CN111651916A - 一种基于深度学习的材料性能预测方法 - Google Patents

一种基于深度学习的材料性能预测方法 Download PDF

Info

Publication number
CN111651916A
CN111651916A CN202010415084.0A CN202010415084A CN111651916A CN 111651916 A CN111651916 A CN 111651916A CN 202010415084 A CN202010415084 A CN 202010415084A CN 111651916 A CN111651916 A CN 111651916A
Authority
CN
China
Prior art keywords
deep learning
material performance
model
values
finite element
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010415084.0A
Other languages
English (en)
Other versions
CN111651916B (zh
Inventor
王田
邵明启
李嘉锟
左颖
陶飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202010415084.0A priority Critical patent/CN111651916B/zh
Publication of CN111651916A publication Critical patent/CN111651916A/zh
Application granted granted Critical
Publication of CN111651916B publication Critical patent/CN111651916B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度学习的材料性能预测方法，通过建立有限元模型和深度学习模型，使用有限元模型的结果来训练深度学习模型，获得材料性能预测模型。本发明所述的基于深度学习的材料性能预测方法，能够快速、准确的完成材料性能的预测。

Description

一种基于深度学习的材料性能预测方法
技术领域
本发明涉及一种材料性能预测方法，尤其是一种基于深度学习的材料性能预测方法，属于材料性能预测领域。
背景技术
材料性能是材料的宏观属性，是设计各种工程结构选用材料的主要依据。材料性能的好坏，决定了它的使用范围与使用寿命，在工程结构的设计中，需要对材料性能进行预测，以确定其是否满足设计要求。
传统的材料性能预测，常采用实验方法和计算模拟方法进行，此种方法虽然预测精确度高，但计算模拟过程需要大量的时间，在实际的工业生产中实用性差，设计人员在计算材料性能方面花费大量时间，耽误设计进度。
此外，由于传统的材料性能预测需要大量的时间，在新产品研发过程中，设计人员在挑选需要的材料时，往往仅能够根据经验选择几种可能的材料，并对材料性能进行预测，以观察材料是否满足设计要求，而无法遍历材料数据库，从中筛选出性能最好的材料。
因此，亟待设计一种能够快速准确预测材料性能的方法。
发明内容
为了克服上述问题，本发明人进行了锐意研究，设计出一种基于深度学习的材料性能预测方法，通过建立有限元模型和深度学习模型，使用有限元模型的结果来训练深度学习模型，获得材料性能预测模型。所述基于深度学习的材料性能预测方法包括以下步骤：
S1、建立有限元模型；
S2、使用有限元模型生成材料性能关系表；
S3、建立深度学习模型；
S4、训练深度学习模型，获得材料性能预测模型。
在步骤S1中，所述有限元模型建立过程包括：确定几何模型、单元特性定义、网络划分、边界条件定义；
所述边界条件定义中包含环境变量，所述环境变量为影响材料性能的参数；
所述材料性能是指材料在特定结构或环境下的响应属性，其值随结构、环境变化。
在步骤S2中，在有限元模型中输入涉及材料的多个材料固有属性的数值和环境变量的数值，通过有限元模型的计算，得到材料性能，
所述材料固有属性为能够通过标准试验获得的材料参数，
材料固有属性的数值为随机生成，将输入的材料固有属性数值、环境变量数值以及有限元模型计算出的对应的材料性能数值关联，得到一组材料性能关系数据；
将多组材料性能关系数据整理成材料性能关系表。
将材料性能数据简化，挑选其中的一个或几个最具代表性的数据表征材料性能，这些数据称为材料性能表征值；
所述材料固有属性的数值和环境变量的数值从设计参数范围内随机生成，所述设计参数范围为满足产品设计要求的参数范围。
在步骤S2中，设置有样本生成模块，其能够从设计参数范围中随机的选择涉及材料的材料固有属性数值和环境变量数值，输入到有限元模型中，并在有限元模型计算后挑选出材料性能表征值，生成材料性能关系表。
在步骤S3中，所述深度学习模型包括卷积神经网络，所述卷积神经网络包括输入层、卷积层、池化层和输出；
在卷积神经网络的输入层之前，设置有图像化层，通过图像化层将设计参数转换为输入图像。
所述图像化层包括序列延展和矩阵转换过程，
所述序列延展为：将材料性能关系数据中的多个材料固有属性数值和环境变量数值排列成序列，对序列进行周期延展后得到延展序列；
所述矩阵转换为：选取延展序列中的连续元素，将其变换成矩阵，形成图像样式。
所述矩阵的大小为8×8～64×64。
所述特征图具有两层，输入图像到第一层特征图之间通过尺寸为3*3的特征提取实现，第一层特征图到第二层特征图之间通过最大池化实现，池化尺寸为2*2。
本发明所述的基于深度学习的材料性能预测方法，具有的有益效果包括：
(1)根据本发明提供的基于深度学习的材料性能预测方法，能够快速完成材料性能的预测；
(2)根据本发明提供的基于深度学习的材料性能预测方法，预测结果准确；
(3)根据本发明提供的基于深度学习的材料性能预测方法，可实现材料库遍历挑选，以选出最优材料。
附图说明
图1示出一种优选实施方式的基于深度学习的材料性能预测方法流程示意图；
图2示出一种优选实施方式的小球和平板碰撞模型网络划分示意图；
图3示出一种优选实施方式的深度学习模型结构示意图；
图4示出一种优选实施方式的图像化层结构示意图；
图5示出矩阵转换时不同矩阵大小下预测准确率与预测时间关系图；
图6示出实施例1中图像化层输出的图像；
图7示出实施例1中预测结果与验证组对比结果图。
具体实施方式
下面通过附图对本发明进一步详细说明。通过这些说明，本发明的特点和优点将变得更为清楚明确。
本发明提供了一种基于深度学习的材料性能预测方法，通过建立有限元模型和建立深度学习模型，使用有限元模型的结果来训练深度学习模型，使得深度学习模型能够预测材料性能，获得材料性能预测模型，包括以下步骤，如图1所示。
S1、建立有限元模型；
S2、使用有限元模型生成材料性能关系表；
S3、建立深度学习模型；
S4、训练深度学习模型，获得材料性能预测模型。
有限元分析是利用数学近似的方法对真实物理系统进行模拟，利用简单而又相互作用的元素，即单元，就可以用有限数量的未知量去逼近无限未知量的真实系统。在有限元分析过程中，需要建立有限元模型，为计算提供原始数据。
在步骤S1中，所述有限元模型的建立和求解可以采用任意一种工具软件进行，如ANSYS、Creo(Pro\E)、UG、CATIA、abaqus等，所述有限元模型的建立过程包括：确定几何模型、单元特性定义、网络划分、边界条件定义。
所述几何模型的选择、单元特性定义、网络划分、边界条件定义根据工程实际情况选择，例如工程实际中需要预测材料在受到撞击后的性能，则几何模型选择小球和平板碰撞模型。
所述单元特性定义是指几何模型中涉及材料的固有属性，例如在小球和平板碰撞模型中，单元特性定义为小球和平板的材料固有属性。
根据本发明，所述材料固有属性为能够通过标准试验获得的材料参数，如弹性、强度、塑性、密度、熔点、硬度、疲劳强度、拉伸强度、弯曲强度等，更优选地，所述固有属性为Total Materia材料数据库中记录的材料属性。在本发明中，可根据工程实际需要选择材料固有属性中的几种作为单元特性定义。例如，在小球和平板碰撞模型中，选择小球和平板的密度、弹性(包括杨氏模量和泊松比)和塑性作为单元特性定义。
网络划分的形式、边界条件定义同样根据工程实际需要进行选择，例如在小球和平板碰撞模型中，边界条件定义为平板的侧面被固定；在网络划分时，平板的中心处的网格密度大于平板边缘处，如图2所示。优选地，所述网格单元类型选择八节点线性六面体单元、减缩积分、沙漏控制。在小球和平板碰撞模型中，碰撞中心的应力变化比较剧烈，该网格单元类型可以有效提高有限元结果的准确性。
在本发明中，所述边界条件定义中，还包含环境变量，所述环境变量为影响材料性能的参数，可以是一个或多个，例如，在小球和平板碰撞模型中，边界条件定义包含小球的初始速度。
进一步地，在边界条件定义中，还设置有分析时间，发明人发现，当分析时间过长，会导致计算时间较长，而当分析时间过短，则会出现分析时间无法覆盖碰撞过程的现象，合适的分析时间，能够有效提高计算结果准确性，并节约计算时间，优选地，分析时间为0.5～2ms。
在步骤S2中，在有限元模型中输入涉及材料的多个材料固有属性的数值和环境变量的数值，通过有限元模型的计算，得到材料性能数值。
在本发明中，所述材料性能是指材料在特定结构或环境下的响应属性，其值随结构、环境变化，例如应力、剪力、弯矩、扭矩等等。
