CN112214915A - 一种lstm循环神经网络等效材料矩阵的计算方法 - Google Patents
一种lstm循环神经网络等效材料矩阵的计算方法 Download PDFInfo
- Publication number
- CN112214915A CN112214915A CN202011020027.9A CN202011020027A CN112214915A CN 112214915 A CN112214915 A CN 112214915A CN 202011020027 A CN202011020027 A CN 202011020027A CN 112214915 A CN112214915 A CN 112214915A
- Authority
- CN
- China
- Prior art keywords
- lstm
- neural network
- input
- unit
- equivalent material
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 60
- 239000000463 material Substances 0.000 title claims abstract description 55
- 239000011159 matrix material Substances 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 32
- 239000000126 substance Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
技术领域
本发明涉及材料应力应变关系领域,尤其涉及一种LSTM循环神经网络等效材料矩阵的计算方法。
背景技术
神经网络方法具有强大的非线性关系处理能力,能够衡量变量之间的非线性应力应变关系,因此被用于确定材料非线性应力应变关系。目前用于材料本构关系的神经网络模型主要包括前馈式神经网络、反馈式神经网络、嵌入式神经网络和循环神经网络等。与传统的前馈式神经网络,反馈式神经网络和嵌入式神经网络相比,LSTM循环神经网络能够更好表征材料应力应变关系的时间相关特性,因而其表现优于其他神经网络方法。在将LSTM深度学习网络用于解决实际工程问题的过程中,需要将其嵌入有限元计算方法。有限元方法依靠材料矩阵表征材料的应力应变关系。因此需要将神经网络转化为等效材料矩阵,利用软件接口将其导入商业有限元软件,实现神经网络的有限元化。等效材料矩阵是指将应力与应变分量的雅各比矩阵,即应力对应变的求偏导计算。然而目前仍然缺少将LSTM循环神经网络转化为等效材料矩阵的计算方法。
经对现有技术文献检索发现,目前仅有将前馈式和嵌入式神经网络转化为等效材料矩阵的计算方法。Hashash等于2004年在《International Journal for NumericalMethods in Engineering》发表的《Numerical implementation of a neuralnetworkbased material model in finite element analysis》,提出了将嵌入式神经网络转化为材料本构矩阵的计算方法;陈军浩和乔成于2016年在《力学与实践》发表的《基于级连相关神经网络的人工冻土本构模型》,采用了相同计算方法将前馈式神经网络转化为材料矩阵并嵌入有限元方法。然而,上述计算方法仅针对前馈式和嵌入式神经网络,缺少对神经网络在时间维度连接关系的考虑,因而无法用于LSTM循环神经网络的等效材料矩阵计算。
发明内容
本发明实施例所要解决的技术问题在于,提供一种LSTM循环神经网络等效材料矩阵的计算方法。该方法将LSTM循环神经网络转化为等效材料矩阵形式,以便将其嵌入有限元计算方法,方法简单,易于推广。
为了解决上述技术问题,本发明实施例提供了一种LSTM循环神经网络等效材料矩阵的确定方法,所述方法通过下列步骤实现:
优选地,所述状态参量0c,0y是指:t=0时刻LSTM单元的单元状态和输出数据,其第m个分量0cm,0ym满足公式(1):
0cm=0im×0zm
0ym=T(0cm)×0om
其中,和0im为t=0时刻第m个LSTM单元输入门的输入元素和输出元素,和0fm为t=0时刻第m个LSTM单元遗忘门的输入元素和输出元素,和0om为t=0时刻第m个LSTM单元输出门的输入元素和输出元素,和0zm为t=0时刻第m个LSTM单元单元输入的输入元素和输出元素,Nε为输入层节点数量,NL为LSTM层中LSTM单元数量,S函数为sigmoid函数,T为tanh函数,为LSTM神经网络t=0时刻输入应变的第j个分量,wi mj、wf mj、wo mj、wz mj分别为第m个LSTM单元的输入门、遗忘门、输出门和单元输入和第j个输入分量之间的连接权重,bm为第m个LSTM单元的偏置项;
其中,S'和T'分别为sigmoid函数和tanh函数的导数;
优选地,所述LSTM单元状态参量ti,tz,tf,to,tc,ty为t时刻LSTM单元的输入门、遗忘门、输出门、单元输入、单元状态和单元输出,满足公式(4):
其中,和tim为t时刻第m个LSTM单元输入门的输入元素和输出元素,和tfm为t时刻第m个LSTM单元遗忘门的输入元素和输出元素,和tom为t时刻第m个LSTM单元输出门的输入元素和输出元素,和tzm为t时刻第m个LSTM单元单元输入的输入元素和输出元素,ri mj、rf mj、ro mj、rz mj为t时刻第m个LSTM单元和t-1时刻第j个LSTM单元之间的输入门、遗忘门、输出门和单元输入循环连接权重;
第四步:计算t时刻等效材料矩阵的元素tDij
优选地,所述等效材料矩阵的元素tDij满足公式(10):
其中,tDij为t时刻LSTM神经网络等效材料矩阵的第i行j列个元素;
第五步:重复第二步至第四步,直至求得所有时刻的等效材料矩阵。
实施本发明实施例,具有如下有益效果:本发明的方法能够将LSTM循环神经网络转化为等效材料矩阵,进而嵌入有限元方法,解决实际工程问题。本方法简单、实用,便于推广,具有很大的应用价值。
附图说明
图1为本发明一实施例的LSTM循环神经网络等效材料矩阵计算流程图;
图2为本发明一实施例的LSTM循环神经网络在各时刻的等效材料矩阵。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
某平面应变问题,共有11个时间步的应力应变数据。材料的弹性模量E为500,泊松比υ为0.3,则其本构矩阵C如下:
