In this work, it is proposed a machine learning-based constitutive model to predict elasto-plastic behavior for metal plasticity. An artificial neural network (ANN) model is used for machine learning, and the conventional theoretical constitutive model composed of J2 plasticity, isotropic hardening model, and associated flow rule was replaced. Furthermore, the proposed ANN-based constitutive model is a problem-independent model, which is applicable to arbitrary sheet metal forming simulation. For the problem-independent generality of the proposed ANN-based model, sufficient amount of training data are required where the dataset should represent the constitutive relation of the targeted material. In this work, a training dataset suitable for the aforementioned requirement was investigated. In addition, in order to reduce the size of the training dataset, the return mapping scheme in principal stress space was employed. Before training an ANN-based model, a case study on neural architectures was performed, and then the ANN-based model was implemented on User MATerial interface (UMAT) for a commercial FE code (ABAQUS2016/STANDARD). The accuracy of the ANN-based model was verified with two types of finite element simulations: single element simulation under three typical loading paths and dog-bone tensile test simulation. The simulation results predicted from the ANN-based constitutive model show a good agreement with those from the conventional theoretical constitutive model. Finally, the proposed ANN-based constitutive model was applied for circular cup drawing simulation. The cup profiles predicted from the conventional theoretical model and the proposed ANN-based model show a good agreement. In terms of computational cost, the ANN-based model shows better computational efficiency than the conventional theoretical constitutive model.
본 연구에서는 금속재료의 탄소성 거동 예측을 위한 머신러닝 기반 구성 모델을 제안 및 개발하였다. 머신러닝 기법을 위해 인공신경망 모델을 사용하였으며, J2 소성학, 등방성 경화 모델, 관계 유동 법칙으로 구성된 기존의 이론적인 구성 모델의 대안을 제시하였다. 또한, 개발된 인공 신경망 기반 구성 모델은 임의의 판재 성형 해석에 적용 가능한 문제 비의존적 모델이다. 인공 신경망 기반 모델을 문제 비의존적으로 만들기 위해서는 충분한 양의 학습데이터가 필요하며, 정량적인 측면뿐만 아니라 정성적으로도 재료의 구성 관계를 충분히 대변할 수 있어야 한다. 본 연구에서는 이러한 조건에 적합한 학습 데이터셋을 조사하였다. 또한, 학습 데이터셋의 크기를 줄이기 위해 주응력 공간에서의 return mapping법이 사용되었다. 인공 신경망 기반 모델의 학습에 앞서, 신경망 아키텍처에 대한 사례 연구를 수행하였으며, 학습이 완료된 후 인공 신경망 기반 모델은 상용 유한요소 코드 (ABAQUS2016/STANDARD User MATerial interface) 상에서 구현되었다. 유효성 검증의 목적으로, 세개의 하중 경로 하에서 단일 요소 해석과 dog-bone 인장시험 해석을 수행하였다. 마지막으로, 인공 신경망 기반 모델을 컵드로잉 해석에 적용하였다. 기존의 이론적인 모델과 인공 신경망 기반 모델로부터 예측된 컵 높이 프로파일 결과는 잘 일치하였으며, 계산 비용 측면에서는 인공 신경망 기반 모델이 이론적인 모델보다 효율적임을 확인하였다.
