CN114997057A - 一种基于机器学习的rve贯穿判断方法 - Google Patents
一种基于机器学习的rve贯穿判断方法 Download PDFInfo
- Publication number
- CN114997057A CN114997057A CN202210643988.8A CN202210643988A CN114997057A CN 114997057 A CN114997057 A CN 114997057A CN 202210643988 A CN202210643988 A CN 202210643988A CN 114997057 A CN114997057 A CN 114997057A
- Authority
- CN
- China
- Prior art keywords
- rve
- damage
- equivalent
- pattern
- destruction
- 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]
- G06F30/20—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于机器学习的RVE贯穿判断方法,包括通过数值模拟的方式,构造RVE破坏样式,采用不同尺寸的方格形成RVE等价破坏样式方格图,对不同的RVE等价破坏样式方格图进行分析,确定合理的方格尺寸;通过设置不同的出发位置,每个出发位置不同的出发点数,在RVE中形成连通的等价裂纹带,裂纹带的宽度和数量都是随机的,由此形成具有复杂破坏样式的RVE等价破坏方格图;利用贯穿以及非贯穿破坏样式构成的RVE等价破坏样式数据库训练分类器模型,使分类器模型可以判断贯穿以及非贯穿RVE实际破坏样式对由于裂纹带贯穿导致的充分卸载RVE进行判断,为贯穿RVE从计算模型中退出提供了判断依据,提高了多尺度模型的计算效率。
Description
技术领域
本发明涉及一种基于机器学习的RVE贯穿判断方法,属于计算力学以及数值模拟领域。
背景技术
准脆性材料具有复杂的微观特征和力学性能,为了准确地分析准脆性材料的损伤破坏过程,有必要建立微观模型来描述材料微观尺度特征,而适用于实际结构尺度的分析模型对于准脆性材料组成的结构破坏模拟也是必要的,因此,准脆性材料损伤破坏的多尺度模拟是一个重要的问题。
在传统的多尺度模拟方法中,RVE逐渐激活以适应损伤区域的演化,多尺度模型的计算量往往是一个持续增加的过程,随着损伤区域的增加,激活的RVE数量也不断增加,导致模型计算使用的自由度数量越来越多,为了有效提高多尺度模型的计算效率,应该对RVE的退出机制进行研究,建立相应的RVE退出准则,实现RVE逐渐退出计算的多尺度模拟,提高模型效率。
发明内容
本发明提供一种基于机器学习的RVE贯穿判断方法,对由于裂纹带贯穿导致的充分卸载RVE进行判断,为贯穿RVE从计算模型中退出提供了判断依据。
本发明解决其技术问题所采用的技术方案是:
一种基于机器学习的RVE贯穿判断方法,具体包括以下步骤:
步骤S1:通过数值模拟构造RVE实际破坏样式,采用不同尺寸的方格形成RVE等价破坏样式方格图;
步骤S2:对建立的RVE等价破坏样式方格图进行分析,对RVE实际破坏状态准确的方格图认定为合理方格尺寸;
步骤S3:根据判断出的合理方格尺寸,通过设置不同的出发位置,每个出发位置设置不同的出发点数,形成具有复杂破坏样式的RVE等价破坏样式数据库;
步骤S4:利用RVE等价破坏样式数据库训练分类器模型,使得分类器模型可以判断贯穿以及非贯穿RVE实际破坏样式,建立基于机器学习的RVE贯穿判断方法;
作为本发明的进一步优选,在步骤S1中,采用单轴拉伸测试构造RVE实际破坏样式,其中包括非贯穿的RVE损伤分布以及贯穿的RVE损伤分布;
作为本发明的进一步优选,将RVE损伤中损伤值为1.0的细观单元中点作为破坏点,建立RVE的破坏点分布图,对应于RVE的各个损伤状态,其中包括非贯穿的RVE对应的破坏点分布,以及贯穿的RVE对应的破坏点分布;
作为本发明的进一步优选,将不同尺寸的方格形成的网格投影在RVE的破坏点分布图上,若方格中包含破坏点,则此方格表示为破坏方格,通过破坏方格形成的样式对RVE的真实损伤样式进行等价表示;
作为本发明的进一步优选,在步骤S2中,对RVE实际破坏状态准确的方格图认定为合理方格尺寸的判断依据是,准确的判断出,若对于方格图判断为贯穿的RVE,且RVE实际破坏状态也为贯穿,若方格图判断为非贯穿的RVE,且RVE实际破坏状态为非贯穿;
作为本发明的进一步优选,步骤S3中,形成具有复杂破坏样式的RVE等价破坏样式数据库的具体步骤为:
步骤S31:从RVE的某条边出发,设置一个或几个出发位置;
步骤S32:每个出发位置设置一个或者几个相邻出发点,即为破坏方格;
步骤S33:形成的破坏方格在不同的前进方向随机确定是否生成新的破坏方格;
步骤S34:新的破坏方格继续在不同的前进方向随机确定是否生成新的破坏方格,循环形成RVE中的等价裂纹带;
作为本发明的进一步优选,不同出发位置数决定RVE等价破坏方格图中等价裂纹带的数量,每个出发位置的出发点数决定等价裂纹带的宽度,不同的出发边决定等价裂纹带的方位,由此形成具有复杂破坏样式的RVE等价破坏样式数据库;
作为本发明的进一步优选,步骤S4中,将非贯穿的RVE等价破坏样式以及贯穿的RVE等价破坏样式转换为对应的特征矩阵,其中的特征变量对应于方格图中每个方格的破坏状态,设定破坏方格的值为1,非破坏方格的值为0,在标签向量中还包括存储的RVE等价破坏样式的贯穿状态,将上述变量对分类器模型进行训练,使分类器模型能够判断RVE等价破坏样式的贯穿与非贯穿状态,建立基于机器学习的RVE贯穿判断方法。
通过以上技术方案,相对于现有技术,本发明具有以下有益效果:
1、本发明提供的基于机器学习的RVE贯穿判断方法,对准脆性材料弹性损伤模拟过程中RVE的贯穿状态进行判断,由此判断由于裂纹带贯穿发生充分卸载的RVE,使相应RVE可以在之后计算过程中退出,提高多尺度模型的计算效率,解决了现有技术中多尺度模型RVE数量随损伤区域演化不断增加导致模型计算量持续增加的不足;
2、本发明提供的基于机器学习的RVE贯穿判断方法,其在计算开始前训练分类器模型,计算开始后,分类器模型对RVE的贯穿状态进行高效准确的判断,机器学习准则可以适应准脆性材料复杂的内部特征以及裂纹带样式,可以对复杂的RVE破坏样式进行有效的判断。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明提供的优选实施例中RVE的实际损伤分布;
图2是本发明提供的优选实施例中RVE的破坏点分布图;
图3是本发明提供的优选实施例的破坏点在方格图中的分布;
图4是本发明提供的优选实施例中破坏方格形成的样式对RVE的真实损伤样式进行等价表示示意图;
图5a-图5b是本发明提供的优选实施例中RVE真实破坏状态的构造图,其中图5a为一个过程中的原始破坏状态图,图5b为同一个过程中原始破坏状态图对应的破坏点分布图;
图6是针对图5a-图5b中真实破坏状态构造图在较大尺寸方格中形成的等价破坏方格图;
图7是针对图5a-图5b中真实破坏状态构造图在较小尺寸方格中形成的等价破坏方格图;
图8是针对图5a-图5b中真实破坏状态构造图在合理尺寸方格中形成的等价破坏方格图;
图9是本发明提供的优选实施例中具有复杂破坏样式的RVE等价破坏样式数据库形成过程;
图10是本发明提供的优选实施例中训练分类器模型的过程;
图11a-图11f是本发明提供的优选实施例中RVE等价贯穿样式的构造(1个出发位置,1个出发点);
图12a-图12f是本发明提供的优选实施例中RVE等价非贯穿样式的构造(1个出发位置,1个出发点);
图13a-图13f是本发明提供的优选实施例中RVE等价贯穿样式的构造(1个出发位置,2个出发点);
图14a-图14f是本发明提供的优选实施例中RVE等价非贯穿样式的构造(1个出发位置,2个出发点);
图15是本发明提供的优选实施例对贯穿RVE的判断结果;
图16是本发明提供的优选实施例对贯穿RVE的判断结果;
图17是本发明提供的优选实施例对非贯穿RVE的判断结果;
图18是本发明提供的优选实施例对非贯穿RVE的判断结果。
具体实施方式
针对背景技术中指出的问题,本发明旨在提供一种基于机器学习的RVE贯穿判断方法,通过采用机器学习的方式,建立一个判断方法,对由于裂纹带贯穿导致的充分卸载RVE进行判断,为贯穿RVE从计算模型中退出提供了判断依据。同时对于具有复杂微观结构的准脆性材料,其破坏样式也相当复杂,而机器学习对于复杂破坏样式的学习和判断不仅高效而且相当准确,我们提出的方法可以成为贯穿RVE的退出判断准则的基础。
本申请提供的判断方法主要是通过确定等价破坏方格图合理方格尺寸、构建RVE等价破坏样式数据库,训练分类器模型的方式,建立RVE贯穿准则,下面结合优选实施例对本申请的判断方法做具体阐述:
步骤S1:通过数值模拟构造RVE实际破坏样式,采用不同尺寸的方格形成RVE等价破坏样式方格图;
在优选实施例中,采用单轴拉伸测试构造RVE实际破坏样式,可以得到一系列RVE损伤分布,其中包括非贯穿的RVE损伤分布以及贯穿的RVE损伤分布。如图1所示,计算得到RVE的实际损伤分布,将RVE损伤中损伤值为1.0的细观单元中点作为破坏点,建立图2所示RVE的破坏点分布图,对应于RVE的各个损伤状态,其中包括非贯穿的RVE对应的破坏点分布,以及贯穿的RVE对应的破坏点分布。接着将不同尺寸的方格形成的网格投影在RVE的破坏点分布图上,得到图3所示的破坏点分布图,紧接着,若方格中包含破坏点,则此方格表示为破坏方格,如图4所示通过破坏方格形成的样式对RVE的真实损伤样式进行等价表示。
步骤S2:对建立的RVE等价破坏样式方格图进行分析,对RVE实际破坏状态准确的方格图认定为合理方格尺寸;
对RVE实际破坏状态准确的方格图认定为合理方格尺寸的判断依据是,准确的判断出,若对于方格图判断为贯穿的RVE,且RVE实际破坏状态也为贯穿,若方格图判断为非贯穿的RVE,且RVE实际破坏状态为非贯穿。也就说,通过方格图中连通的条带状等价裂纹带判断RVE是否被贯穿,将判断结果与对应的RVE实际破坏样式进行对比,对于判断结果和一系列RVE实际破坏样式一致的方格图,认为其方格尺寸合理。