例如，在有限元模型为小球和平板碰撞模型时，在有限元模型中输入的小球和平板的多个材料固有属性的数值，通过有限元模型的计算，得到碰撞过程中小球和平板的应力变化。所述小球和平板的多个材料固有属性，包括平板和小球的密度、弹性(包括杨氏模量和泊松比)、塑性(包括多对应力-应变曲线点)；所述环境变量的数值是指小球的初始速度。
进一步地，在本发明中，在有限元模型中输入的材料固有属性，其数值为随机生成，将输入的材料固有属性数值、环境变量数值以及计算出的对应的材料性能数值关联，即可得到一组材料性能关系数据。
在一个优选的实施方式中，所述材料固有属性的数值和环境变量的数值从设计参数范围内随机生成，所述设计参数范围为满足产品设计要求的参数范围，设计参数中包含材料的固有属性和环境变量，例如，某护具产品，其产品设计要求材料密度100～500kg/m2、材料泊松比0.3～0.5、能够承受铁球以速度为10m/s撞击不变形；则设计参数中固有属性为密度100～500kg/m2、材料泊松比0.3～0.5；设计参数中环境变量为：铁球速度0～20m/s。
通过有限元模型，得到的材料性能可能包含多个数据，直接使用这些数据对深度学习模型进行训练会导致模型运算复杂，严重拖慢预测速度。在一个优选的实施方式中，将材料性能数据简化，可以挑选其中的一个或几个最具代表性的数据来表征材料性能，这些数据称为材料性能表征值，从而达到简化计算，提高模型预测效率的效果。
例如，在小球和平板碰撞模型中，有限元模型输出的性能为小球和平板的应力变化，其中，平板受到撞击后的最大应力能有效表征材料的性能，则选择平板在整个碰撞过程中出现的最大应力作为材料性能表征值，以简化计算，提高运算速度。
更进一步地，根据本发明，通过有限元模型计算多组材料固有属性数值和环境变量数值，得到多组材料性能关系数据，将多组材料性能关系数据整理成材料性能关系表，作为深度学习模型的学习样本。
优选地，所述材料性能关系表中具有500～5000组材料性能关系数据，以使得训练后的深度学习模型预测结果更为准确。
在一个优选的实施方式中，在步骤S2中，还设置有样本生成模块，其能够从设计参数范围中随机的选择涉及材料的材料固有属性数值和环境变量数值，输入有限元模型中，并从有限元模型计算得到的材料性能中挑选出材料性能表征值，生成一组材料性能关系数据，重复上述过程，最终得到多组材料性能关系数据并整理成材料性能关系表。
在步骤S3中，所述深度学习模型包括卷积神经网络，卷积神经网络是一种仿造生物的视知觉机制构建的深度学习网络，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征进行学习，且具有稳定的效果，还具有对数据没有额外的特征工程要求的优点。
所述卷积神经网络包括所述卷积神经网络包括输入层、卷积层、池化层和输出(output)，其中，输入图像(input pattern)为输入层的输入、特征图(Feature maps)为卷积层和池化层的输出，如图3所示。
由于卷积神经网络一般用于处理图像识别任务，如何使得其能够应用于材料性能预测是本发明中的一个难点。
根据本发明，深度学习模型中，在卷积神经网络的输入层之前，设置有图像化层，通过所述图像化层将设计参数转换为输入图案。
具体地，所述图像化层包括序列延展和矩阵转换过程，如图4所示。
所述序列延展为：将材料性能关系数据中的多个材料固有属性数值和环境变量数值排列成序列，对序列进行周期延展后得到延展序列，在本发明中，通过对序列进行周期延展，拓展了序列中元素的总量，使得图像化成为可能。
进一步地，在所述周期延展时，可以延展多个周期，使得延展序列的元素数量多于矩阵要求数量，以保证矩阵数据的有效性。
所述矩阵转换为：选取延展序列中的连续元素，将其变换成矩阵，形成图像样式。
根据本发明，所述矩阵大小为8×8～64×64，优选16×16。
经过矩阵变换，使得材料固有属性数值和环境变量数值转变为卷积神经网络能够识别的图像式样，从而利用卷积神经网络进行预测分析。
例如，当有限元模型的几何模型选择小球和平板碰撞模型时，将小球和平板的多个材料固有属性数值排列成的序列延展多个周期，得到序列长度超过256个元素，取序列前256个元素，转换成16×16的矩阵，作为输入图像。
发明人发现，当矩阵大小为16×16时，材料性能预测模型的预测准确度高，预测时间短，当矩阵大小为8×8时，得到的材料性能预测模型准确率不足，当矩阵大小等于32×32时，材料性能预测模型的预测时间明显增长，如图5所示。
在本发明中，输入图像到卷积层之间通过尺寸为3×3的特征提取实现，卷积层到池化层之间通过最大池化实现，池化尺寸为2×2。
在池化层与输出之间设置有3层全连接层，3层全连接层中依次设置有32、16和4个隐藏单元数(hidden units)。
根据本发明，各层之间的激活函数为tanh函数。
在一个优选的实施方式中，在相邻全连接层中还加入dropout层，防止模型过拟合，提升模型泛化能力。
进一步地，在dropout层中神经元随机失活的概率为50％,优化器使用的是Adam优化器，损失函数是均方误差函数。
在步骤S4中，通过步骤S2中得到的材料性能关系表不断的训练深度学习模型，使得深度模型具有预测材料性能的能力。
具体地，将材料属性作为图像化层的输入，将对应的性能作为卷积神经网络的输出，使得深度学习模型在材料性能关系表中多组数据的不断训练下，具备材料性能预测功能，即获得材料性能预测模型。
在一个优选的实施方式中，在材料性能关系表中随机选出多组数据不参与深度学习模型的训练过程，在深度学习模型训练完成后，使用选出的多组数据验证深度学习模型预测是否准确，当预测结果与对应材料性能差距小于期望阈值时，则表示深度学习模型预测准确，获得材料性能预测模型。
若出现预测结果与对应材料性能差距大于期望阈值时，则重复步骤S2,以获得具有更多组数据的材料性能关系表，继续对深度学习模型进行训练，直至预测结果与对应材料性能差距小于期望阈值。
在深度学习模型训练完成后即可使用深度学习模型预测材料性能，通过对深度学习模型输入材料属性即可得到材料性能。
实施例
实施例1
产品设计开发，需要挑选合适的材料，通过材料性能预测模型对挑选的材料进行性能预测。
建立有限元模型，其中几何模型选择小球和平板碰撞模型，其中，小球选择半径为5mm的实心小球，平板选择半径为50mm、厚度5mm的柱形平板；网络划分为八节点线性六面体单元、减缩积分、沙漏控制；边界条件定义为平板的侧面被固定，小球具有一个初始的速度，分析时间为0.8ms。
设计参数范围如表一所示：
表一
Figure BDA0002494695120000111
使用样本生成模块从表一所示的范围内随机生成平板/小球的密度、弹性、塑性参数以及小球的初始速度，输入有限元模型中，并将有限元模型计算得到的平板最大应力提取，生成一组材料性能关系数据，重复上述过程，得到包含1718组材料性能关系数据的材料性能关系表。
将1718组材料性能关系数据分为两部分，其中1375组作为训练样本，其余的343组作为验证组。
将训练样本中每一组材料性能关系数据中材料固有属性数值(包括平板的密度、杨氏模量和泊松比、3对应力-应变曲线点共18个数值))和环境变量数值(小球的初始速度)周期延展至14个周期，共形成含有(18+1)*14＝266个元素的延展序列，取序列前256个元素，转换成16*16的矩阵，作为输入图像，如图6所示，将对应的平板最大应力作为输出，对深度学习模型进行训练，得到材料性能预测模型。
将验证组中每一组数据按照训练样本相同的序列延展、矩阵转换过程输入到材料性能预测模型中，由材料性能预测模型输出预测的结果，对输出结果分析得到：材料性能预测模型预测的最大误差小于20Mpa，准确率为98.63％，满足工程设计误差值要求，证明材料性能预测模型满足使用要求。
其中，所述误差为材料性能预测模型预测结果与有限元模型计算结果之间的差距。
Figure BDA0002494695120000121
任选验证组中55组数据，将输出的预测结果与有限元模型计算结果进行比对，比对结果如图7所示。
从图上可以看出，材料性能预测模型的预测曲线与有限元模型的计算曲线非常接近，即材料性能预测模型的输出结果准确可靠。
将材料性能预测模型与常规的有限元模型预测进行对比，对相同的材料属性和小球的初始速度预测，其中材料性能预测模型的预测时间为2.28ms，有限元模型预测耗时170s，耗时差距明显，使用材料性能预测模型遍历挑选的材料，从中筛选最优材料作为本产品设计开发使用。
实施例2
无人机设计公司，在设计不同无人机时，需要挑选合适的材料做机翼。
通过材料性能预测模型对挑选的材料进行预测，预测其在无人机旋翼在工作过程中的应力情况。
几何模型选择旋翼单叶片绕定点旋转模型，网络划分为八节点线性六面体单元、减缩积分、沙漏控制；边界条件定义为机翼叶片旋转轴各方向位移、角位移均为0,分析时间为0.9ms。
在建立有限元模型时，材料的固有属性为：密度、杨氏模量、塑性；环境变量为旋转角速度。
最终得到的材料性能预测模型准确率98.9％。通过模型对材料库的遍历，可选出最优的材料。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”和“外”等指示的方位或位置关系为基于本发明工作状态下的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上结合了优选的实施方式对本发明进行了说明，不过这些实施方式仅是范例性的，仅起到说明性的作用。在此基础上，可以对本发明进行多种替换和改进，这些均落入本发明的保护范围内。

