CN112347531A - 一种脆性大理石三维裂纹扩展路径预测方法及系统 - Google Patents
一种脆性大理石三维裂纹扩展路径预测方法及系统 Download PDFInfo
- Publication number
- CN112347531A CN112347531A CN202011032437.5A CN202011032437A CN112347531A CN 112347531 A CN112347531 A CN 112347531A CN 202011032437 A CN202011032437 A CN 202011032437A CN 112347531 A CN112347531 A CN 112347531A
- Authority
- CN
- China
- Prior art keywords
- crack
- predicted
- current moment
- brittle
- marble
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/12—Geometric CAD characterised by design entry means specially adapted for CAD, e.g. graphical user interfaces [GUI] specially adapted for CAD
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Human Computer Interaction (AREA)
- Architecture (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种脆性大理石三维裂纹扩展路径预测方法及系统,包括:获取待预测脆性大理石的初始裂纹图和初始裂纹参数;对待预测脆性大理石的初始裂纹图进行裂纹特征提取,得到当前时刻的裂纹特征;基于当前时刻的裂纹特征,生成当前时刻的伪裂纹图;对待预测脆性大理石的初始裂纹参数进行参数关系提取,得到裂纹参数关系;基于裂纹参数关系,生成当前时刻的预测裂纹参数;基于当前时刻的伪裂纹图和当前时刻的预测裂纹参数,生成当前时刻的预测裂纹图。
Description
技术领域
本申请涉及三维材料断裂破坏技术领域,特别是涉及一种脆性大理石三维裂纹扩展路径预测方法及系统。
背景技术
本部分的陈述仅仅是提到了与本申请相关的背景技术,并不必然构成现有技术。
裂纹扩展路径预测是工程科学中的热门研究方向之一,是目前断裂损伤力学中的热点,对材料设计和寿命评估具有重要的意义。裂纹扩展路径预测就是对于预设裂纹的材料,寻求应力和裂纹间关系的非线性变换,要求载荷条件下裂纹的生长路径的预测结果与ABAQUS扩展有限元法模拟的样本的裂纹路径吻合,或至少是所有的裂纹角度的转变位置和裂纹生长直至完全断裂的时间是一致的。
扩展有限元法是科学研究和工程分析中一种常用的数值分析方法,通过将一个物理实体模型离散成一组有限的相互连接的单元组合体,用扩充带有不连续性质的形函数来代表计算区域内的间断。该方法基于整体划分概念,允许单元内部出现间断的位移场,从而可以使裂缝在单元内部任意扩展,可用于模拟材料的内部裂纹和进一步预测材料的断裂,如判断水电站、矿场的岩体强度、导弹发动机外壳的抗压能力、机翼裂纹引起的适航能力等问题。由于扩展有限元法进行裂纹模拟时计算量较大、计算复杂度高,同时对硬件设施的要求较高,如果试样庞大,进行如此大的计算量几乎是不切实际的,解决这种庞大的计算量,寻找裂纹空间信息与载荷的映射关系,有助于提高裂纹模拟和预测的速度精度和速度,因此材料裂纹的路径预测和剩余寿命评估引着越来越多的研究人员。
许多学者尝试使用深度学习算法研究裂纹。深度学习采用数据驱动的方式,自学习与自适应性的调整结构参数,改变映射关系,从而对特定的输入产生相应的期望输出。这种特性提供了不需要先验的构造所研究物理场景的优点。在过去的几年里,很多学者已经探索了关于机器学习在裂纹扩展上的算法,并且在他们的论文中验证了方法的有效性。现有的方法多是分别对裂纹张开应力和损伤程度进行分析,然而,这些方法的能力是有限的,因为它们没有利用应力和损伤之间的对应关系,从单因素寻求裂纹生长的规律,而应力和损伤之间的关系是理解裂纹演化的关键。
发明内容
为了解决现有技术的不足,本申请提供了一种脆性大理石三维裂纹扩展路径预测方法及系统;本申请以XFEM裂纹演化的实验数据为基础,构建了基于深度学习的数据驱动模型,深度学习模型的目标是学习一个非线性目标函数,用于将输入和相应的标签转换为特征向量并生成预测输出。同时,通过识别不同模态数据的学习任务,并理解应力和裂纹增长之间的相互依赖关系,然后根据模态差异进一步指导网络学习对应的裂纹图像差异。同时,考虑序列信息前向传播中的损失不断增加,采用调制参数,利用梯度下降法对目标函数进行导向反向传播优化,降低裂纹区域的分类误差,增强裂纹预测的鲁棒性。
第一方面,本申请提供了一种脆性大理石三维裂纹扩展路径预测方法;
一种脆性大理石三维裂纹扩展路径预测方法,包括:
获取待预测脆性大理石的初始裂纹图和初始裂纹参数;
对待预测脆性大理石的初始裂纹图进行裂纹特征提取,得到当前时刻的裂纹特征;基于当前时刻的裂纹特征,生成当前时刻的伪裂纹图;
对待预测脆性大理石的初始裂纹参数进行参数关系提取,得到裂纹参数关系;基于裂纹参数关系,生成当前时刻的预测裂纹参数;
基于当前时刻的伪裂纹图和当前时刻的预测裂纹参数,生成当前时刻的预测裂纹图。
第二方面,本申请提供了一种脆性大理石三维裂纹扩展路径预测系统;
一种脆性大理石三维裂纹扩展路径预测系统,包括:
获取模块,其被配置为:获取待预测脆性大理石的初始裂纹图和初始裂纹参数;
伪裂纹图生成模块,其被配置为:对待预测脆性大理石的初始裂纹图进行裂纹特征提取,得到当前时刻的裂纹特征;基于当前时刻的裂纹特征,生成当前时刻的伪裂纹图;
预测裂纹参数生成模块,其被配置为:对待预测脆性大理石的初始裂纹参数进行参数关系提取,得到裂纹参数关系;基于裂纹参数关系,生成当前时刻的预测裂纹参数;
预测裂纹图生成模块,其被配置为:基于当前时刻的伪裂纹图和当前时刻的预测裂纹参数,生成当前时刻的预测裂纹图。
第三方面,本申请还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述第一方面所述的方法。
第四方面,本申请还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
第五方面,本申请还提供了一种计算机程序(产品),包括计算机程序,所述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意一项的方法。
与现有技术相比,本申请的有益效果是:
1.首先,在数据表示方面,本申请结合初始裂纹长度、边界约束等条件,以端对端的形式将大量的应力/应变场嵌入到图像特征表示中。
2.其次,本申请可以在训练好的调制参数中自动构造一个矩阵形式的图像表示,省去了在常见的软件操作中的手动装配、网格划分。
3.再次,本申请在裂纹图像空间中嵌入应力/应变场。通过将裂纹相关表达的时间和空间信息嵌入到图像矩阵中,便于卷积和时序网络学习裂纹的演化特性。
4.此外,如果有足够的时空信息,本申请可以扩展和整合到其他方法中,例如相对场,虚拟裂纹闭合,内聚单元模型。本申请可以将多模态数据进行到神经网络框架中,用于物理推理和场景模拟。
5.在运算速度上,因本申请采用预训练模型继续训练,收敛速度较快,迭代次数少,采用调制参数产生测试结果,因此计算速度较快。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本申请实施例一的脆性大理石三维裂纹扩展路径预测方法流程图;
图2是本申请实施例一的用于生成脆性大理石试件的二维草图;
图3是本申请实施例一的脆性大理石样本采样和数据挑选流程图;
图4是本申请实施例一的裂纹预测器模块的流程图;
图5是本申请实施例一的裂纹预测器模块中特征提取过程添加的通道注意力模块示意图;
图6是本申请实施例一的在采用的长短时记忆网络单元的内部结构示意图;
图7是本申请实施例一的在应力预测器中所采用的的结构示意图;
图8是本申请实施例一的在样本1上裂纹长度随时间变化的真实值与预测值的统计比较;
图9是本申请方法中在样本2上裂纹长度随时间变化的真实值与预测值的统计比较;
图10是本申请实施例一的与其他两种方法预测结果准确率和均方误差统计比较。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供了一种脆性大理石三维裂纹扩展路径预测方法;
一种脆性大理石三维裂纹扩展路径预测方法,包括:
S101:获取待预测脆性大理石的初始裂纹图和初始裂纹参数;
S102:对待预测脆性大理石的初始裂纹图进行裂纹特征提取,得到当前时刻的裂纹特征;基于当前时刻的裂纹特征,生成当前时刻的伪裂纹图;
S103:对待预测脆性大理石的初始裂纹参数进行参数关系提取,得到裂纹参数关系;基于裂纹参数关系,生成当前时刻的预测裂纹参数;
S104:基于当前时刻的伪裂纹图和当前时刻的预测裂纹参数,生成当前时刻的预测裂纹图。
作为一个或多个实施例,所述S101:获取待预测脆性大理石的初始裂纹图;具体步骤包括:
建立待预测脆性大理石的仿真模型;
将仿真模型进行网格化处理;网格化处理后得到若干个离散的正方体单元;
选择位移模式,利用变分原理推导出正方体单元的刚度矩阵;
集合待预测脆性大理石整体的刚度矩阵,得到整体有限元线性方程;
分析处理载荷及边界条件;对有限元线性方程进行求解,得到节点位移,计算每个正方体单元的应力与应变;
