Prediction of Mechanical Properties and Behavior of Polymer Matrix Composites Based on Machine Learning

기계학습에 기반한 고분자 복합수지의 기계적 물성 거동 예측

Research on polymer matrix composites with excellent molding processability and mechanical properties in the automotive field including hydrogen fuel cell electric vehicles is expanding to Computer-Aided Engineering (CAE) to support the design of materials with specific mechanical properties. CAE automation requires the prediction of the mechanical properties and behavior of materials. Unlike single materials, the mechanical properties prediction of polymer matrix composites is difficult to explain with formulas because the mechanical behavior is complicated to be explained only by the relationship between the matrix and the filler. In this study, the stress-strain curve according to the composition of polymer matrix composites, which was difficult to predict due to its sensitivity to large plastic deformation and composition, was predicted based on machine learning of the test data. The developed model finds a complex correlation between matrix and filler types and compositions, and predicts the total stress-strain curve meaningfully even in the absence of learned test data. It is expected that the material design AI system can be completed in the future based on the developed model that predicts the mechanical properties of polymer matrix composites even for the combination and composition that have not been learned.

수소연료전지자동차를 비롯한 자동차 분야에서 성형 가공성과 기계적 특성이 우수한 고분자 복합수지에 대한 연구는 특정 기계적 특성을 갖춘 재료의 설계지원을 위한 Computer-Aided Engineering (CAE)으로 확대되고 있다. CAE 자동화는 소재의 기계적 특성 및 거동 예측이 선행되어야 하는데, 고분자 복합수지의 기계적 물성 예측은 단일물질과 달리, 바탕재와 보강재 간의 관계로만 설명하기에는 물성 거동이 복잡하기에, 수식으로 설명하기 어렵다. 본 연구에서는 큰 소성 구간과 조성에 예민하여 예측이 어려웠던 고분자 복합수지의 조성에 따른 응력-변형률 선도를 데이터의 기계학습을 기반으로 예측하였다. 개발모델은 바탕재, 보강재 종류 및 조성간의 복잡한 상관관계를 찾아, 학습한 시험 데이터가 없는 조건에서도 전체 응력-변형률 곡선을 의미있게 예측한다. 학습하지 않은 조성과 구성에 대해서도 고분자 복합수지의 기계적 특성을 예측하는 개발 모델을 기반으로 향후 소재 설계 AI 시스템을 완성할 수 있을 것으로 기대한다.