Claims (10)

1.一种基于深度学习的材料性能预测方法，通过建立有限元模型和深度学习模型，使用有限元模型的结果来训练深度学习模型，获得材料性能预测模型。
2.根据权利要求1所述的基于深度学习的材料性能预测方法，其特征在于，
包括以下步骤：
S1、建立有限元模型；
S2、使用有限元模型生成材料性能关系表；
S3、建立深度学习模型；
S4、训练深度学习模型，获得材料性能预测模型。
3.根据权利要求2所述的基于深度学习的材料性能预测方法，其特征在于，
在步骤S1中，所述有限元模型建立过程包括：确定几何模型、单元特性定义、网络划分、边界条件定义；
所述边界条件定义中包含环境变量，所述环境变量为影响材料性能的参数；
所述材料性能是指材料在特定结构或环境下的响应属性，其值随结构、环境变化。
4.根据权利要求2所述的基于深度学习的材料性能预测方法，其特征在于，
在步骤S2中，在有限元模型中输入涉及材料的多个材料固有属性的数值和环境变量的数值，通过有限元模型的计算，得到材料性能，
所述材料固有属性为能够通过标准试验获得的材料参数，
材料固有属性的数值为随机生成，将输入的材料固有属性数值、环境变量数值以及有限元模型计算出的对应的材料性能数值关联，得到一组材料性能关系数据；
将多组材料性能关系数据整理成材料性能关系表。
5.根据权利要求4所述的基于深度学习的材料性能预测方法，其特征在于，
将材料性能数据简化，挑选其中的一个或几个最具代表性的数据表征材料性能，这些数据称为材料性能表征值；
所述材料固有属性的数值和环境变量的数值从设计参数范围内随机生成，所述设计参数范围为满足产品设计要求的参数范围。
6.根据权利要求5所述的基于深度学习的材料性能预测方法，其特征在于，
在步骤S2中，设置有样本生成模块，其能够从设计参数范围中随机的选择涉及材料的材料固有属性数值和环境变量数值，输入到有限元模型中，并在有限元模型计算后挑选出材料性能表征值，生成材料性能关系表。
7.根据权利要求2所述的基于深度学习的材料性能预测方法，其特征在于，
在步骤S3中，所述深度学习模型包括卷积神经网络，所述卷积神经网络包括输入层、卷积层、池化层和输出；
在卷积神经网络的输入层之前，设置有图像化层，通过图像化层将设计参数转换为输入图像。
8.根据权利要求7所述的基于深度学习的材料性能预测方法，其特征在于，
所述图像化层包括序列延展和矩阵转换过程，
所述序列延展为：将材料性能关系数据中的多个材料固有属性数值和环境变量数值排列成序列，对序列进行周期延展后得到延展序列；
所述矩阵转换为：选取延展序列中的连续元素，将其变换成矩阵，形成图像样式。
9.根据权利要求8所述的基于深度学习的材料性能预测方法，其特征在于，
所述矩阵的大小为8×8～64×64。
10.根据权利要求7所述的基于深度学习的材料性能预测方法，其特征在于，
所述特征图具有两层，输入图像到第一层特征图之间通过尺寸为3×3的特征提取实现，第一层特征图到第二层特征图之间通过最大池化实现，池化尺寸为2×2。
CN202010415084.0A 2020-05-15 2020-05-15 一种基于深度学习的材料性能预测方法 Active CN111651916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010415084.0A CN111651916B (zh) 2020-05-15 2020-05-15 一种基于深度学习的材料性能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010415084.0A CN111651916B (zh) 2020-05-15 2020-05-15 一种基于深度学习的材料性能预测方法

