CN112825105B - 混合材料参数压缩的板料挤压成形力快速预测方法 - Google Patents
混合材料参数压缩的板料挤压成形力快速预测方法 Download PDFInfo
- Publication number
- CN112825105B CN112825105B CN201911141684.6A CN201911141684A CN112825105B CN 112825105 B CN112825105 B CN 112825105B CN 201911141684 A CN201911141684 A CN 201911141684A CN 112825105 B CN112825105 B CN 112825105B
- Authority
- CN
- China
- Prior art keywords
- stress
- model
- sheet extrusion
- strain
- encoder
- 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.)
- Active
Links
Images
Classifications
-
- 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
- Extrusion Moulding Of Plastics Or The Like (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种混合材料参数压缩的板料挤压成形力快速预测方法,通过无监督学习算法形成自编码器,充分利用现有的大应变下不同材料本构模型,压缩材料流动应力曲线,构建材料参数压缩模型,获取压缩后材料性能特征;再通过监督学习建立起材料性能特征、工艺参数与板料挤压成形力之间复杂的非线性关系,从而实现板料板料挤压成形力的快速精准预测,本发明基于神经网络无监督学习和监督学习的方法,克服神经网络在特征较多、数据量较小的场景中,容易出现陷入局部最小值、过拟合等问题,提高了模型的预测精度,可以为板料挤压的工艺和模具设计提供有力支撑。
Description
技术领域
本发明涉及的是一种材料成形领域的技术,具体是一种混合材料参数压缩的板料挤压成形力快速预测方法。
背景技术
现有的板料挤压成形力的预测方法主要有力学解析法和数值仿真法。在板料挤压成形过程中,成形力的大小不仅受到材料本身力学性能的影响,还受到许多工艺参数的影响,力学解析法在工程上应用较广,但主要借鉴棒料挤压的模型,误差较大。数值仿真法能有效提升成形力的预测精度,但有限元建模过程繁琐、需要专门软件,无法快速获取结果,工程上难以推广。近年来随着神经网络技术的快速发展,可用于预测模型的建立,但是对于板料挤压成形力的预测来说,输入参数众多,特别材料性能参数的输入,无法获得训练所需的大量样本,而样本少的时候,又容易出现陷入局部最小值、过拟合等问题。
发明内容
本发明针对现有技术存在的上述不足,提出一种混合材料参数压缩的板料挤压成形力快速预测方法,基于神经网络无监督学习和监督学习的方法,克服神经网络在特征较多、数据量较小的场景中,容易出现陷入局部最小值、过拟合等问题,提高了模型的预测精度,可以为板料挤压的工艺和模具设计提供有力支撑。
本发明是通过以下技术方案实现的:
本发明涉及一种混合材料参数压缩的板料挤压成形力快速预测方法,通过无监督学习算法形成自编码器,充分利用现有的大应变下不同材料本构模型,压缩材料流动应力曲线,构建材料参数压缩模型,获取压缩后材料性能特征;再通过监督学习建立起材料性能特征、工艺参数与板料挤压成形力之间复杂的非线性关系,从而实现板料板料挤压成形力的快速精准预测,具体包括以下步骤:
步骤一、为了使所获得的预测模型尽可能地适用于不同类型材料,采用常用的适用范围不同的材料本构模型构建不同类型材料的材料应力应变关系数据,具体为:对于不同的材料本构模型确定对应的待定系数空间,在系数空间内通过不同系数的配置批量获取不同模型的应力应变关系曲线,然后将应力应变关系曲线按照应变0.01的间隔离散成若干个点应力点作为无监督学习的输入。
所述的本构模型包括:Ludwik模型:σ=A+B·(εp)n;Swift模型:σ=A·(B+εp)n;Ghosh模型:σ=A·(B+εp)n-C;Hockett-Sherby模型:σ=B-(B-A)·exp(-C·(εp)n);Voce模型:σ=B-(B-A)·exp(-C·εp),其中:σ为材料的流动应力,εp为等效塑性应变,A、B、C、n为待定系数。
步骤二、采用自编码器对材料应力应变关系数据进行无监督学习,从而获取不同材料类型对应的应力应变数据中的结构化信息,完成材料参数压缩模型的构建,解决不同类型材料性能参数的输入问题。
