using enhanced structural characteristic deflection shapes and adaptive gapped smoothing method | |
| Rinn et al. | Stochastic method for in-situ damage analysis | |
| Choudhury et al. | Predicting crack in a beam-like structure through an over fitting verified regression model | |
| Santos et al. | Strain-based dynamic measurements and modal testing | |
| Drieschner et al. | Analysis of polymorphic data uncertainties in engineering applications | |
| Witz et al. | Mechanical properties of crimped mineral wools: Identification from digital image correlation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |