CN116312898B - 识别复合材料力学参数及训练其识别模型的方法、装置 - Google Patents
识别复合材料力学参数及训练其识别模型的方法、装置 Download PDFInfo
- Publication number
- CN116312898B CN116312898B CN202310528786.3A CN202310528786A CN116312898B CN 116312898 B CN116312898 B CN 116312898B CN 202310528786 A CN202310528786 A CN 202310528786A CN 116312898 B CN116312898 B CN 116312898B
- Authority
- CN
- China
- Prior art keywords
- mechanical parameter
- mechanical
- frequency response
- composite material
- training
- 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
- 239000002131 composite material Substances 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012549 training Methods 0.000 title claims abstract description 52
- 238000005316 response function Methods 0.000 claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000005070 sampling Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000005284 excitation Effects 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 description 27
- 238000012360 testing method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000000265 homogenisation Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 229920000049 Carbon (fiber) Polymers 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 239000004917 carbon fiber Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/08—Learning methods
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本公开涉及复合材料技术领域,具体涉及一种训练复合材料力学参数识别模型、识别复合材料力学参数的方法及装置。所述训练复合材料力学参数识别模型的方法包括:将对多个力学参数分别采样得到的数值组合得到多组力学参数数值组合;将所述多组力学参数数值组合中的每组力学参数数值组合输入有限元模型,得到对应的频率响应函数曲线;以所述频率响应函数曲线作为样本,对应的力学参数数值组合作为标签,对初始神经网络进行训练,获得所述复合材料力学参数识别模型。
Description
技术领域
本公开涉及复合材料技术领域,具体涉及一种训练复合材料力学参数识别模型、识别复合材料力学参数的方法及装置。
背景技术
复合材料的力学性能受到制备方法、纤维和树脂的种类、纤维形态等多种因素的影响,改变其中任意一个因素都会影响材料的力学性能。因此在设计过程中改变复合材料的制备方法或者复合材料的组分等,都需要对复合材料的力学参数进行重新识别。
机械实验是最常用的力学参数识别方法,但是复合材料具有不均匀性,而机械实验是对试件而非整个构件进行测量,因此测量结果的均匀化程度比较低;复合材料的的各向异性导致复合材料存在多个待测量参数,因此需要多组机械实验对所述多个待测量参数进行测量,实验过程繁琐,耗时长;此外,机械实验是破坏性实验,而有些客户不希望在在标定力学参数的过程中构件遭到破坏;对异形结构的复合材料,传统的机械实验无法准确标定这些构件的力学参数。
发明内容
本公开实施例提出了一种训练复合材料力学参数识别模型的方法、装置、一种复合材料力学参数识别方法、装置、电子设备及计算机程序产品,以解决现有通过机械实验的方法进行复合材料参数识别时均匀化程度低、实验繁琐耗时长、损害材料和异形结构难标定的问题。
本公开实施例的第一方面提供了一种训练复合材料力学参数识别模型的方法,包括:
将对多个力学参数分别采样得到的数值组合得到多组力学参数数值组合;
将所述多组力学参数数值组合中的每组力学参数数值组合输入有限元模型,得到对应的频率响应函数曲线;