所述的自编码器为具有参数压缩功能的堆叠多层受限波尔兹曼机,其中单层受限波尔兹曼机的可见层和隐藏层之间的能量函数其中:nv为可见层的结点个数,nh为隐藏层的结点个数,wij为可见层结点i与隐藏层结点j之间连接的权重,bi为可见层结点的偏置,cj隐藏层结点的偏置。
所述的无监督学习,通过不断迭代自编码器的参数,使受限玻尔兹曼机中定义的能量函数E(v,h)尽可能小,即解码后对应的应力数据与原始的应力数据之间的误差不再缩小,受限玻尔兹曼机趋于稳定。
所述的压缩,优选为了使得自编码器压缩后的特征能够尽量无损地为材料应力应变关系的结构化特征,需要对自编码器的节点结构进行调整,使自编码器的重构误差尽可能小。依据材料应力应变关系压缩后重构误差,材料参数压缩最佳特征值为3或4个。
步骤三、综合考虑板料挤压的影响因素,选取材料应力应变关系σ(ε)、板料厚度h、断面收缩率εF、凸模半径r、摩擦系数μ、压下量s作为板料挤压力预测模型输入量,通过实验与数值模拟结合的方式,获取不同影响因素组合对应的板料挤压成形力数据并构建得到板料挤压力预测模型样本数据集。
所述的板料挤压力预测模型样本数据集,通过设计少量的板料挤压实验,根据实验的板料挤压成形力结果校准有限元模型,以保证数值模拟结果的有效性;然后建立不同材料类型、不同工艺参数对应的有限元模型,通过数值模拟的方式,获取板料挤压成形力数据,建立板料挤压力预测模型数据集。
步骤四、构建基于多层神经网络的板料挤压成形力快速预测模型,根据步骤三中的板料挤压力预测模型样本数据集对多层神经网络进行训练后,以步骤二得到的材料参数压缩模型和步骤三中的板料挤压力预测模型输入量作为多层神经网络的输入,根据得到的板料挤压成形力构建板料挤压成形力快速预测模型,进行板料挤压成形力预测和校验。
所述的训练,采用步骤三所获得的板料挤压力预测模型样本数据集按照9∶1比例划分为训练集和测试集;然后采用最大最小法,对板料挤压力预测模型样本数据集中的数据按照不同参数分别进行归一化处理,即归一化后的数据其中:xmax为数据集中该参数的最大值,xmin为数据集中该参数的最小值,x为原始值。
所述的训练,以MSE作为训练中的损失函数,用于训练迭代过程中的梯度下降更新依据;训练停止的依据是根据MSE计算的损失值,在训练迭代中不再下降,确定了最终的神经网络的权值和偏置,输出与输入之间的关系通过权值和偏置计算得到:
所述的多层神经网络的具体结构根据不同网络结构之间的预测和实际之间的对比结果确定,可通过计算预测结果和实际结果之间的均方误差和百分比精度,确定最佳的隐藏层结点数和隐藏层层数。
所述的板料挤压成形力预测和校验,具体为:将所需预测的实施例根据神经网络结构输入离散后的材料应力数据、板料厚度、断面收缩率、成形半径、摩擦系数,压下量,其中:离散后的材料应力数据输入到自编码器中,获取压缩后的材料结构化特征。随后混合其他输入参数,进行归一化后输入到神经网络中,计算得到预测结果。与实际结果进行对比,计算得到的均方误差越小,百分比精度越高说明所获得的预测模型精度越高。
本发明涉及一种实现上述方法的系统,包括:材料模型数据模块、板料挤压数据模块、材料压缩自编码器模块和挤压力预测模块,其中:材料模型数据模块与材料压缩自编码器模块相连,通过无监督学习获取材料模型数据模块中的材料结构化特征。自编码器模块和板料挤压数据模块中的材料属性相对应,再与挤压力预测模块相连,通过神经网络的监督学习实现板料挤压成形力预测模型的构建。
技术效果
与现有技术相比,本发明结合了神经网络技术无监督学习和监督学习的技术,通过无监督学习算法形成的自编码器,可对不同材料参数和工艺参数下的板料挤压成形力进行快速准确的预测的同时,实现材料参数的压缩和降维,通过监督学习建立起降维后材料性能特征、板料厚度、断面收缩率、成形半径、摩擦系数,压下量与成形力之间的复杂的非线性关系,从而实现板料板料挤压成形力的快速精准预测。
本发明充分利用了已有的材料本构模型,有效地减少了训练所需样本的数量,在训练集数量较小的情况下,所获得预测模型的预测效果明显优于通过普通神经网络建立的预测模型。该方法适用于不同材料板料挤压力的快速预测,具有一定的普适性,可以有效的提高板料挤压工艺和模具的设计效率。
附图说明
图1为板料挤压示意图;
图2为本发明混合材料参数压缩的板料挤压成形力预测方法的流程图;
图3为不同类型材料应力应变关系曲线
图4为自编码机选择不同参数压缩维度时的重建误差
图5为自编码机示意图;和自编码机对材料应力应变数据进行参数压缩和数据重建的示意图;
图6为板料挤压预测模型的神经网络示意图;
图7为基于参数压缩的神经网络与普通神经网络在数据量较小的数据集中预测精度的对比图。
具体实施方式
如图1所示,为本实施例涉及一种混合材料参数压缩的板料挤压成形力快速预测方法,具体包括以下步骤:
步骤一:通过在不同材料本构模型待定系数空间内设置不同类型的模型系数,获取不同类型的材料应力应变关系数据。
所述的本构模型,采用常用于板料挤压的大应变材料本构模型,包括:
①Ludwik:σ=A+B·(εp)n
②Swift:σ=A·(B+εp)n
③Ghosh:σ=A·(B+εp)n-C
④Hockett-Sherby:σ=B-(B-A)·exp(-C·(εp)n)
⑤Voce:σ=B-(B-A)·exp(-C·εp),其中:σ为材料的流动应力,εp为等效塑性应变,A、B、C、n为待定系数。
通过设置不同材料本构模型系数获取了大量不同材料类型的σ(ε)数据。为了完整地为材料的应力应变关系,选取0.01应变为间隔,根据板料挤压的应变大小选取应变范围为0-3,对该应变范围内的应力应变关系进行离散化为300个数据点。离散后的应力数据集用于表征材料的力学性能。如图3所示,为部分离散后的应力应变关系示意图。
步骤二、通过堆叠多层受限波尔兹曼机的形式,组成一个具有参数压缩功能的自编码器,对不同类型材料对应的应力应变数据进行无监督学习,从而获取不同材料类型对应的应力应变数据中的结构化信息,完成材料参数压缩模型的构建,将材料应力应变关系曲线压缩成较少的材料特征值。
所述的自编码器中:单层受限波尔兹曼机的可见层和隐藏层之间的能量函数定义为:其中:nv为可见层的结点个数,nh为隐藏层的结点个数,wij为可见层结点i与隐藏层结点j之间连接的权重,bi为可见层结点的偏置,cj隐藏层结点的偏置。
通过无监督学习过程中的参数的迭代,使受限玻尔兹曼机中定义的能量函数E(v,h)尽可能小,使所获得的受限玻尔兹曼机趋于稳定。
所述的自编码器采用的结构为300-150-80-10-4,将步骤一得到的大量的、不同材料类型对应的应力应变关系数据输入到所建立的自编码器中,使自编码器对离散后的应力数据进行无监督学习,并且通过调整自编码器结构,使得自编码器的重建误差最小化,即通过自编码器得到的压缩参数重建后的与原始的σ(ε)误差最小。重建误差的定义为:其中:yi是参数压缩前的原始应力值,是根据自编码器得到的压缩参数重建后的应力值。
通过比对不同压缩后参数个数重建的相对误差,如图4所示,本实施例将材料的原始应力应变数据压缩至4维的结构化特征,用以为材料属性。图5为将材料16MnCr5通过构建好的材料压缩模型进行参数压缩,以及对参数压缩结果进行重建应力应变关系的示意图,误差小于1%,压缩后的特征值可以完整的为材料流动应力应变曲线。
步骤三、确定板料挤压成形力的主要影响因素,构建板料挤压力预测模型样本数据集。
通过对板料挤压成形力的影响因素进行分析,选取材料应力应变关系σ(ε)、板料厚度h、断面收缩率εF、凸模半径r、摩擦系数μ、压下量s作为板料挤压力预测模型输入量,所述的板料挤压成形力的主要影响因素是指:其中:σ(ε)为材料的应力应变关系,ε为应变大小,h为板料的厚度,εF为断面收缩率,r为凸模半径,μ为摩擦系数,s为凸模压下量,数据集数量为2000组。通过数值模拟的方式获取不同影响因素与成形力的数据,并采用少量的板料挤压实验对相应数值模拟的结果进行校核,以保证数值模拟结果的有效性。
步骤四、构建多层神经网络的板料挤压成形力的快速预测模型。
4.1)将所获得的数据集按照9∶1的比例划分为训练集和测试集。
4.2)将训练集中的输入参数分为两部分,其中一部分为工艺参数,另一部分为材料属性部分。对于材料属性部分,将其输入到已训练好的自编码器中,得到对应的4个材料应力应变关系结构化特征参数。由于不同输入参数的物理意义不同,导致不同参数之间的数量级可能存在较大的差异。因此在神经网络正式训练之前,对数据集中的输入参数进行归一化,即使输入参数的数据范围在[0,1]之内。
如图6所示,所述的神经网络模型包括输入层-隐藏层-输出层,通过计算不同网络结构的预测结果和实际结果之间的均方误差和百分比精度,本实施例中采用的神经网络结构为9-(12-12-12-12)-1。即输入层包含9个神经元,分别为编码后的4个材料结构化特征、板料厚度、断面收缩率、成形半径、摩擦系数、压下量;输出层仅含一个神经元,为成形力;隐藏层共有5层,每层的神经元个数为12个。所述的均方误差和百分比精度为: 其中:yi为训练样本中的真实值,为训练过程中模型的预测值,n为训练样本的数量。
4.3)训练过程中,将MSE作为训练中的损失函数,用于训练迭代过程中的梯度下降更新依据。在本实施例中,训练过程中所计算的MSE损失值连续6步不再下降时,便终止训练,得到神经网络预测模型的权值和偏置,其中:相邻层神经元之间的输出为:其中:w为两个神经元之间的连接权重,a为前一神经元的输出,b为偏置。而每层神经元的输出需要通过激活函数本实施例中选取Relu作为各神经元之间的激活函数。
步骤五、利用所获得的板料挤压成形力快速预测模型进行成形力预测:将所需预测的实施例根据神经网络结构输入离散后的材料应力数据、板料厚度、断面收缩率、成形半径、摩擦系数,压下量,其中:离散后的材料应力数据输入到自编码器中,获取压缩后的材料结构化特征。随后混合其他输入参数,进行归一化后输入到神经网络中,计算得到预测结果。如图7所示,为该实施例在200组测试集中的预测效果,对比为采用应力应变曲线作为材料参数输入的常规神经网络预测模型结果。从中可以看出,混合材料参数压缩的神经网络的预测精度明显高于常规神经网络模型。