对提取到的应力和应变进行数据归一化处理,并将归一化处理后的数据重塑得到初始裂纹图像。
作为一个或多个实施例,所述S101:获取初始裂纹参数;是指获取待预测脆性大理石的初始裂纹长度、裂纹时刻、初始裂纹位置和裂纹尖端位置。
作为一个或多个实施例,所述S102:对待预测脆性大理石的初始裂纹图进行裂纹特征提取,得到当前时刻的裂纹特征;具体步骤包括:
基于卷积神经网络CNN,对待预测脆性大理石的初始裂纹图进行裂纹特征提取,得到当前时刻的裂纹特征。
所述卷积神经网络CNN的卷积层,设置注意力机制模块。
作为一个或多个实施例,所述S102:基于当前时刻的裂纹特征,生成当前时刻的伪裂纹图;具体步骤包括:
将当前时刻的裂纹特征输入到第一LSTM模型中,将第一LSTM模型的输出值经上采样操作后,生成当前时刻的伪裂纹图。
作为一个或多个实施例,所述S103:对待预测脆性大理石的初始裂纹参数进行参数关系提取,得到裂纹参数关系;基于裂纹参数关系,生成当前时刻的预测裂纹参数;具体步骤包括:
将初始裂纹参数,输入到第二LSTM模型中,输出裂纹参数关系;基于裂纹参数关系,生成当前时刻的预测裂纹参数。
示例性的,参数关系是每个参数之间相互影响的程度;初始裂纹参数包括:初始裂纹长度,裂纹尖端位置,裂纹的时刻。
所述卷积神经网络CNN、第一LSTM模型和第二LSTM模型,共同组成了深度学习模型;其中,卷积神经网络CNN的输入端用于输入初始裂纹图,卷积神经网络的输出端与第一LSTM模型的输入端连接,第一LSTM模型的输出端与卷积神经网络CNN的输入端连接;第二LSTM模型的输入端用于输入初始裂纹参数,第二LSTM模型的输出端与第一LSTM模型的输出端连接。
所述卷积神经网络CNN和第一LSTM模型共同组成了损伤图预测器,所述第二LSTM模型组成了应力预测器。应力预测器,用于预测各单元的最大主应力;损伤图预测器,用于预测损伤的趋势和位置。应力预测因子侧重于时间特征,损伤图预测因子更侧重于空间特征,二者在一定程度上相互补充和促进。
应力预测器是辅助网络,通过与损伤图预测器的协同学习来增强特征表达。应力预测器的工作原理是根据t-1时刻或之前的输入和记忆来预测t时刻的最大主应力和对应的裂纹尖端坐标和裂纹面积值。
损伤图预测器,由卷积神经网络CNN和第一LSTM模型构成,其目的是对损伤位置的预测,即确定裂纹路径、裂纹趋势和裂纹尖端时刻t的位置。
卷积神经网络CNN由卷积层、池化层、批量归一化层、通道自注意力和输出层构成,以来提取裂纹的深度特征。
卷积神经网络CNN进行裂纹图像特征提取,同时达到降维的作用;构建对应力/应变和裂纹区域的三维张量,用32个不同初始化的卷积核与裂纹图像的值进行卷积操作;
卷积神经网络CNN对裂纹特征进行数据非线性化,同时将输入和输出的关系刻画为非线性变化。
卷积神经网络CNN对图像特征取局部接受域中值最大的点,即进一步进行最大池化,保留裂纹图像的纹理特征;
卷积神经网络CNN通过BN层将输入归一化到[0,1]或[-1,1]的范围,并对每层输出的平均值和方差进行归一化,提高了网络的泛化能力,同时,在一定程度上可以解决梯度消失的问题。
卷积神经网络CNN针对裂纹区域特征及对应的应力/应变特征,通过注意力机制抽取特征点的裂纹空间位置;求取裂纹区域与对应特征点的空间映射关系;
卷积神经网络CNN根据空间映射关系,计算求得任一裂纹图像中任一体素变换到特征空间中的空间位置,即寻找到相对应的特征点,完成特征空间的转换,是后续裂纹区域准确预测的有利基础。
卷积神经网络CNN卷积层中增加了通道注意力机制,结合各通道的特征,生成新的注意特征图,了解三维空间中各层的裂缝特征,提高模型的表现力。
第一LSTM模型,提取裂纹特征和应变/应变特征深度特征,将裂纹特征和应变/应变特征进行深度融合;
第一LSTM模型,使用长短时记忆网络来捕捉损伤空间特征的时间序列变化,并与应力预测器协同工作以获得更好的特征。
第一LSTM模型,将每个时刻的语义转换为对应的语义向量。
第一LSTM模型,根据前t-1(t为当前时刻)或之前的输入和记忆来捕获裂纹长度随时间的变化规律及预测t时刻的裂纹位置,同时采集对应的裂纹时序信息。
在第一LSTM模型中添加基于时序的注意力机制,对前t-1序列中,更能辅助预测当前时刻t的裂纹尖端位置的时刻赋予更高的权重。
在第二LSTM模型中,对每个时刻的输入语义向量进行加权,以反映每个输入在相应输出中的重要性;
将序列中的应力/应变送入应力预测器用于预测各单元的最大主应力,预测当前时刻的最大主应力,即求解三维应力/应变空间中每一通道像素值的最大值,并采用均值滤波去除噪声。
将应力预测器预测的应力最大值和损伤图预测值分别给予一定的权重相加融合,判断应力预测器预测的裂纹尖端位置和应力最大值与损伤图预测器预测的裂纹尖端位置是否吻合。通过以上操作,得到了一个伪损伤映射。
将伪损伤映射与应力预测器预测的应力相结合,生成最终损伤映射。