以所述频率响应函数曲线作为样本,对应的力学参数数值组合作为标签,对初始神经网络进行训练,获得所述复合材料力学参数识别模型。
在一些实施例中,所述的将对多个力学参数分别采样得到的数值组合得到多组力学参数数值组合包括:
对每一个力学参数采用拉丁超立方采样得到n个数值,对k个力学参数执行此操作共得到k组数值,每组n个,其中,k,n为自然数;
从所述k组数值中的每组随机挑选一个数值进行组合,得到组力学参数数值组合。
在一些实施例中,所述以所述频率响应函数曲线作为样本,对应的力学参数数值组合作为标签,对初始神经网络进行训练包括:
将所述样本和所述标签分成训练集和验证集;
以所述训练集对所述神经网络进行训练,以所述验证集对所述神经网络的训练结果进行验证。
在一些实施例中,所述初始神经网络为全连接网络,采用小批量随机梯度下降法更新所述全连接网络的权值和偏置。
在一些实施例中,所述神经网络的目标函数为,其中,/>和分别为所述力学参数数值组合的标签和神经网络预测值,N为每个小批量中的样本数量,K为待识别的力学参数的个数。
本公开实施例的第二方面提供了一种训练复合材料力学参数识别模型的装置,包括:
采样模块,用于将对多个力学参数分别采样得到的数值组合得到多组力学参数数值组合;
生成模块,用于将所述多组力学参数数值组合中的每组力学参数数值组合输入有限元模型,得到对应的频率响应函数曲线;
训练模块,用于以所述频率响应函数曲线作为样本,对应的力学参数数值组合作为标签,对初始神经网络进行训练,获得所述复合材料力学参数识别模型。
本公开实施例的第三方面提供了一种识别复合材料力学参数的方法,包括:
利用激振设备对复合材料结构进行激励,利用振动测量设备获取所述复合材料对所述激励的频率响应函数曲线;
将所述频率响应函数曲线输入根据权利要求1所述方法获得的复合材料力学参数识别模型,获得与所述频率响应函数曲线对应的力学参数数值组合。
本公开实施例的第四方面提供了一种识别复合材料力学参数的装置,其特征在于,包括:
获取模块,用于获取所述复合材料在激励作用下的频率响应函数曲线;
识别模块,用于将所述频率响应函数曲线输入根据权利要求1所述方法获得的复合材料力学参数识别模型,获得与所述频率响应函数曲线对应的力学参数数值组合。
本公开实施例的第五方面提供了一种电子设备,包括存储器和处理器,
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现根据本公开第一方面和本公开第三方面所述的方法。
本公开实施例的第六方面提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现根据本公开第一方面和本公开第三方面所述的方法。
本公开实施例的第七方面提供了一种计算机程序产品,包括计算机程序、指令,当所述计算机程序、指令被处理器执行时,实现根据本公开第一方面和本公开第三方面所述的方法。
综上所述,本公开各实施例提供的训练复合材料力学参数识别模型的方法、装置、识别复合材料力学参数的方法、装置、电子设备、计算机可读存储介质和程序产品,通过利用深度学习建立结构的频率响应函数和力学参数之间的函数关系,利用复合材料结构的振动实验获得的频率响应函数识别复合材料结构的力学参数,因为振动实验是对整个结构进行的,识别结果的均匀化程度更高;利用振动实验的方法只需一次实验就可以得到所有参数,耗时短,实验过程更简洁;振动实验是非破坏性实验,实验后结构并未受到破坏;针对异形结构,基于振动实验的参数识别方法可以有效识别其力学参数。从而避免了现有通过机械实验的方法进行复合材料参数识别时均匀化程度低、实验繁琐耗时长、损害材料和异形结构难标定的问题。
附图说明
通过参考附图会更加清楚的理解本公开的特征和优点,附图是示意性的而不应理解为对本公开进行任何限制,在附图中:
图1是本公开适用的一种计算机系统的示意图;
图2是根据本公开的一些实施例所示的一种训练复合材料力学参数识别模型的方法的流程图;
图3是全连接网络示意图;
图4是一个设计好的全连接网络;
图5是根据本公开的一些实施例所示的一种训练复合材料力学参数识别模型的装置的示意图;
图6是根据本公开的一些实施例所示的一种识别复合材料力学参数的方法的流程图;
图7是根据本公开的一些实施例所示的一种识别复合材料力学参数的装置的示意图;
图8是根据本公开的一些实施例所示的一种基于振动实验的智能参数识别方法的流程图;
图9是对力学参数经过拉丁超立方采样得到的多组力学参数数值组合以及其中一组力学参数数值组合对应的频率响应函数曲线;
图10是本公开的一些实施例所示的一种电子设备示意图。
具体实施方式
在下面的详细描述中,通过示例阐述了本公开的许多具体细节,以便提供对相关披露的透彻理解。然而,对于本领域的普通技术人员来讲,本公开显而易见的可以在没有这些细节的情况下实施。应当理解的是,本公开中使用“系统”、“装置”、“单元”和/或“模块”术语,是用于区分在顺序排列中不同级别的不同部件、元件、部分或组件的一种方法。然而,如果其他表达式可以实现相同的目的,这些术语可以被其他表达式替换。