本实施例采用的LSTM循环神经网络输入为3组应变数据ε11=[0,1.82,3.64,5.46,7.28,9.1,10.92,12.74,14.56,16.38,18.2]×10-05,ε22=[0,-0.78,-1.56,-2.34,-3.12,-3.9,-4.68,-5.46,-6.24,-7.02,-7.8]×10-05,ε12=[0,0,0,0,0,0,0,0,0,0,0],输出为3组应力数据σ11=[0,0.01,0.02,0.03,0.04,0.05,0.06,0.07,0.08,0.09,0.10],σ22=[0,0,0,0,0,0,0,0,0,0,0],σ12=[0,0,0,0,0,0,0,0,0,0,0],模型包括一个12个单元的LSTM单元层和一个12个节点的隐藏层,一共包含900个参数。
如图1-图2所示,本实施例提供一种LSTM循环神经网络等效材料矩阵的计算方法,所述方法通过下列步骤实现:
本实施例中,所述状态参量0c,0y是指:LSTM单元的单元状态和输出数据,其第m个分量0cm,0ym满足公式(1):
本实施例中,所述LSTM单元状态参量ti,tf,1to,tz,tc,ty为t=1时刻LSTM单元的输入门、遗忘门、输出门、单元输入、单元状态和单元输出,满足公式(4):
步骤四、计算t=1时刻等效材料矩阵的元素tDij;
本实施例中,所述等效材料矩阵的元素tDij满足公式(10):
步骤五、重复步骤二至步骤四,直至求得所有时刻的等效材料矩阵。
如图2所示,采用本实施例中的计算方法,计算得到的等效材料矩阵与材料真实的线弹性本构矩阵差距很小,计算精度高,等效材料矩阵各分量与真实本构矩阵的分量误差仅为0~2.6%。
本发明中LSTM循环神经网络的等效材料矩阵计算方法,能够精确地将LSTM循环神经网络转化为材料矩阵。本方法简单、实用,便于推广,具有很大的应用价值。以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (9)
2.根据权利要求1所述的LSTM循环神经网络等效材料矩阵的确定方法,其特征在于,所述状态参量0c,0y为所述LSTM单元的单元状态和输出数据,满足公式:
0cm=0im×0zm
0ym=T(0cm)×0om
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011020027.9A CN112214915B (zh) | 2020-09-25 | 2020-09-25 | 一种确定材料非线性应力应变关系的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011020027.9A CN112214915B (zh) | 2020-09-25 | 2020-09-25 | 一种确定材料非线性应力应变关系的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112214915A true CN112214915A (zh) | 2021-01-12 |
CN112214915B CN112214915B (zh) | 2024-03-12 |
Family
ID=74052281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011020027.9A Active CN112214915B (zh) | 2020-09-25 | 2020-09-25 | 一种确定材料非线性应力应变关系的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112214915B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100292966A1 (en) * | 2009-05-12 | 2010-11-18 | Gm Global Technology Oeprations, Inc. | Methods of predicting residual stresses and distortion in quenched aluminum castings |
CN106971414A (zh) * | 2017-03-10 | 2017-07-21 | 江西省杜达菲科技有限责任公司 | 一种基于深度循环神经网络算法的三维动画生成方法 |
CN108153943A (zh) * | 2017-12-08 | 2018-06-12 | 南京航空航天大学 | 基于时钟循环神经网络的功率放大器的行为建模方法 |
CN108470212A (zh) * | 2018-01-31 | 2018-08-31 | 江苏大学 | 一种能利用事件持续时间的高效lstm设计方法 |
CN109088406A (zh) * | 2018-06-26 | 2018-12-25 | 河海大学常州校区 | 一种基于lstm神经网络的微电网等效建模方法 |
US10380997B1 (en) * | 2018-07-27 | 2019-08-13 | Deepgram, Inc. | Deep learning internal state index-based search and classification |
US20190340492A1 (en) * | 2018-05-04 | 2019-11-07 | Microsoft Technology Licensing, Llc | Design flow for quantized neural networks |
CN111209695A (zh) * | 2019-12-30 | 2020-05-29 | 浙江大学 | 一种基于lstm的结构动力响应预测方法 |
CN111222009A (zh) * | 2019-10-25 | 2020-06-02 | 汕头大学 | 一种基于长短时记忆机制的多模态个性化情感的处理方法 |
CN111241658A (zh) * | 2019-12-30 | 2020-06-05 | 浙江大学 | 基于lstm神经网络模型的梁式桥移动荷载识别方法 |
-
2020
- 2020-09-25 CN CN202011020027.9A patent/CN112214915B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100292966A1 (en) * | 2009-05-12 | 2010-11-18 | Gm Global Technology Oeprations, Inc. | Methods of predicting residual stresses and distortion in quenched aluminum castings |