Publications (2)

Publication Number Publication Date
CN111651916A true CN111651916A (zh) 2020-09-11
CN111651916B CN111651916B (zh) 2022-09-09

Family

ID=72346722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010415084.0A Active CN111651916B (zh) 2020-05-15 2020-05-15 一种基于深度学习的材料性能预测方法

Country Status (1)

Country Link
CN (1) CN111651916B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396134A (zh) * 2021-01-20 2021-02-23 季华实验室 发光材料性质的预测方法、系统、电子设备和存储介质
CN112906136A (zh) * 2021-03-16 2021-06-04 上海交通大学 船体外板的激光热成形变形预测方法和系统
CN113485801A (zh) * 2021-06-25 2021-10-08 中国科学技术大学苏州高等研究院 基于神经网络相似度建模的实时dnn调度系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020065613A1 (en) * 2000-09-21 2002-05-30 Woods Joseph Thomas System, method and storage medium for predicting impact performance of painted thermoplastic
CN106650141A (zh) * 2016-12-29 2017-05-10 北京航空航天大学 一种预测周期性材料性能的不确定性分析方法
CN107491600A (zh) * 2017-08-04 2017-12-19 华北理工大学 一种优化冲裁工艺参数的方法
CN108563906A (zh) * 2018-05-02 2018-09-21 北京航空航天大学 一种基于深度学习的短纤维增强复合材料宏观性能预测方法
CN110232255A (zh) * 2019-06-24 2019-09-13 南京航空航天大学 一种碳纤维增强复合材料钻削轴向力预测的方法
US20190325572A1 (en) * 2018-04-20 2019-10-24 Siemens Healthcare Gmbh Real-time and accurate soft tissue deformation prediction