在优选实施例中,单轴拉伸测试可以得到RVE不同的损伤状态,即为图5a-图5b所示,其中包含非贯穿RVE对应的破坏点分布,以及贯穿RVE对应的破坏点分布,针对图5a-图5b获取不同尺寸等价破坏方格图,即为图6-图8所示,将等价方格图描述的破坏结果与所有破坏点分布图一致的方格尺寸确定为合理方格尺寸;
显然图8的方格尺寸是合理方格尺寸,图7的方格尺寸存在的不合理之处在于,很密的方格判断,点点不连续,然而等价判断结果永远是不连续的。
步骤S3:根据判断出的合理方格尺寸,通过设置不同的出发位置,每个出发位置设置不同的出发点数,形成具有复杂破坏样式的RVE等价破坏样式数据库;
如图9所示,形成具有复杂破坏样式的RVE等价破坏样式数据库的具体步骤为:
步骤S31:从RVE的某条边出发,设置一个或几个出发位置;
步骤S32:每个出发位置设置一个或者几个相邻出发点,即为破坏方格;
步骤S33:形成的破坏方格在不同的前进方向随机确定是否生成新的破坏方格;
步骤S34:新的破坏方格继续在不同的前进方向随机确定是否生成新的破坏方格,循环形成RVE中的等价裂纹带。
在数据库中,不同出发位置数决定RVE等价破坏方格图中等价裂纹带的数量,每个出发位置的出发点数决定等价裂纹带的宽度,不同的出发边决定等价裂纹带的方位,由此形成具有复杂破坏样式的RVE等价破坏样式数据库。
为了更好的展现随机性,图11-图14给出了RVE等价破坏样式数据库的示例,图11a-图11f为具有1个出发位置,每个出发位置1个出发点的RVE等价贯穿破坏样式,图12a-图13f为具有1个出发位置,每个出发位置1个出发点的等价非贯穿破坏样式。图13a-图13f为具有1个出发位置,每个出发位置2个出发点的RVE等价贯穿破坏样式,图14a-图14f为具有1个出发位置,每个出发位置2个出发点的等价非贯穿破坏样式。其他破坏样式的生成与这些破坏样式相似。用于机器学习的RVE等价破坏样式数据库含有3600个RVE等价破坏样式。
步骤S4:利用RVE等价破坏样式数据库训练分类器模型,使得分类器模型可以判断贯穿以及非贯穿RVE实际破坏样式,建立基于机器学习的RVE贯穿判断方法。
训练分类器模型的方法如图10所示,将非贯穿的RVE等价破坏样式以及贯穿的RVE等价破坏样式转换为对应的特征矩阵,其中的特征变量对应于方格图中每个方格的破坏状态,设定破坏方格的值为1,非破坏方格的值为0,在标签向量中还包括存储的RVE等价破坏样式的贯穿状态,将上述变量对分类器模型进行训练,使分类器模型能够判断RVE等价破坏样式的贯穿与非贯穿状态,建立基于机器学习的RVE贯穿判断方法。
优选实施例中,图15和图16为贯穿RVE的实际破坏样式,机器学习方法判断为贯穿,判断准确,图17和图18为非贯穿RVE的实际破坏样式,机器学习方法判断为非贯穿,判断准确。以上结果说明,本发明提供的机器学习RVE贯穿判断方法可以准确地判断RVE的破坏状态,由此将贯穿RVE退出计算,提高多尺度模型的计算效率。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本申请中所述的“和/或”的含义指的是各自单独存在或两者同时存在的情况均包括在内。
本申请中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (8)
1.一种基于机器学习的RVE贯穿判断方法,其特征在于:具体包括以下步骤:
步骤S1:通过数值模拟构造RVE实际破坏样式,采用不同尺寸的方格形成RVE等价破坏样式方格图;
步骤S2:对建立的RVE等价破坏样式方格图进行分析,对RVE实际破坏状态准确的方格图认定为合理方格尺寸;
步骤S3:根据判断出的合理方格尺寸,通过设置不同的出发位置,每个出发位置设置不同的出发点数,形成具有复杂破坏样式的RVE等价破坏样式数据库;
步骤S4:利用RVE等价破坏样式数据库训练分类器模型,使得分类器模型可以判断贯穿以及非贯穿RVE实际破坏样式,建立基于机器学习的RVE贯穿判断方法。
2.根据权利要求1所述的基于机器学习的RVE贯穿判断方法,其特征在于:在步骤S1中,采用单轴拉伸测试构造RVE实际破坏样式,其中包括非贯穿的RVE损伤分布以及贯穿的RVE损伤分布。
3.根据权利要求2所述的基于机器学习的RVE贯穿判断方法,其特征在于:将RVE损伤中损伤值为1.0的细观单元中点作为破坏点,建立RVE的破坏点分布图,对应于RVE的各个损伤状态,其中包括非贯穿的RVE对应的破坏点分布,以及贯穿的RVE对应的破坏点分布。
4.根据权利要求3所述的基于机器学习的RVE贯穿判断方法,其特征在于:将不同尺寸的方格形成的网格投影在RVE的破坏点分布图上,若方格中包含破坏点,则此方格表示为破坏方格,通过破坏方格形成的样式对RVE的真实损伤样式进行等价表示。
5.根据权利要求4所述的基于机器学习的RVE贯穿判断方法,其特征在于:在步骤S2中,对RVE实际破坏状态准确的方格图认定为合理方格尺寸的判断依据是,准确的判断出,若对于方格图判断为贯穿的RVE,且RVE实际破坏状态也为贯穿,若方格图判断为非贯穿的RVE,且RVE实际破坏状态为非贯穿。