本发明通过深度神经网络自编码器无监督学习能力与不同材料硬化本构模型的结合,可以对不同类型的材料应力应变关系进行结构化特征表达,从而减少了基于神经网络的板料挤压预测模型的材料参数输入,使所获得的板料挤压预测模型应用于不同材料时适用性更好、预测精度更高。
所述的混合材料参数压缩的板料挤压成形力快速预测方法,在对2000组板料挤压成形力数据集进行训练时,自编码器采用的结构为300-150-80-10-4,将原始的材料应力应变数据压缩成数量为4的材料结构化特征,再与其他工艺参数混合输入到结构为(9-12-12-12-12-12-1)的深度神经网络中进行回归训练,最终在测试集中的精度为93.6%,而传统神经网络方法建立的板料挤压预测模型在相同测试集中的精度为87.8%,精度有明显提升。
与现有技术相比,本方法适用于不同材料板料挤压力的预测,同时在相同数据集情况下,本方法能够有效地提升所建立的板料挤压成形力预测模型的精度,减少对于数据量的依赖性。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (7)
1.一种混合材料参数压缩的板料挤压成形力快速预测方法,其特征在于,通过无监督学习算法形成自编码器,充分利用现有的大应变下不同材料本构模型,压缩材料流动应力曲线,构建材料参数压缩模型,获取压缩后材料性能特征;再通过监督学习建立起材料性能特征、工艺参数与板料挤压成形力之间复杂的非线性关系,从而实现板料板料挤压成形力的快速精准预测;
所述的压缩后材料性能特征,通过以下方式得到:通过在不同材料本构模型待定系数空间内设置不同类型的模型系数,获取不同类型的材料应力应变关系数据;通过设置不同材料本构模型系数获取了大量不同材料类型的σ(ε)数据,离散后的应力数据集用于表征材料的力学性能;通过堆叠多层受限波尔兹曼机的形式,组成一个具有参数压缩功能的自编码器,对不同类型材料对应的应力应变数据进行无监督学习,从而获取不同材料类型对应的应力应变数据中的结构化信息,完成材料参数的压缩,将材料应力应变关系曲线压缩成较少的材料特征值;
所述的本构模型包括:Ludwik模型:σ=A+B·(εp)n;Swift模型:σ=A·(B+εp)n;Ghosh模型:σ=A·(B+εp)n-C;Hockett-Sherby模型:σ=B-(B-A)·exp(-C·(εp)n);Voce模型:σ=B-(B-A)·exp(-C·εp),其中:σ为材料的流动应力,εp为等效塑性应变,A、B、C、n为待定系数;
2.根据权利要求1所述的板料挤压成形力快速预测方法,其特征是,所述方法具体步骤包括:
步骤一、为了使所获得的预测模型尽可能地适用于不同类型材料,采用常用的适用范围不同的材料本构模型构建不同类型材料的材料应力应变关系数据;
步骤二、采用自编码器对材料应力应变关系数据进行无监督学习,从而获取不同材料类型对应的应力应变数据中的结构化信息,完成材料参数的压缩,解决不同类型材料性能参数的输入问题;
步骤三、综合考虑板料挤压的影响因素,选取材料应力应变关系σ(ε)、板料厚度h、断面收缩率εF、凸模半径r、摩擦系数μ、压下量s作为板料挤压力预测模型输入量,通过实验与数值模拟结合的方式,获取不同影响因素组合对应的板料挤压成形力数据并构建得到板料挤压力预测模型样本数据集;
步骤四、构建基于多层神经网络的板料挤压成形力快速预测模型,根据步骤三中的板料挤压力预测模型样本数据集对多层神经网络进行训练后,以步骤二得到的材料参数压缩模型和步骤三中的板料挤压力预测模型输入量作为多层神经网络的输入,根据得到的板料挤压成形力构建板料挤压成形力快速预测模型,进行板料挤压成形力预测和校验;
3.根据权利要求2所述的板料挤压成形力快速预测方法,其特征是,所述的步骤一具体为:对于不同的材料本构模型确定对应的待定系数空间,在系数空间内通过不同系数的配置批量获取不同模型的应力应变关系曲线,然后将应力应变关系曲线按照应变0.01的间隔离散成若干个点应力点作为无监督学习的输入。
4.根据权利要求1或2所述的板料挤压成形力快速预测方法,其特征是,所述的压缩,为了使得自编码器压缩后的特征能够尽量无损地为材料应力应变关系的结构化特征,需要对自编码器的节点结构进行调整,使自编码器的重构误差尽可能小,依据材料应力应变关系压缩后重构误差,材料参数压缩最佳特征值为3或4个。
6.根据权利要求2所述的板料挤压成形力快速预测方法,其特征是,所述的板料挤压成形力预测和校验,具体为:根据神经网络结构输入离散后的材料应力数据、板料厚度、断面收缩率、成形半径、摩擦系数,压下量,其中:离散后的材料应力数据输入到自编码器中,获取压缩后的材料结构化特征;随后混合其他输入参数,进行归一化后输入到神经网络中,计算得到预测结果。