应当理解的是,当设备、单元或模块被称为“在……上”、“连接到”或“耦合到”另一设备、单元或模块时,其可以直接在另一设备、单元或模块上,连接或耦合到或与其他设备、单元或模块通信,或者可以存在中间设备、单元或模块,除非上下文明确提示例外情形。例如,本公开所使用的术语“和/或”包括一个或多个相关所列条目的任何一个和所有组合。
本公开所用术语仅为了描述特定实施例,而非限制本公开范围。如本公开说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的特征、整体、步骤、操作、元素和/或组件,而该类表述并不构成一个排它性的罗列,其他特征、整体、步骤、操作、元素和/或组件也可以包含在内。
参看下面的说明以及附图,本公开的这些或其他特征和特点、操作方法、结构的相关元素的功能、部分的结合以及制造的经济性可以被更好地理解,其中说明和附图形成了说明书的一部分。然而,可以清楚地理解,附图仅用作说明和描述的目的,并不意在限定本公开的保护范围。可以理解的是,附图并非按比例绘制。
本公开中使用了多种结构图用来说明根据本公开的实施例的各种变形。应当理解的是,前面或下面的结构并不是用来限定本公开。本公开的保护范围以权利要求为准。
图1是本公开适用的一种计算机系统的示意图。如图1所示的系统,力学参数识别服务器获取振动实验产生的复合材料的频率响应函数曲线,并利用部署在力学参数识别服务器上的力学参数识别模型输出一组力学参数数值组合。
其中:
可以利用多种设备对复合结构进行振动实验,获取频率响应函数曲线。如利用力锤产生激励,利用加速度计测量复合材料结构的响应或者利用激振器产生激励,利用激光测振仪测量复合材料结构的响应。
所述设备产生的频率响应函数曲线可以是数字化的,从而可以直接与力学参数识别服务器数字连接,因此可以将数字化的频率响应函数曲线直接发送至力学参数识别服务器处理;所述设备产生的频率响应函数曲线也可以是模拟信号, 在发送至力学参数识别服务器处理之前, 需要经过数字化处理,因此所述设备与力学参数识别服务器可以信号连接,也可以不连接, 当不连接时, 可以以人工方式或其他方式将数字化处理后的频率响应函数曲线输入力学参数识别服务器。
所述力学参数识别服务器部署有力学参数识别模型。所述模型可以是在其他设备训练好,然后部署在所述力学参数识别服务器, 也可以是在所述力学参数识别服务器训练并部署。所述力学参数识别服务器可以是单机、集群或分布式服务器中的任一种。如果所述模型经过量化,适合在边缘设备上部署, 所述力学参数识别服务器也可以是基于移动操作系统,如安卓或苹果系统的移动设备,或者是基于Windows操作系统的个人电脑、工作站或服务器。
图2是根据本公开的一些实施例所示的一种训练复合材料力学参数识别模型的方法的流程图。在一些实施例中,所述训练复合材料力学参数识别模型的方法可以由图1所示的力学参数识别服务器执行。如图2所示,所述训练复合材料力学参数识别模型的方法包括以下步骤:
S201,将对多个力学参数分别采样得到的数值组合得到多组力学参数数值组合。
复合材料是指由至少两种组分组合而成的异质材料。复合材料的各向异性导致需要用多组力学参数来对复合材料进行标定。如表征平面应力条件下碳纤维复合材料的通用力学性能的参数就至少有:(径向)弹性模量、(纬向)弹性模量、泊松比、剪切模量。
在本公开的一些实施例中,利用拉丁超立方采样产生多组力学参数。相比于纯随机方法,拉丁超立方方法可以避免数据聚集,保证数据的分布更加均匀。
在本公开的一些实施例中,对每一个力学参数采用拉丁超立方采样得到n个数值,对k个力学参数执行此操作共得到k组数值,每组n个,其中,k,n为自然数;
从所述k组数值中的每组随机挑选一个数值进行组合,得到组力学参数数值组合。
S202,将所述多组力学参数数值组合中的每组力学参数数值组合输入有限元模型,得到对应的频率响应函数曲线。
有限元模型指复合材料结构的强迫振动模型。结构的强迫振动模型实际上是由结构的刚度矩阵、质量矩阵、力向量和自由度向量组成的方程:
其中,为结构的刚度矩阵,/>为结构的质量矩阵,/>为圆频率,/>为结构的位移向量,/>为力向量。
当施加的力为点力时,在点力施加的自由度上有非0项,在其他自由度上均为0。当结构的力学参数、几何参数等确定的时候,结构的刚度矩阵和质量矩阵为已知,力向量为输入的力信号,也为已知,故结构的位移为/>。当施加点力的自由度编号为/>时,结构上第/>个自由度的加速度频率响应曲线为/>。
在本公开的一些实施例中,有限元建模包括但不限于利用商业软件进行有限元建模、自主开发有限元程序进行建模等。
S203,以所述频率响应函数曲线作为样本,对应的力学参数数值组合作为标签,对初始神经网络进行训练,获得所述复合材料力学参数识别模型。
神经网络的作用是建立频率响应函数曲线到力学参数之间的近似关系:。其中/>代表力学参数,/>代表频率响应函数曲线,/>代表神经网络中的权重和偏置。训练神经网络的目的就是找到一组权重和偏置,使模型预测的结果和训练集中的标签差异最小(即目标函数最小)。这里提到的神经网络包括但不限于全连接网络(Multilayer Perceptrons),卷积神经网络等。此处以全连接网络为例进行说明。