将最终的损伤图与真实值进行比较,然后通过引导反向传播反馈的梯度进一步微调网络参数。预测后的损伤图被发送到损伤图预测器,作为下一个预测的已知信息。在训练过程中,利用梯度下降规则来调整模型参数,以获得更好的实时训练效果。
所述深度学习网络,通过训练集训练后,才会被使用。在数据增强后,所有的数据首先被分成三个独立的部分:训练集和测试集,以保证实验的有效性。然后,训练数据被送入我们提出的深度学习模型中,目的是设置网络参数和拟合模型。
所述训练集,包括:已知每个时刻裂纹路径的脆性大理石的初始裂纹图、脆性大理石的应力应变和裂纹区域的时空位置信息。所述裂纹区域的时空位置信息,包括:裂纹的预设长度和初始裂纹的位置。
所述脆性大理石的应力应变和裂纹区域的时空位置信息,是对ABAQUS脆性大理石模拟试样提取得到的。
深度学习网络的具体训练步骤包括:
对裂纹模拟样本进行筛选,去除噪声大的样本;
对裂纹模拟样本进行预处理,归一化并重塑到与模拟样本相同的网格尺寸;
对裂纹模拟样本进行下采样操作提取特征,后经上采样操作还原为初始尺寸的特征向量;
将前t-1帧特征向量按序列进入时序网络,预测t时刻的裂纹位置和裂纹尖端走势,生成伪裂纹图;
对裂纹模拟样本参数进行关系抽取和参数预测,并对预测参数进行回归;
生成的伪裂纹图与真实值逐体素比对,使用交叉熵损失函数计算匹配损失,通过导向反向传播回传梯度信息,对伪裂纹图进行修正生成裂纹图,用于下一阶段的预测。
损伤图预测器将每个元素看做二分类任务。由于裂纹尖端是根据当前损伤图中的裂纹尖端位置移动的,上述方法用0~1之间的值反应裂纹在各区域出现的概率值。当像素点的概率大于某一阈值时视为裂纹区域,这里,阈值被设置为0.6。
本申请采用交叉熵损失来解决正样本和负样本比例严重失衡的问题。一旦类别严重不平衡,网络就偏向于将裂纹区域预测为非裂纹区域负样本。
因此,采用交叉熵损失可以解决正样本和负样本比例严重失衡的问题。
本申请采用准确率和均方误差作为评估标准,以评估所提出的方法的有效性。
本申请在5216个样本上进行验证,随机抽取数据集的80%用于训练(4172个模拟样本),其余的20%用于测试(1044个模拟样本)。
本申请在训练过程中,采用不同的初始裂纹长度和角度作为初始条件,首先改变裂纹的初始长度,以测试深度学习模型的性能,然后转向更复杂的场景的预测和验证。。
本申请对于一个样本,将其视作一个视频,其中每一帧都是静止的图像。
大理石模拟试样通过模拟设备Abaqus 6.14.3采用扩展有限元的方法生成。该模拟器已经成熟,可以在允许的误差范围内准确地计算裂纹扩展的方向和长度。本申请在5216个裂纹模拟样本上进行验证,裂纹图和裂纹参数通Python Abaqus后处理步骤抽取。由于直接提取的裂纹图不符合本申请深度学习网络模型输入,所以对裂纹图和裂纹参数进行预处理以匹配模型的输入。
执行对裂纹图进行裂纹特征提取,对裂纹参数进行参数关系提取。对裂纹图进行特征提取操作,求取裂纹区域与对应特征点的空间映射关系。根据空间映射关系,计算求得任一裂纹图像中任一体素变换到特征空间中的空间位置,即寻找到相对应的特征点。裂纹图特征提取操作经由卷积层、池化层、批量归一化层、通道注意力和输出层获取裂纹的深度特征。该模块采用八层的编码器解码器结构,前四层的编码器,后四层为解码器。首层卷积核个数为32,卷积核大小为3*3,步长为3;第二层卷积核个数为64,卷积核大小为2*2,步长为2;第三层卷积核个数为128,卷积核大小的2*2,步长为3;第四层卷积核个数为256,卷积核大小为2*2,步长为2。
将前t-1帧特征向量按序列进入第一LSTM时序网络,预测t时刻的裂纹位置和裂纹尖端走势,将预测特征经解码器上采样为原始形状,生成伪裂纹图;该操作的目的是还原回与特征提取操作前一样的形状。上采样包括四层神经元,首层卷积核个数为128,步长为(1,2);第二层卷积核个数为64,卷积核大小为2*2,步长为2;第三层卷积核个数为32,卷积核大小的3*3,步长为3;第四层卷积核个数为10,卷积核大小为5*5,步长为5,四周补0。此外,应力预测分支根据参数关系预测当前时刻的裂纹参数,将序列中的应力/应变送入应力预测器用于预测各单元的最大主应力,预测当前时刻的的最大主应力,即求解三维应力/应变空间中每一通道像素值的最大值。
将伪裂纹图和预测的裂纹最大主应力等参数进行深度融合,判断应力预测器预测的裂纹尖端位置和应力最大值与损伤图预测器预测的裂纹尖端位置是否吻合。通过以上操作,得到一个伪损伤映射,将伪损伤映射与候选应力相结合,生成最终损伤映射,即生成当前时刻裂纹预测图。
对生成的裂纹图与真实值逐体素比对,使用交叉熵损失函数计算匹配损失,通过导向反向传播回传梯度信息,对伪裂纹图进行修正生成裂纹图,用于下一阶段的预测。