7.一种实现权利要求1~6中任一所述方法的系统,其特征在于,包括:材料模型数据模块、板料挤压数据模块、材料压缩自编码器模块和挤压力预测模块,其中:材料模型数据模块与材料压缩自编码器模块相连,通过无监督学习获取材料模型数据模块中的材料结构化特征;自编码器模块和板料挤压数据模块中的材料属性相对应,再与挤压力预测模块相连,通过神经网络的监督学习实现板料挤压成形力预测模型的构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911141684.6A CN112825105B (zh) | 2019-11-20 | 2019-11-20 | 混合材料参数压缩的板料挤压成形力快速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911141684.6A CN112825105B (zh) | 2019-11-20 | 2019-11-20 | 混合材料参数压缩的板料挤压成形力快速预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112825105A CN112825105A (zh) | 2021-05-21 |
CN112825105B true CN112825105B (zh) | 2022-07-12 |
Family
ID=75906920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911141684.6A Active CN112825105B (zh) | 2019-11-20 | 2019-11-20 | 混合材料参数压缩的板料挤压成形力快速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112825105B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115952826B (zh) * | 2023-03-09 | 2023-05-16 | 中国空气动力研究与发展中心低速空气动力研究所 | 基于人工神经网络的压力敏感涂料性能预测和测压方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6954744B2 (en) * | 2001-08-29 | 2005-10-11 | Honeywell International, Inc. | Combinatorial approach for supervised neural network learning |
JP5210085B2 (ja) * | 2008-08-08 | 2013-06-12 | 本田技研工業株式会社 | デフォーム発生予測方法 |
CA2799394A1 (en) * | 2010-05-19 | 2011-11-24 | Allergan, Inc. | Modular injection device |
US9489620B2 (en) * | 2014-06-04 | 2016-11-08 | Gm Global Technology Operations, Llc | Quick analysis of residual stress and distortion in cast aluminum components |
CN106447039A (zh) * | 2016-09-28 | 2017-02-22 | 西安交通大学 | 基于自编码神经网络的无监督特征提取方法 |
CN107044976A (zh) * | 2017-05-10 | 2017-08-15 | 中国科学院合肥物质科学研究院 | 基于libs与堆叠式rbm深度学习技术的土壤重金属含量分析预测方法 |
CN110175386B (zh) * | 2019-05-21 | 2022-11-25 | 陕西科技大学 | 变电站电气设备温度预测方法 |
CN110276148A (zh) * | 2019-06-27 | 2019-09-24 | 上海交通大学 | 基于自编码器的微结构降维特征提取及重构实现方法 |
-
2019
- 2019-11-20 CN CN201911141684.6A patent/CN112825105B/zh active Active
Non-Patent Citations (2)
Title |
---|
Small data‑driven modeling of forming force in single point incremental forming using neural networks;Zhaobing Liu;《Engineering with Computers》;20190525;全文 * |