全连接网络的网络结构示意图如图3所示。全连接网络通常包括输入层,输出层和若干隐藏层。隐藏层的作用为:利用输入层或者上一层传递过来的输出计算本层的输出/>。第/>层的第/>个神经元的输出/>可通过/>计算得到。其中/>和分别为权重和偏置,/>为激活函数。现在比较常用的激活函数是ReLU(RectifiedLinear Units),其定义为/>。进行网络训练之前需要选定隐藏层的层数、每层内神经元的个数和激活函数,一个设计好的全连接网络如图4所示。
在本公开的一些实施例中,所述初始神经网络为全连接网络,采用小批量随机梯度下降法更新所述全连接网络的权值和偏置。所述神经网络的目标函数为,其中,/>和/>分别为力学参数数值组合的标签和神经网络预测值,N为每个小批量的样本数量,K为待识别的力学参数的个数。
图5是根据本公开的一些实施例所示的一种训练复合材料力学参数识别模型的装置的示意图。如图5所示,所述训练复合材料力学参数识别模型的装置500包括采样模块510、生成模块520、训练模块530。在一些实施例中,所述训练复合材料力学参数识别模型的功能可以由图1中的力学参数识别服务器执行执行。其中:
采样模块510,用于将对多个力学参数分别采样得到的数值组合得到多组力学参数数值组合;
生成模块520,用于将所述多组力学参数数值组合中的每组力学参数数值组合输入有限元模型,得到对应的频率响应函数曲线;
训练模块530,用于以所述频率响应函数曲线作为样本,对应的力学参数数值组合作为标签,对初始神经网络进行训练,获得所述复合材料力学参数识别模型。
图6是根据本公开的一些实施例所示的一种复合材料力学参数识别方法的流程图。在一些实施例中,所述复合材料力学参数识别方法可以由图1所示的力学参数识别服务器执行。如图6所示,所述识别复合材料力学参数的方法包括以下步骤:
S601,利用激振设备对复合材料结构进行激励,利用振动测量设备获取所述复合材料对所述激励的频率响应函数曲线。
在本公开的一些实施例中,利用力锤产生激励,利用加速度计测量结构的响应。在本公开的另一些实施例中,利用激振器产生激励,利用激光测振仪测量结构的响应。
在本公开的一些实施例中,测量设备产生的频率响应函数曲线是数字化的,因此力学参数识别服务器处理可以直接从测量设备获得所述数字化的频率响应函数曲线。
在本公开的一些实施例中,所述测量设备产生的频率响应函数曲线是模拟信号,因此在力学参数识别服务器从测量设备获得所述频率响应函数曲线之前, 必须先将所述频率响应函数曲线数字化。
S602,将所述频率响应函数曲线输入图1所述方法获得的复合材料力学参数识别模型,获得与所述频率响应函数曲线对应的力学参数数值组合。
图7是根据本公开的一些实施例所示的一种识别复合材料力学参数的装置的示意图。如图7所示,所述复合材料力学参数识别装置700包括获取模块710、识别模块720。在一些实施例中,所述建立复合材料力学参数识别功能可以由图1中的力学参数识别服务器执行执行。其中:
获取模块710,用于获取所述复合材料在激励作用下的频率响应函数曲线;
识别模块720,用于将所述频率响应函数曲线输入根据图1所述方法获得的复合材料力学参数识别模型,获得与所述频率响应函数曲线对应的力学参数数值组合。
图8是根据本公开的一些实施例所示的一种基于振动实验的智能参数识别方法的流程图。如图8所示,所述方法包括:
8.1: 产生训练数据集
对力学参数进行拉丁超立方采样,将采样得到的力学参数数值组输入有限元建模得到频率响应函数曲线。
图9是本公开的一个实施例所示的对力学参数经过拉丁超立方采样得到的多组力学参数数值组合以及其中一组力学参数数值组合对应的频率响应函数曲线。
图9示出的力学参数有两个,经过拉丁超立方采样产生多组参数数值如图9左图所示。这里例举了25组,实际上参数数值组数会上万。
其中每组参数数值对应的频率响应曲线均不相同,某一组参数数值对应的频率响应曲线如图9右图所示。
8.2: 训练
将频率响应函数曲线作为样本,对应的力学参数数值组作为标签,得到构建力学参数识别模型的数据集。
将这些数据分成两组,训练集和验证集。将训练集输入神经网络,并设定小批量中包含的样本数量和学习率,对神经网络进行训练。训练结束后用验证集对训练好的模型进行验证。
为了平衡存储消耗和训练效率,可采用小批量随机梯度下降法来更新权值和偏置。目标函数定义为:。其中/>和/>分别为力学参数数值组合真值(标签)和神经网络预测值,N为小批量所包含的样本数量,K为待识别的参数个数。本发明中的目标函数包括但不限于此处提到的目标函数形式。
8.3: 推理
对力学参数未知的复合材料,通过振动实验得到频率函数响应曲线,将所述曲线输入8.2中训练的力学参数识别模型, 输出即为与所述复合材料结构对应的力学参数的数值组合。
本公开的一个实施例提供了一种电子设备,如图10所示,所述电子设备1000包括存储器1020和处理器1010,所述存储器1020,用于存储计算机程序;所述处理器1010,用于当执行所述计算机程序时,实现图2中S201-S203所述的训练复合材料力学参数识别模型的方法和图6中S601-S602所述的复合材料力学参数识别方法。
本公开的一个实施例提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现图2中S201-S203所述的训练复合材料力学参数识别模型的方法和图6中S601-S602所述的复合材料力学参数识别方法。