在TensorFlow上进行测试,在训练过程中,利用Adam优化器对网络参数进行优化,同时采用移动平均权值,使训练过程中的参数更新更加平滑,提高训练效果。训练期间的衰减率设置为0.999。采用小批量训练方法,批量大小设置为16个。针对随机参数,采用Xavier方法对训练初始化参数进行初始化。学习率设置为。长短时记忆网络的优化器是RMSProp,网络的每一层由36个神经细胞组成。退化率设置为0.05。包括以下几个过程:
过程1:提取裂纹图和裂纹参数
首先根据生成的大理石裂纹样本草图(如图2所示)生成模拟试样。对裂纹试样数据采集和处理(如图3所示)。从高保真度扩展有限元模型中获得仿真数据,收集不同条件下的模拟试样到数据库,从仿真数据存储在数据仓库中选择有效样本,并将其划分为训练集和测试集。最后,我们将训练集传入本申请提出的深度学习模型。对被试的大理石裂纹模拟样本进行提取裂纹图和裂纹参数,将一维裂纹图重塑到三维空间,这里选择重塑为成(16,10,30,60)方便深度学习模型设计。16为每个样本的帧数,10为大理石模拟样本的厚度,即图像的通道数,30和60代表图像的正方形的宽和高。然后抽取大理石模拟裂纹的参数,包括每一帧的初始裂纹长度、裂纹尖端位置、裂纹尖端主应力等信息,对其进行热编码。
过程2:提取裂纹特征和参数关系。
提取裂纹特征,需要提取序列中每一张图像的裂纹位置,并总结裂纹到特征的非线性变换,主要过程可以分为以下两个步骤:
第一步:对原始图像进行下采样和多尺度变换,获得连续多通道图像特征表示序列(如图4),对多通道特征图计算通道间相互依赖关系(如图5),对裂纹图进行特征提取操作,求取裂纹区域与对应特征点的空间映射关系。根据空间映射关系,计算求得任一裂纹图像中任一体素变换到特征空间中的空间位置,即寻找到相对应的特征点,并对这些序列进行空间上裂纹特征关键点提取,并以此作为特征向量,为下一步的时间上裂纹特征点的提取奠定基础。
第二步:对裂纹的初始化参数进行热编码转化为参数向量,并在空间上对参数进行比对,对参数关系进行抽取。
过程3:伪裂纹图预测和裂纹参数预测。
生成当前时刻伪裂纹图和裂纹参数,需要提取序列中时空关键点特征,并反馈出当前时刻的隐藏状态,主要过程可以分为以下两个步骤:
第一步:编码器将上下文向量ct映射到一系列注释(h1,h2,……,ht),
根据前t-1时刻的裂纹源输入(x1,x2,……,xt)的隐含状态(如图6),隐含状态包含整个输入序列的信息,表示非线性处理模块的隐含层在时刻的输出状态。
第二步:计算i时刻隐藏状态hj的保留程度αij(如图7):
对每个时刻的输入语义向量进行加权,以反映每个输入在相应输出中的重要性,后经非线性变化,得到伪裂纹图:
st=f(st-1,yt-1,ct)
第三步:预测裂纹参数
应力预测分支根据参数关系预测当前时刻的裂纹参数,将序列中的应力/应变送入应力预测器用于预测各单元的最大主应力,预测当前时刻的的最大主应力,即求解三维应力/应变空间中每一通道像素值的最大值。
过程4:特征融合
伪裂纹图和预测的裂纹最大主应力等参数进行深度融合,判断应力预测器预测的裂纹尖端位置和应力最大值与损伤图预测器预测的裂纹尖端位置是否吻合。通过以上操作,得到一个伪损伤映射,将伪损伤映射与候选应力相结合,生成最终损伤映射,即生成当前时刻裂纹预测图。
步骤5:损失回归
对生成的裂纹图与真实值逐体素比对,使用交叉熵损失函数计算匹配损失,通过导向反向传播回传梯度信息,对伪裂纹图进行修正生成裂纹图,用于下一阶段的预测。
本申请的技术方案保证了脆性大理石裂纹预测的准确性。图8是本申请实施例一的在样本1上裂纹长度随时间变化的真实值与预测值的统计比较;图9是本申请方法中在样本2上裂纹长度随时间变化的真实值与预测值的统计比较;图10是本申请实施例一的与其他两种方法预测结果准确率和均方误差统计比较。
实施例二
本实施例提供了一种脆性大理石三维裂纹扩展路径预测系统;
一种脆性大理石三维裂纹扩展路径预测系统,包括:
获取模块,其被配置为:获取待预测脆性大理石的初始裂纹图和初始裂纹参数;
伪裂纹图生成模块,其被配置为:对待预测脆性大理石的初始裂纹图进行裂纹特征提取,得到当前时刻的裂纹特征;基于当前时刻的裂纹特征,生成当前时刻的伪裂纹图;
预测裂纹参数生成模块,其被配置为:对待预测脆性大理石的初始裂纹参数进行参数关系提取,得到裂纹参数关系;基于裂纹参数关系,生成当前时刻的预测裂纹参数;
预测裂纹图生成模块,其被配置为:基于当前时刻的伪裂纹图和当前时刻的预测裂纹参数,生成当前时刻的预测裂纹图。
此处需要说明的是,上述获取模块、伪裂纹图生成模块、预测裂纹参数生成模块和预测裂纹图生成模块对应于实施例一中的步骤S101至S104,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重,某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统,可以通过其他的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如上述模块的划分,仅仅为一种逻辑功能划分,实际实现时,可以有另外的划分方式,例如多个模块可以结合或者可以集成到另外一个系统,或一些特征可以忽略,或不执行。