CN106971414A (zh) * | 2017-03-10 | 2017-07-21 | 江西省杜达菲科技有限责任公司 | 一种基于深度循环神经网络算法的三维动画生成方法 |
CN108153943A (zh) * | 2017-12-08 | 2018-06-12 | 南京航空航天大学 | 基于时钟循环神经网络的功率放大器的行为建模方法 |
CN108470212A (zh) * | 2018-01-31 | 2018-08-31 | 江苏大学 | 一种能利用事件持续时间的高效lstm设计方法 |
US20190340492A1 (en) * | 2018-05-04 | 2019-11-07 | Microsoft Technology Licensing, Llc | Design flow for quantized neural networks |
CN109088406A (zh) * | 2018-06-26 | 2018-12-25 | 河海大学常州校区 | 一种基于lstm神经网络的微电网等效建模方法 |
US10380997B1 (en) * | 2018-07-27 | 2019-08-13 | Deepgram, Inc. | Deep learning internal state index-based search and classification |
CN111222009A (zh) * | 2019-10-25 | 2020-06-02 | 汕头大学 | 一种基于长短时记忆机制的多模态个性化情感的处理方法 |
CN111209695A (zh) * | 2019-12-30 | 2020-05-29 | 浙江大学 | 一种基于lstm的结构动力响应预测方法 |
CN111241658A (zh) * | 2019-12-30 | 2020-06-05 | 浙江大学 | 基于lstm神经网络模型的梁式桥移动荷载识别方法 |
Non-Patent Citations (3)
Title |
---|
PIN ZHANG ET AL: "An AI-based model for describing cyclic characteristics of granular materials", INTERNATIONAL JOURNAL FOR NUMERICAL AND ANALYTICAL METHODS IN GEOMECHANICS, pages 1315 - 1335 * |
袁泓磊;李尚平;李向辉;李凯华;张伟;黄宗晓;: "基于深度学习模型的甘蔗转运车节点应力预测", 装备制造技术, pages 1 - 4 * |
马思源;郑涵;郭文;: "应用深度光学应变特征图的人脸活体检测", 中国图象图形学报, pages 618 - 628 * |
Also Published As
Publication number | Publication date |
---|---|
CN112214915B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816095B (zh) | 基于改进门控循环神经网络的网络流量预测方法 | |
Deng et al. | Applying neural networks to the solution of forward and inverse heat conduction problems | |
CN111130839A (zh) | 一种流量需求矩阵预测方法及其系统 | |
Fan et al. | Convergence of online gradient method for feedforward neural networks with smoothing L1/2 regularization penalty | |
CN107463993B (zh) | 基于互信息-核主成分分析-Elman网络的中长期径流预报方法 | |
CN110672804B (zh) | 一种城市河涌水体典型有机污染物智能检测方法 | |
CN111795761B (zh) | 一种基于强化学习模型的预测机柜进风温度的方法 | |
CN112784331B (zh) | 基于改进lstm深度学习方法的土体应力应变关系确定方法 | |
CN101216530A (zh) | 一种电子电路测试与故障诊断参数识别优化方法 | |
CN112578089A (zh) | 一种基于改进tcn的空气污染物浓度预测方法 | |
CN116432543B (zh) | 功率半导体模块剩余寿命预测方法、终端设备及存储介质 | |
CN112836808A (zh) | 基于深度学习的分布式参数系统建模的时空耦合学习方法 | |
CN110633417B (zh) | 一种基于服务质量的web服务推荐的方法及系统 | |
CN113343559B (zh) | 迭代重加权最小二乘法极限学习机响应面可靠性分析方法 | |
CN112164462B (zh) | 一种乳腺癌风险评估方法、系统、介质及设备 | |
CN113988415A (zh) | 一种中长期电力负荷预测方法 | |
CN112214915A (zh) | 一种lstm循环神经网络等效材料矩阵的计算方法 | |
CN107526294B (zh) | 一种热场温度-硅单晶直径非线性时滞系统智能辨识方法 | |
CN112597890A (zh) | 基于多维泰勒网的人脸识别方法 | |
Mi et al. | Prediction of accumulated temperature in vegetation period using artificial neural network | |
Chen et al. | A Caputo-type fractional-order gradient descent learning of deep BP neural networks | |
CN116230124A (zh) | 基于ann和umat的耦合微组织损伤的高温合金性能预测方法 | |
CN114548400A (zh) | 一种快速灵活全纯嵌入式神经网络广域寻优训练方法 | |
US20030220889A1 (en) | Analog accumulator for neural networks | |
He et al. | Fault isolation in nonlinear analog circuits with tolerance using the neural network-based L/sub 1/-norm |
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 |