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020065613A1 (en) * 2000-09-21 2002-05-30 Woods Joseph Thomas System, method and storage medium for predicting impact performance of painted thermoplastic
CN106650141A (zh) * 2016-12-29 2017-05-10 北京航空航天大学 一种预测周期性材料性能的不确定性分析方法
CN107491600A (zh) * 2017-08-04 2017-12-19 华北理工大学 一种优化冲裁工艺参数的方法
US20190325572A1 (en) * 2018-04-20 2019-10-24 Siemens Healthcare Gmbh Real-time and accurate soft tissue deformation prediction
CN108563906A (zh) * 2018-05-02 2018-09-21 北京航空航天大学 一种基于深度学习的短纤维增强复合材料宏观性能预测方法
CN110232255A (zh) * 2019-06-24 2019-09-13 南京航空航天大学 一种碳纤维增强复合材料钻削轴向力预测的方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396134A (zh) * 2021-01-20 2021-02-23 季华实验室 发光材料性质的预测方法、系统、电子设备和存储介质
CN112396134B (zh) * 2021-01-20 2021-07-02 季华实验室 发光材料性质的预测方法、系统、电子设备和存储介质
CN112906136A (zh) * 2021-03-16 2021-06-04 上海交通大学 船体外板的激光热成形变形预测方法和系统
CN112906136B (zh) * 2021-03-16 2022-07-22 上海交通大学 船体外板的激光热成形变形预测方法和系统
CN113485801A (zh) * 2021-06-25 2021-10-08 中国科学技术大学苏州高等研究院 基于神经网络相似度建模的实时dnn调度系统及方法

Also Published As

Publication number Publication date
CN111651916B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN111651916B (zh) 一种基于深度学习的材料性能预测方法
Wang et al. A comparative review between Genetic Algorithm use in composite optimisation and the state-of-the-art in evolutionary computation
CN110361176B (zh) 一种基于多任务特征共享神经网络的智能故障诊断方法
Satapathy et al. Weighted teaching-learning-based optimization for global function optimization
CN106555788B (zh) 基于模糊处理的深度学习在液压装备故障诊断中的应用
Yin et al. On the ensemble of metamodels with multiple regional optimized weight factors
CN108537366B (zh) 基于最优卷积二维化的水库调度方法
CN106650920A (zh) 一种基于优化极限学习机的预测模型
CN106815408A (zh) 长纤维复合材料随机结构生成及其弹性性能预测方法
CN110987436B (zh) 基于激励机制的轴承故障诊断方法
CN114912195B (zh) 一种商用车空气动力学序列优化方法
CN113255873A (zh) 一种聚类天牛群优化方法、系统、计算机设备和存储介质
CN112560966A (zh) 基于散射图卷积网络的极化sar图像分类方法、介质及设备
CN115577629A (zh) 一种用于海上风电浮式基础主尺度的智能优化方法
CN117473890A (zh) 基于机械学习微涡轮流场预测方法和装置
CN114996995A (zh) 一种超材料隔振单元性能预报方法和系统
CN118211471A (zh) 一种利用nsga-ii算法实现的卫星集群构型优化方法
CN109977520B (zh) 一种二自由度动力吸振器联合优化方法
CN114818128B (zh) 船体局部曲面优化神经网络建模方法及优化方法
CN116503378A (zh) 一种双模态cnn二次迁移学习的精矿品位等级预测方法
Mirzaei et al. Crashworthiness design for cylindrical tube using neural network and genetic algorithm
CN115146408A (zh) 一种基于三叉元结构的机床结构件正向设计方法
CN102289749A (zh) 基于多智能体协同进化的任务排序方法
Wu Data-driven teaching–learning-based optimization (DTLBO) framework for expensive engineering problems
US8271518B2 (en) Nearest neighbor search method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant