MLP, GR, RBF 인공신경망을 이용한 분자 동역학 데이터 기반 초탄성 구성방정식 모델링 = Molecular Dynamics Data-driven Hyperelastic Constitutive Modeling Using MLP, GR, and RBF Models of Artificial Neural Network

다국어 초록 (Multilingual Abstract)

In this study, three neural network models are used to establish neural network constitutive models (NNCMs) for hyperelastic materials: multilayer perceptron neural network, generalized regression neural network, and radial basis function neural network (RBFNN). We focused on artificial neural network training of the dataset: full atomistic molecular dynamics simulation results. We obtained the optimal hyperparameters empirically for each neural network model to construct an optimal NNCM. The three models above were compared based on statistical error analysis. The results indicated that the RBFNN model had the highest accuracy in terms of the root-mean-square error, mean absolute error, and regression values. We applied the proposed NNCM model to data-driven computational mechanics to verify the proposed NNCM model, with the data-driven solver demonstrating superior performance of RBFNN-based NNCM over those of the other neural network models.

국문 초록 (Abstract)

본 연구에서는 다층 퍼셉트론 신경망(MLPNN), 일반화 회귀 신경(GRNN) 및 방사형 기저 함수 신경망(RBFNN)의 세 가지 다른 신경망 모델을 사용하여 초탄성 물질에 대한 신경망 구성방정식 모델(NNCM)을 구축하였다. 분자 동역학(MD) 데이터셋을 학습에 활용하였으며, 최적의 NNCM의 구축을 위해 경험적으로 최적의 하이퍼파라미터를 선정하였다. 위의 세 가지 모델을 통계적 오류 분석을 기반으로 비교하였다. 그 결과 RBFNN 모델이 RMSE, MAE 및 R 값 측면에서 다른 모델에 비해 더 적합하다는 것을 확인하였다. 제안된 NNCM 모델을 데이터 기반 전산역학(DDCM)에 적용하여 제안된 NNCM 모델의 성능을 비교하였다.