实施例三
本实施例还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述实施例一所述的方法。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
实施例四
本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一所述的方法。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种脆性大理石三维裂纹扩展路径预测方法,其特征是,包括:
获取待预测脆性大理石的初始裂纹图和初始裂纹参数;
对待预测脆性大理石的初始裂纹图进行裂纹特征提取,得到当前时刻的裂纹特征;基于当前时刻的裂纹特征,生成当前时刻的伪裂纹图;
对待预测脆性大理石的初始裂纹参数进行参数关系提取,得到裂纹参数关系;基于裂纹参数关系,生成当前时刻的预测裂纹参数;
基于当前时刻的伪裂纹图和当前时刻的预测裂纹参数,生成当前时刻的预测裂纹图。
2.如权利要求1所述的方法,其特征是,获取初始裂纹参数;是指获取待预测脆性大理石的初始裂纹长度、裂纹时刻、初始裂纹位置和裂纹尖端位置。
3.如权利要求1所述的方法,其特征是,对待预测脆性大理石的初始裂纹图进行裂纹特征提取,得到当前时刻的裂纹特征;具体步骤包括:
基于卷积神经网络CNN,对待预测脆性大理石的初始裂纹图进行裂纹特征提取,得到当前时刻的裂纹特征。
4.如权利要求3所述的方法,其特征是,所述卷积神经网络CNN的卷积层,设置注意力机制模块。
5.如权利要求4所述的方法,其特征是,基于当前时刻的裂纹特征,生成当前时刻的伪裂纹图;具体步骤包括:
将当前时刻的裂纹特征输入到第一LSTM模型中,将第一LSTM模型的输出值经上采样操作后,生成当前时刻的伪裂纹图。
6.如权利要求5所述的方法,其特征是,对待预测脆性大理石的初始裂纹参数进行参数关系提取,得到裂纹参数关系;基于裂纹参数关系,生成当前时刻的预测裂纹参数;具体步骤包括:
将初始裂纹参数,输入到第二LSTM模型中,输出裂纹参数关系;基于裂纹参数关系,生成当前时刻的预测裂纹参数。
7.如权利要求6所述的方法,其特征是,所述卷积神经网络CNN、第一LSTM模型和第二LSTM模型,共同组成了深度学习模型;其中,卷积神经网络CNN的输入端用于输入初始裂纹图,卷积神经网络的输出端与第一LSTM模型的输入端连接,第一LSTM模型的输出端与卷积神经网络CNN的输入端连接;第二LSTM模型的输入端用于输入初始裂纹参数,第二LSTM模型的输出端与第一LSTM模型的输出端连接。
8.一种脆性大理石三维裂纹扩展路径预测系统,其特征是,包括:
获取模块,其被配置为:获取待预测脆性大理石的初始裂纹图和初始裂纹参数;
伪裂纹图生成模块,其被配置为:对待预测脆性大理石的初始裂纹图进行裂纹特征提取,得到当前时刻的裂纹特征;基于当前时刻的裂纹特征,生成当前时刻的伪裂纹图;
预测裂纹参数生成模块,其被配置为:对待预测脆性大理石的初始裂纹参数进行参数关系提取,得到裂纹参数关系;基于裂纹参数关系,生成当前时刻的预测裂纹参数;
预测裂纹图生成模块,其被配置为:基于当前时刻的伪裂纹图和当前时刻的预测裂纹参数,生成当前时刻的预测裂纹图。
9.一种电子设备,其特征是,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011032437.5A CN112347531B (zh) | 2020-09-27 | 2020-09-27 | 一种脆性大理石三维裂纹扩展路径预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011032437.5A CN112347531B (zh) | 2020-09-27 | 2020-09-27 | 一种脆性大理石三维裂纹扩展路径预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112347531A true CN112347531A (zh) | 2021-02-09 |
CN112347531B CN112347531B (zh) | 2023-06-30 |
Family
ID=74360572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011032437.5A Active CN112347531B (zh) | 2020-09-27 | 2020-09-27 | 一种脆性大理石三维裂纹扩展路径预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347531B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567245A (zh) * | 2021-07-23 | 2021-10-29 | 中海石油(中国)有限公司 | 一种金属焊缝裂纹扩展长度的识别方法 |
CN114154427A (zh) * | 2022-02-08 | 2022-03-08 | 中国石油大学(华东) | 基于深度学习的体积压裂裂缝扩展预测方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150213166A1 (en) * | 2014-01-28 | 2015-07-30 | Rolls-Royce Corporation | Using fracture mechanism maps to predict time-dependent crack growth behavior under dwell conditions |
CN109300103A (zh) * | 2017-07-24 | 2019-02-01 | 清华大学 | 一种混凝土表面裂缝宽度检测方法 |
CN109345032A (zh) * | 2018-10-30 | 2019-02-15 | 南京航空航天大学 | 基于动态裂纹数目的粒子滤波多裂纹扩展预测方法 |
CN109949290A (zh) * | 2019-03-18 | 2019-06-28 | 北京邮电大学 | 路面裂缝检测方法、装置、设备及存储介质 |
CN110879253A (zh) * | 2018-09-05 | 2020-03-13 | 哈尔滨工业大学 | 一种基于改进长短时记忆网络的钢轨裂纹声发射信号检测方法 |
CN111209620A (zh) * | 2019-12-30 | 2020-05-29 | 浙江大学 | 基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法 |
CN111687689A (zh) * | 2020-06-23 | 2020-09-22 | 重庆大学 | 一种基于lstm和cnn的刀具磨损状态预测方法及装置 |
-
2020
- 2020-09-27 CN CN202011032437.5A patent/CN112347531B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150213166A1 (en) * | 2014-01-28 | 2015-07-30 | Rolls-Royce Corporation | Using fracture mechanism maps to predict time-dependent crack growth behavior under dwell conditions |
CN109300103A (zh) * | 2017-07-24 | 2019-02-01 | 清华大学 | 一种混凝土表面裂缝宽度检测方法 |
CN110879253A (zh) * | 2018-09-05 | 2020-03-13 | 哈尔滨工业大学 | 一种基于改进长短时记忆网络的钢轨裂纹声发射信号检测方法 |
CN109345032A (zh) * | 2018-10-30 | 2019-02-15 | 南京航空航天大学 | 基于动态裂纹数目的粒子滤波多裂纹扩展预测方法 |
CN109949290A (zh) * | 2019-03-18 | 2019-06-28 | 北京邮电大学 | 路面裂缝检测方法、装置、设备及存储介质 |
CN111209620A (zh) * | 2019-12-30 | 2020-05-29 | 浙江大学 | 基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法 |
CN111687689A (zh) * | 2020-06-23 | 2020-09-22 | 重庆大学 | 一种基于lstm和cnn的刀具磨损状态预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
MAX SCHWARZER, BRYCE ROGANA, YADONG RUAN AND ET AL.: ""Learning to fail: Predicting fracture evolution in brittle material models using recurrent graph convolutional neural networks"", 《COMPUTATIONAL MATERIALS SCIENCE》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567245A (zh) * | 2021-07-23 | 2021-10-29 | 中海石油(中国)有限公司 | 一种金属焊缝裂纹扩展长度的识别方法 |