6.根据权利要求5所述的基于机器学习的RVE贯穿判断方法,其特征在于:步骤S3中,形成具有复杂破坏样式的RVE等价破坏样式数据库的具体步骤为:
步骤S31:从RVE的某条边出发,设置一个或几个出发位置;
步骤S32:每个出发位置设置一个或者几个相邻出发点,即为破坏方格;
步骤S33:形成的破坏方格在不同的前进方向随机确定是否生成新的破坏方格;
步骤S34:新的破坏方格继续在不同的前进方向随机确定是否生成新的破坏方格,循环形成RVE中的等价裂纹带。
7.根据权利要求6所述的基于机器学习的RVE贯穿判断方法,其特征在于:不同出发位置数决定RVE等价破坏方格图中等价裂纹带的数量,每个出发位置的出发点数决定等价裂纹带的宽度,不同的出发边决定等价裂纹带的方位,由此形成具有复杂破坏样式的RVE等价破坏样式数据库。
8.根据权利要求7所述的基于机器学习的RVE贯穿判断方法,其特征在于:步骤S4中,将非贯穿的RVE等价破坏样式以及贯穿的RVE等价破坏样式转换为对应的特征矩阵,其中的特征变量对应于方格图中每个方格的破坏状态,设定破坏方格的值为1,非破坏方格的值为0,在标签向量中还包括存储的RVE等价破坏样式的贯穿状态,将上述变量对分类器模型进行训练,使分类器模型能够判断RVE等价破坏样式的贯穿与非贯穿状态,建立基于机器学习的RVE贯穿判断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210643988.8A CN114997057B (zh) | 2022-06-08 | 2022-06-08 | 一种基于机器学习的rve贯穿判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210643988.8A CN114997057B (zh) | 2022-06-08 | 2022-06-08 | 一种基于机器学习的rve贯穿判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114997057A true CN114997057A (zh) | 2022-09-02 |
CN114997057B CN114997057B (zh) | 2023-09-26 |
Family
ID=83032744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210643988.8A Active CN114997057B (zh) | 2022-06-08 | 2022-06-08 | 一种基于机器学习的rve贯穿判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114997057B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8285522B1 (en) * | 2006-01-24 | 2012-10-09 | Vextec Corporation | Materials-based failure analysis in design of electronic devices |
US20200089826A1 (en) * | 2018-09-14 | 2020-03-19 | Northwestern University | Integrated process-structure-property modeling frameworks and methods for design optimization and/or performance prediction of material systems and applications of same |
CN112632819A (zh) * | 2020-12-18 | 2021-04-09 | 沈阳航空航天大学 | 一种连续纤维增强复合材料基本力学性能参数预测方法 |
-
2022
- 2022-06-08 CN CN202210643988.8A patent/CN114997057B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8285522B1 (en) * | 2006-01-24 | 2012-10-09 | Vextec Corporation | Materials-based failure analysis in design of electronic devices |
US20200089826A1 (en) * | 2018-09-14 | 2020-03-19 | Northwestern University | Integrated process-structure-property modeling frameworks and methods for design optimization and/or performance prediction of material systems and applications of same |