本公开的一个实施例提供了一种计算机程序产品,包括计算机程序、指令,当所述计算机程序、指令被处理器执行时,实现图2中S201-S203所述的训练复合材料力学参数识别模型的方法和图6中S601-S602所述的复合材料力学参数识别方法。
本公开各实施例提供的训练复合材料力学参数识别模型的方法、装置、识别复合材料力学参数的方法、装置、电子设备、计算机可读存储介质和程序产品,通过利用深度学习建立结构的频率响应函数和力学参数之间的函数关系,利用复合材料结构的振动实验数据获得的频率响应函数识别复合材料结构的力学参数,因为振动实验是对整个结构进行的,识别结果的均匀化程度更高;利用振动实验的方法只需一次实验就可以得到所有参数,耗时短,实验过程更简洁;振动实验是非破坏性实验,实验后结构并未受到破坏;针对异形结构,基于振动实验的参数识别方法可以有效识别其力学参数。从而避免了现有通过机械实验的方法进行复合材料参数识别时均匀化程度低、实验繁琐耗时长、损害材料和异形结构难标定的问题。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备和模块的具体工作过程,可以参考前述装置实施例中的对应描述,在此不再赘述。
尽管此处所述的主题是在结合操作系统和应用程序在计算机系统上的执行而执行的一般上下文中提供的,但本领域技术人员可以认识到,还可结合其他类型的程序模块来执行其他实现。一般而言,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、组件、数据结构和其他类型的结构。本领域技术人员可以理解,此处所述的本主题可以使用其他计算机系统配置来实践,包括手持式设备、多处理器系统、基于微处理器或可编程消费电子产品、小型计算机、大型计算机等,也可使用在其中任务由通过通信网络连接的远程处理设备执行的分布式计算环境中。在分布式计算环境中,程序模块可位于本地和远程存储器存储设备的两者中。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,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公开的范围。
应当理解的是,本公开的上述具体实施方式仅仅用于示例性说明或解释本公开的原理,而不构成对本公开的限制。因此,在不偏离本公开的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。此外,本公开所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (9)
1.一种训练复合材料力学参数识别模型的方法,其特征在于,包括:
将对多个力学参数分别采样得到的数值组合得到多组力学参数数值组合;具体包括:
对每一个力学参数采用拉丁超立方采样得到n个数值,对k个力学参数执行此操作共得到k组数值,每组n个,其中,k,n为自然数;
从所述k组数值中的每组随机挑选一个数值进行组合,得到组力学参数数值组合;
所述力学参数至少包括:径向弹性模量、纬向弹性模量、泊松比、剪切模量;
将所述多组力学参数数值组合中的每组力学参数数值组合输入有限元模型,得到对应的频率响应函数曲线;
以所述频率响应函数曲线作为样本,对应的力学参数数值组合作为标签,对初始神经网络进行训练,获得所述复合材料力学参数识别模型;
所述有限元模型为复合材料结构的强迫振动模型,所述强迫振动模型由结构的刚度矩阵、质量矩阵、力向量和自由度向量组成的方程:
;
其中,为结构的刚度矩阵,/>为结构的质量矩阵,/>为圆频率,/>为结构的位移向量,/>为力向量;
当施加的力为点力时,在点力施加的自由度上有非0项,在其他自由度上均为0;当结构的力学参数、几何参数确定的时候,结构的刚度矩阵和质量矩阵为已知,力向量为输入的力信号,也为已知,故结构的位移为/>;当施加点力的自由度编号为时,结构上第/>个自由度的加速度频率响应曲线为/>。
2.根据权利要求1所述的方法,其特征在于,所述以所述频率响应函数曲线作为样本,对应的力学参数数值组合作为标签,对初始神经网络进行训练包括:
将所述样本和所述标签分成训练集和验证集;
以所述训练集对所述神经网络进行训练,以所述验证集对所述神经网络的训练结果进行验证。
3.根据权利要求2所述的方法,其特征在于:
所述初始神经网络为全连接网络,采用小批量随机梯度下降法更新所述全连接网络的权值和偏置。
4.根据权利要求3所述的方法,其特征在于:
所述神经网络的目标函数为,其中,/>和/>分别为所述力学参数数值组合的标签和神经网络预测值,N为每个小批量中的样本数量,K为待识别的力学参数的个数。
5.一种训练复合材料力学参数识别模型的装置,其特征在于,包括:
采样模块,用于将对多个力学参数分别采样得到的数值组合得到多组力学参数数值组合;具体包括:对每一个力学参数采用拉丁超立方采样得到n个数值,对k个力学参数执行此操作共得到k组数值,每组n个,其中,k,n为自然数;
从所述k组数值中的每组随机挑选一个数值进行组合,得到组力学参数数值组合;
所述力学参数至少包括:径向弹性模量、纬向弹性模量、泊松比、剪切模量;
