ディープニューラルネットワークを用いた光弾性CT法による3次元応力推定の精度向上

• Project/Area Number: 22K20398
• Research Category: Grant-in-Aid for Research Activity Start-up
• Allocation Type: Multi-year Fund
• Review Section: 0301:Mechanics of materials, production engineering, design engineering, fluid engineering, thermal engineering, mechanical dynamics, robotics, aerospace engineering, marine and maritime engineering, and related fields
• Research Institution: Gunma University
• Principal Investigator: 今井 健太郎 群馬大学, 大学院理工学府, 助教 (60966589)
• Project Period (FY): 2022-08-31 – 2025-03-31
• Project Status: Granted (Fiscal Year 2023)
• Budget Amount: ¥2,860,000 (Direct Cost: ¥2,200,000、Indirect Cost: ¥660,000); Fiscal Year 2023: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000); Fiscal Year 2022: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
• Keywords: 応力解析 / ディープニューラルネットワーク / 光弾性実験法

Outline of Research at the Start

非破壊かつ非接触で3次元応力分布を推定可能な、光弾性CT法の開発を目的とする。光弾性CT法は、応力テンソルの再構成が障害となり実現されてこなかったが、ディープニューラルネットワーク（DNN）を用いることでそれを克服し、実現を目指す。シミュレーションによるDNNモデルの構築と、検証実験を行う実験装置の製作を並行して進める。シミュレーション、実験および定量的な評価を繰り返すなかで、DNNモデル、実験方法、評価手法などを最適化し、応力分布の推定精度を向上させる。数学的、統計的な推定手法との組み合わせや、知能化技術等の導入も併せて検討する。

Outline of Annual Research Achievements

本研究の目的は，光弾性CT法を実用化することである．応力が作用している材料を光が透過すると，応力状態に応じて光の偏光状態が変化する．この性質（光弾性）を利用し，カメラで検出した偏光状態から２次元の応力分布を推定する手法が光弾性実験法である．光弾性CT法は，複数の方向から光弾性実験を実施し，それらの結果から3次元の応力分布を算出する．その実現のために，ディープニューラルネットワーク（DNN）を用いた推定モデルの構築と，実機実験による検証を繰り返し，精度よく応力分布を推定可能な手法の確立を目指す計画である．
DNNモデルを構築するためのプログラムを作成したが，推定精度には課題が残っていた．そこで，DNNの学習を効率よく行うため，学習データの改良に取り組んだ．従来は，市販の汎用有限要素法ソフトを使用してシミュレーションを行い，応力分布を出力して学習に用いていた．しかし，境界条件の設定やデータ処理を手動で行う必要があり，多数の条件でデータを用意するのが困難であった．そこで，有限要素法解析のプログラムを自作し，任意の学習データを効率よく用意する手法を構築した．現在，学習データやDNNの構造，各種パラメータを変更して，応力分布の推定精度を高める手法を模索している．一方で，DNNによる推定は物理法則による裏付けを持たないため，推定結果の信頼性には疑念がつきまとう．この点も考慮し，DNNのみに頼らず，他の推定手法と組み合わせたハイブリッドな推定手法についても検討を進めている．

Current Status of Research Progress

4: Progress in research has been delayed.

Reason

計画の変更が，当初より遅延している主な理由である．DNNの学習には，多量かつ多様な入力データおよび教師データが必要であり，当初は汎用有限要素法ソフトで計算した応力分布を用いる計画であった．これに対し，DNNの学習に使用しているプログラミング言語Pythonにより有限要素法を実施し，シームレスに応力データを取り込むことで効率化できると考え，有限要素法プログラムをPythonにて新規に開発した．現在，新たなシステムでDNNの推定精度を向上させる方法を研究中であるが，まだまだ推定精度を向上させる必要があり，当初計画していた実機実験による検証には着手できていない状況である．

Strategy for Future Research Activity

上述の通り，より汎用性の高いDNNモデルの構築を目指す．また，実験装置の組み立ておよび動作試験を実施し，検証実験の準備を整える．①DNNモデルの学習＞②検証実験＞③推定結果の定量評価を１サイクルとし，DNNの構造，学習手法，実験方法，評価手法等を変化させながら繰り返すことで，より精度の高い推定ができるように最適化していく．
また，DNNのみではなく，他の再構成手法との連携も模索する．例えば，X線CTでは数学的なフィルターを用いる解析的手法や，逐次近似法による再構成手法が用いられる．こうした手法や，知能化技術を併用することで，本手法の信頼度や精度の向上を目指す．