建模与优化中的特征变量降维与元模型技术研究;曹志勇;《中国优秀博士论文全文数据库》;20181015;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112825105A (zh) | 2021-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485316B (zh) | 神经网络模型压缩方法以及装置 | |
Mohamed et al. | Influence of processing parameters on creep and recovery behavior of FDM manufactured part using definitive screening design and ANN | |
CN111209708B (zh) | 基于机器学习的桩-土相互作用预测分析方法 | |
CN110782663A (zh) | 一种结合时空特性的路网交通流量短时预测方法 | |
CN114091443B (zh) | 基于深度学习的网络信息传播指标体系构建及评估方法 | |
CN112085157B (zh) | 基于神经网络和树模型的疾病预测方法及其装置 | |
CN112560966B (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 | |
US20220253734A1 (en) | Machine learning methods to optimize concrete applications and formulations | |
CN108491931B (zh) | 一种基于机器学习提高无损检测精度的方法 | |
JP2019179319A (ja) | 予測モデル作成装置、予測モデル作成方法および予測モデル作成プログラム | |
CN113822499B (zh) | 一种基于模型融合的列车备件损耗预测方法 | |
CN112825105B (zh) | 混合材料参数压缩的板料挤压成形力快速预测方法 | |
Malik et al. | A Hybrid Approach Employing Neural Networks to Simulate the Elasto− Plastic Deformation Behavior of 3D‐Foam Structures | |
CN113420795A (zh) | 一种基于空洞卷积神经网络的矿物光谱分类方法 | |
Guan et al. | Hybrid deep learning model for prediction of monotonic and cyclic responses of sand | |
Song et al. | Variable importance measure system based on advanced random forest | |
Chisari | Tolerance-based Pareto optimality for structural identification accounting for uncertainty | |
CN111144473B (zh) | 训练集构建方法、装置、电子设备及计算机可读存储介质 | |
CN116127398B (zh) | 一种基于机理模型与多源数据融合的液压泵故障诊断方法 | |
Feng et al. | Parameterization-based neural network: predicting non-linear stress–strain response of composites | |
CN112200252A (zh) | 基于概率盒全局灵敏度分析和主动子空间的联合降维方法 | |
CN116502672A (zh) | 一种神经网络量化部署方法、系统、设备和介质 | |
CN111062118B (zh) | 一种基于神经网络预测分层的多层软测量建模系统及方法 | |
Škrlec et al. | Parameter identification for a low-density-foam material model using numerical optimisation procedures | |
Liu et al. | Prediction of Equivalent Elastic Modulus for Metal-Coated Lattice Based on Machine Learning |
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 |