生成模块,用于将所述多组力学参数数值组合中的每组力学参数数值组合输入有限元模型,得到对应的频率响应函数曲线;
训练模块,用于以所述频率响应函数曲线作为样本,对应的力学参数数值组合作为标签,对初始神经网络进行训练,获得所述复合材料力学参数识别模型;
所述有限元模型为复合材料结构的强迫振动模型,所述强迫振动模型由结构的刚度矩阵、质量矩阵、力向量和自由度向量组成的方程:
;
其中,为结构的刚度矩阵,/>为结构的质量矩阵,/>为圆频率,/>为结构的位移向量,/>为力向量;
当施加的力为点力时,在点力施加的自由度上有非0项,在其他自由度上均为0;当结构的力学参数、几何参数确定的时候,结构的刚度矩阵和质量矩阵为已知,力向量为输入的力信号,也为已知,故结构的位移为/>;当施加点力的自由度编号为时,结构上第/>个自由度的加速度频率响应曲线为/>。
6.一种识别复合材料力学参数的方法,其特征在于,包括:
利用激振设备对复合材料结构进行激励,利用振动测量设备获取所述复合材料对所述激励的频率响应函数曲线;
将所述频率响应函数曲线输入根据权利要求1-4任一项所述方法获得的复合材料力学参数识别模型,获得与所述频率响应函数曲线对应的力学参数数值组合。
7.一种识别复合材料力学参数的装置,其特征在于,包括:
获取模块,用于获取所述复合材料在激励作用下的频率响应函数曲线;
识别模块,用于将所述频率响应函数曲线输入根据权利要求1-4任一项所述方法获得的复合材料力学参数识别模型,获得与所述频率响应函数曲线对应的力学参数数值组合。
8.一种电子设备,其特征在于:包括存储器和处理器,
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现根据权利要求1-4任一项或权利要求6所述的方法。
9.一种计算机程序产品,包括计算机程序、指令,当所述计算机程序、指令被处理器执行时,实现根据权利要求1-4任一项或权利要求6所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310528786.3A CN116312898B (zh) | 2023-05-11 | 2023-05-11 | 识别复合材料力学参数及训练其识别模型的方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310528786.3A CN116312898B (zh) | 2023-05-11 | 2023-05-11 | 识别复合材料力学参数及训练其识别模型的方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116312898A CN116312898A (zh) | 2023-06-23 |
CN116312898B true CN116312898B (zh) | 2023-08-25 |
Family
ID=86788999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310528786.3A Active CN116312898B (zh) | 2023-05-11 | 2023-05-11 | 识别复合材料力学参数及训练其识别模型的方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116312898B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503615B (zh) * | 2023-06-25 | 2023-08-25 | 南京矩视科技有限公司 | 一种基于卷积神经网络的碳纤维丝道识别与编号方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103267679A (zh) * | 2013-05-09 | 2013-08-28 | 上海交通大学 | 基于近似模型技术的复合泡沫塑料界面相力学测试方法 |
RU2611709C1 (ru) * | 2015-10-02 | 2017-02-28 | Федеральное государственное унитарное предприятие "Всероссийский научно-исследовательский институт авиационных материалов" | Способ ультразвукового контроля изделий из полимерных композиционных материалов |
CN106596723A (zh) * | 2017-01-09 | 2017-04-26 | 温州大学 | 一种多层复合材料结构力学参数声学检测方法 |
CN107220450A (zh) * | 2017-06-08 | 2017-09-29 | 东南大学 | 一种非均匀材料连续分布力学参数场间接获取方法 |
KR102142540B1 (ko) * | 2019-04-25 | 2020-08-07 | 군산대학교산학협력단 | 기계학습 및 드론을 이용한 풍력발전기용복합재 블레이드의 손상 검사 방법 |
CN112201315A (zh) * | 2020-09-03 | 2021-01-08 | 北京特种机械研究所 | 一种复合材料起落架结构的固有频率分析方法及装置 |
CN114330435A (zh) * | 2021-12-27 | 2022-04-12 | 哈尔滨工业大学 | 一种基于动态权重小波系数深度残余网络的复合材料缺陷检测方法 |
CN115470669A (zh) * | 2022-08-29 | 2022-12-13 | 同济大学 | 一种复合材料结构固化变形预测方法、装置及存储介质 |
CN115775602A (zh) * | 2022-11-28 | 2023-03-10 | 西安交通大学 | 一种基于机器学习的复合型断裂界面参数识别方法 |
-
2023
- 2023-05-11 CN CN202310528786.3A patent/CN116312898B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103267679A (zh) * | 2013-05-09 | 2013-08-28 | 上海交通大学 | 基于近似模型技术的复合泡沫塑料界面相力学测试方法 |
RU2611709C1 (ru) * | 2015-10-02 | 2017-02-28 | Федеральное государственное унитарное предприятие "Всероссийский научно-исследовательский институт авиационных материалов" | Способ ультразвукового контроля изделий из полимерных композиционных материалов |
CN106596723A (zh) * | 2017-01-09 | 2017-04-26 | 温州大学 | 一种多层复合材料结构力学参数声学检测方法 |
CN107220450A (zh) * | 2017-06-08 | 2017-09-29 | 东南大学 | 一种非均匀材料连续分布力学参数场间接获取方法 |
KR102142540B1 (ko) * | 2019-04-25 | 2020-08-07 | 군산대학교산학협력단 | 기계학습 및 드론을 이용한 풍력발전기용복합재 블레이드의 손상 검사 방법 |
CN112201315A (zh) * | 2020-09-03 | 2021-01-08 | 北京特种机械研究所 | 一种复合材料起落架结构的固有频率分析方法及装置 |
CN114330435A (zh) * | 2021-12-27 | 2022-04-12 | 哈尔滨工业大学 | 一种基于动态权重小波系数深度残余网络的复合材料缺陷检测方法 |
CN115470669A (zh) * | 2022-08-29 | 2022-12-13 | 同济大学 | 一种复合材料结构固化变形预测方法、装置及存储介质 |
CN115775602A (zh) * | 2022-11-28 | 2023-03-10 | 西安交通大学 | 一种基于机器学习的复合型断裂界面参数识别方法 |
Non-Patent Citations (1)
Title |
---|
玻璃纤维夹芯材料力学性能与阻尼特性分析;黄莉;邓华;王宸;;材料科学与工程学报(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116312898A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116312898B (zh) | 识别复合材料力学参数及训练其识别模型的方法、装置 | |
Chiachío et al. | Bayesian model selection and parameter estimation for fatigue damage progression models in composites | |
US20220036223A1 (en) | Processing apparatus, processing method, and non-transitory storage medium | |
Bogdanor et al. | Uncertainty quantification in damage modeling of heterogeneous materials | |
Cuadrado et al. | Model updating of uncertain parameters of carbon/epoxy composite plates using digital image correlation for full-field vibration measurement | |
Damm et al. | Deep learning for impact detection in composite plates with sparsely integrated sensors | |
Xu et al. | A deep learning method for damage prognostics of fiber-reinforced composite laminates using acoustic emission | |
Lyathakula et al. | Probabilistic fatigue life prediction for adhesively bonded joints via surrogate model | |
Marques et al. | An overview of fatigue testing systems for metals under uniaxial and multiaxial random loadings | |
CN108509864A (zh) | 一种确定光纤入侵事件类型的方法及装置 | |
Sharma et al. | Parameter estimation of butyl rubber aided with dynamic mechanical analysis for numerical modelling of an air-inflated torus and experimental validation using 3D-laser Doppler vibrometer | |
Yan et al. | FEM modeling method of damage structures for structural damage detection | |
Li et al. | Machine learning approach for delamination detection with feature missing and noise polluted vibration characteristics | |
KR102335016B1 (ko) | 복합재로 이루어진 보의 설계 장치 및 이를 이용한 보의 설계 방법 | |
Kuts et al. | The procedure for subspace identification optimal parameters selection in application to the turbine blade modal analysis | |
WO2020170360A1 (ja) | 強度検査方法および強度検査装置 | |
Staffa et al. | Development and Validation of a Low-Cost Device for Real-Time Detection of Fatigue Damage of Structures Subjected to Vibrations | |
Mironov et al. | Static loads influence on modal properties of the composite cylindrical shells with integrated sensor network | |
Hou et al. | Experimental study of crack identification in thick beams with a cracked beam element model | |
Lu et al. | Multi-damage identification system of CFRP by using FBG sensors and multi-classification RVM method | |
Savin | Transient transport equations for high-frequency power flow in heterogeneous cylindrical shells | |
Safdar et al. | The effect of model dimensionality on compression strength of fiber reinforced composites | |
Gueorguiev et al. | Frequency characteristics of seismic piezoelectric sensors under one-dimensional mechanical action | |
Mishra et al. | Determination of layerwise material properties of composite plates using mixed numerical–experimental technique | |
Gharaibeh | Identification of printed circuit boards mechanical properties using response surface methods |
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 |