판금 파단 예측용 일관성 순환 신경망(ConsRNN)을 Abaqus/Explicit VUMAT에 내장한 방법

Embedding Consistent Recurrent Neural Networks in Finite Element Simulations for Path-Dependent Damage Prediction

판금의 국소화(localisation) 물리를 유한요소해석(FEM) 솔버 안에서 학습된 대리모델로 재현하려면, 솔버의 변형률 증분 횟수와 무관하게 일관된 예측이 필요하다. 이 연구는 학습된 순환 신경망(RNN) 손상 기준을 Fortran으로 재구현해 Abaqus/Explicit VUMAT에 증분 단위로 내장했다. 두 구조를 비교했다. 기본 SimpleRNN은 증분 횟수가 늘수록 예측이 흔들려 내장 대상에서 제외됐다. 제안된 ConsRNN은 전이 함수를 설계해 변형률 경로를 세분화할수록 예측이 수렴하도록 했으며, 다중선형 경로에서는 SimpleRNN 대비 고정 해상도 정확도를 상당히 희생했다. 구조 규모 적용에서 내장된 ConsRNN은 고정된 강판의 요소 삭제를 제어해, 기존의 두 매개변수 파단 기준과 동일한 최대 하중과 최대 변위에 도달했다. 두 결과는 피크 이전에 요소가 삭제되지 않아 구성 경로가 같으므로 피크 이후 연화 구간에서만 갈라진다. 연구진은 명시적 FEM 솔버에 순환 대리모델을 내장할 때 이산화 일관성이 결정적 속성이라고 결론짓고, 비표준 전이를 가진 맞춤형 순환 셀을 구조 규모에서 내장한 첫 사례라고 보고했다.