Finite element analysis has been extensively implemented numerical analysis methodology for a long time. However, in the case of analysing a large-scale structure with a nonlinear finite element method, computing cost drastically increases, which means maximizing the efficiency of the programme and vectorizing the overall process for parallel processing with hardware acceleration becomes essential. Furthermore, defining the constitutive model for new material with a complex stress-strain relationship based on experiments is challenging; implementing a machine learning algorithm can resolve the issue. This thesis presents an optimized Python-based nonlinear finite element analysis programme with a stochastic material model defined by the Gaussian process regressor. The overall process is decomposed into modules with vectorized Tensor library for seamless and intuitive machine learning integration. The analysis using the machine learning material model showed a corresponding structural response with a constitutive material model. Furthermore, the Python code with optimized structure using both CPU and GPUs for accelerated computation showed the drastic reduction of time of nonlinear layered finite element beam analysis. This suggested method is expected to shorten the processing time and reduce the hardware performance requirement of the programme while accurately simulating the real-world structural response of the large-scale structure with complex material behaviour.
유한요소해석은 다양한 분야에서 수치해석 방법으로 사용되었다. 대규모 구조물의 비선형 유한요소해석을 진행하는 경우, 필요 연산량이 급격하게 증가하며 해석 프로그램의 효율 증대, 벡터화를 이용한 병렬 처리 활용 및 하드웨어 가속이 중요한 고려 사항이 되었다. 아울러 해석을 위해 구성모델이 정의되어야 하는데 복잡한 응력 – 변형률 관계를 보이는 새로운 재료의 경우 실험을 통해 이를 정의하는 과정이 주요한 어려움으로 작용했으며, 기계학습 알고리즘으로 해당 문제를 해결하고자 한다. 이 연구에서는 파이썬에 최적화된 비선형 유한요소해석 프로그램을 개발하고 가우시안 프로세스로 정의한 확률적 재료모델 활용 방법을 제시하고자 한다. 해석 프로그램은 모듈 단위로 텐서를 이용한 벡터화를 진행했으며, 기계학습을 이용해 정의된 재료모델을 직관적이고 자연스럽게 이용하도록 하였다. 유한요소해석 결과 확률적 재료모델을 이용한 구조물의 거동은 기존 구성모델을 이용한 결과와 합치하는 결과를 보였다. 또한, 하드웨어 가속을 활용하는 최적화 된 파이썬 프로그램은 유한요소해석 시간을 대폭 줄이는 효과를 보였다. 이 연구를 통해 복잡한 특성의 재료를 이용한 대규모 구조물의 실제 거동을 예측하는 과정에서 전체 소요 시간을 단축하고, 요구 사양을 낮추는 효과를 기대할 수 있다.