CN113567245B (zh) * | 2021-07-23 | 2023-09-19 | 中海石油(中国)有限公司 | 一种金属焊缝裂纹扩展长度的识别方法 |
CN114154427A (zh) * | 2022-02-08 | 2022-03-08 | 中国石油大学(华东) | 基于深度学习的体积压裂裂缝扩展预测方法和系统 |
CN114154427B (zh) * | 2022-02-08 | 2022-04-19 | 中国石油大学(华东) | 基于深度学习的体积压裂裂缝扩展预测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112347531B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259930B (zh) | 自适应注意力指导机制的一般性目标检测方法 | |
CN111312329B (zh) | 基于深度卷积自动编码器的转录因子结合位点预测的方法 | |
CN114897779B (zh) | 基于融合注意力的宫颈细胞学图像异常区域定位方法及装置 | |
CN110673840A (zh) | 一种基于标签图嵌入技术的自动代码生成方法及系统 | |
CN112906989B (zh) | 一种基于cnn-lstm的区域海表面温度预测方法 | |
CN110175248B (zh) | 一种基于深度学习和哈希编码的人脸图像检索方法和装置 | |
CN114092832A (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN112347531B (zh) | 一种脆性大理石三维裂纹扩展路径预测方法及系统 | |
Wu et al. | Optimized deep learning framework for water distribution data-driven modeling | |
CN116206185A (zh) | 一种基于改进YOLOv7的轻量级小目标检测方法 | |
CN110930378A (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
CN111651993A (zh) | 融合局部-全局字符级关联特征的中文命名实体识别方法 | |
CN115374903A (zh) | 一种基于高速公路传感网布设的长期路面监测数据增强方法 | |
CN111325766A (zh) | 三维边缘检测方法、装置、存储介质和计算机设备 | |
CN113869412B (zh) | 一种联合轻量级注意力机制和YOLOv3网络的图像目标检测方法 | |
CN114581789A (zh) | 一种高光谱图像分类方法及系统 | |
CN113792594B (zh) | 一种基于对比学习的视频中语言片段定位方法及装置 | |
Nakhaee et al. | DeepRadiation: An intelligent augmented reality platform for predicting urban energy performance just through 360 panoramic streetscape images utilizing various deep learning models | |
CN115937516B (zh) | 一种图像语义分割方法、装置、存储介质及终端 | |
CN112381108A (zh) | 一种基于图卷积神经网络深度学习的枪弹痕迹相似度识别方法和系统 | |
CN115511798A (zh) | 一种基于人工智能技术的肺炎分类方法及装置 | |
Wirayasa et al. | Comparison of Convolutional Neural Networks Model Using Different Optimizers for Image Classification | |
Tang et al. | Design and implementation of improved CNN activation function | |
CN117933259B (zh) | 基于局部文本信息的命名实体识别方法 | |
CN116794626A (zh) | 基于移动窗口和注意力模型的雷达目标识别方法、装置和介质 |
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 |