CN112632819A (zh) * | 2020-12-18 | 2021-04-09 | 沈阳航空航天大学 | 一种连续纤维增强复合材料基本力学性能参数预测方法 |
Non-Patent Citations (3)
Title |
---|
DANIEL D. STECK ET AL.: "Effect of Microstructure Constraints on the Homogenized Elastic Constants of Elastomeric Sylgard/GMB Syntactic Foam", 《SANDIA NATIONAL LAB.》 * |
XIAO-XIAO SUN ET AL.: "A novel multi-level model for quasi-brittle cracking analysis with complex microstructure", 《JOURNAL OF ZHEJIANG UNIVERSITY-SCIENCE A (APPLIED PHYSICS & ENGINEERING)》, vol. 23, no. 2, XP037710741, DOI: 10.1631/jzus.A2100158 * |
XIAOXIAO SUN ET AL.: "Domain information transfer method and its application in quasi-brittle failure analysis", 《ADVANCES IN MECHANICAL ENGINEERING》, vol. 11 * |
Also Published As
Publication number | Publication date |
---|---|
CN114997057B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104897403B (zh) | 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法 | |
CN109886329A (zh) | 围岩破碎等级检测方法、检测系统和掘进设备 | |
US10504220B2 (en) | Neural network feature recognition system | |
Ham et al. | Forming limit curves in single point incremental forming | |
CN107391703A (zh) | 图像库的建立方法及系统、图像库和图像分类方法 | |
CN109064462A (zh) | 一种基于深度学习的钢轨表面缺陷检测方法 | |
CN107742025A (zh) | 一种预测飞机金属蒙皮冲击后疲劳寿命的方法 | |
CN110222701A (zh) | 一种桥梁病害自动识别方法 | |
CN106649789A (zh) | 一种基于集成半监督费舍尔判别的工业过程故障分类方法 | |
CN107341363A (zh) | 一种蛋白质抗原表位的预测方法 | |
CN109272500A (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN113409314A (zh) | 高空钢结构腐蚀的无人机视觉检测与评价方法及系统 | |
CN109271755A (zh) | 一种应用随钻数据计算岩石强度的方法和系统 | |
CN110136116A (zh) | 一种注塑泵缺陷检测方法、装置、设备及存储介质 | |
CN109215009A (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
CN106056059A (zh) | 多方向slgs特征描述及性能云加权融合的人脸识别方法 | |
CN109087305A (zh) | 一种基于深度卷积神经网络的裂缝图像分割方法 | |
CN114997057A (zh) | 一种基于机器学习的rve贯穿判断方法 | |
CN114119524A (zh) | 一种改进Faster R-CNN的热轧钢带缺陷检测方法 | |
CN107271273B (zh) | 一种十字拉伸预变形加载测定屈服面的方法 | |
CN114324580A (zh) | 一种结构缺陷的智能敲击检测方法及系统 | |
CN106990768A (zh) | 基于Limited‑DTW的MKPCA间歇过程故障监测方法 | |
CN109102018A (zh) | 妇科分泌物图像的多标签分类方法 | |
CN111553115B (zh) | 基于数据驱动的台风作用下大跨度桥梁振动响应预测方法 | |
CN108333183B (zh) | 一种基于dcgan和dcnn的色织衬衫裁片缺陷检测方法 |
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 |