CN116644674B - L型构件残余应力的预测方法、装置、设备及介质 - Google Patents
L型构件残余应力的预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116644674B CN116644674B CN202310929489.XA CN202310929489A CN116644674B CN 116644674 B CN116644674 B CN 116644674B CN 202310929489 A CN202310929489 A CN 202310929489A CN 116644674 B CN116644674 B CN 116644674B
- Authority
- CN
- China
- Prior art keywords
- residual stress
- sample
- rgb image
- parameter set
- input parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 36
- 239000002131 composite material Substances 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 20
- 238000004321 preservation Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 230000007704 transition Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 10
- 239000011347 resin Substances 0.000 claims description 7
- 229920005989 resin Polymers 0.000 claims description 7
- 239000000835 fiber Substances 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 7
- 238000009826 distribution Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 229920000049 Carbon (fiber) Polymers 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 239000004917 carbon fiber Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007731 hot pressing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000005549 size reduction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F2113/00—Details relating to the application field
- G06F2113/26—Composites
-
- 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
- Y02P10/00—Technologies related to metal processing
- Y02P10/20—Recycling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及复合材料技术领域，特别涉及一种L型构件残余应力的预测方法、装置、设备及介质。其中，该方法包括：获取待预测的L型构件的一个一维输入参数集合；将所述一维输入参数集合转换为RGB图像，并将所述RGB图像输入到训练好的残余应力预测模型中，得到所述待预测的L型构件的残余应力；其中，所述残余应力预测模型是利用样本L型构件已知的样本一维输入参数集合和样本残余应力分别作为输入样本集和输出样本集进行训练得到的。本方案，能够解决L型构件残余应力的测试方法效率低下的问题，实现对L型构件残余应力的快速预测。
Description
技术领域
本发明涉及复合材料技术领域，特别涉及一种L型构件残余应力的预测方法、装置、设备及介质。
背景技术
L型碳纤维复合材料构件一般采用热压固化成型方式，由于成型面为曲面，容易产生压力分布不均和树脂多维流动现象，使得在曲面的圆角处存在较大的残余应力，而残余应力会降低复合材料的机械强度，甚至造成分层失效。因此，对复合材料构件的残余应力分布进行预测和分析，从而针对性的进行优化是保证复合材料构件高性能精确成型的关键。
相关技术中，一般需要通过大量的物理实验来测试L型构件的残余应力，并通过局部铺层顺序的修改以及模具的补偿来减少变形。然而，这种方法不仅效率低下而且成本高，且仅适用于简单几何的零件。
因此，亟需提供一种L型构件的残余应力的预测方法、装置、设备及介质来解决上述技术问题。
发明内容
本发明实施例提供了一种L型构件残余应力的预测方法、装置、电子设备及存储介质，能够实现对L型构件残余应力的快速预测。
第一方面，本发明实施例提供了一种L型构件残余应力的预测方法，包括：
获取待预测的L型构件的一个一维输入参数集合；
将所述一维输入参数集合转换为RGB图像，并将所述RGB图像输入到训练好的残余应力预测模型中，得到所述待预测的L型构件的残余应力；其中，所述残余应力预测模型是利用样本L型构件已知的样本一维输入参数集合和样本残余应力分别作为输入样本集和输出样本集进行训练得到的。
第二方面，本发明实施例还提供了一种L型构件残余应力的预测装置，包括：
获取单元，用于获取待预测的L型构件的一个一维输入参数集合；
转换单元，用于将所述一维输入参数集合转换为RGB图像，并将所述RGB图像输入到训练好的残余应力预测模型中，得到所述待预测的L型构件的残余应力；其中，所述残余应力预测模型是利用样本L型构件已知的样本一维输入参数集合和样本残余应力分别作为输入样本集和输出样本集进行训练得到的。
第三方面，本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
本发明实施例提供了一种L型构件残余应力的预测方法、装置、电子设备及存储介质，首先获取L型构件的一维输入参数集合，并将一维输入参数集合转换为RGB图像，之后利用L型构件已知的样本一维输入参数集合和样本残余应力分别作为输入样本集和输出样本集对残余应力预测模型进行训练，训练得到的残余应力预测模型能够对实现L型构件残余应力的快速预测，无需进行多次物理实验对L型构件的残余应力进行测试，提高了工作效率，降低了成本。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种L型构件残余应力的预测方法流程图；
图2是本发明一实施例提供的一种电子设备的硬件架构图；
图3是本发明一实施例提供的一种L型构件残余应力的预测装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，本发明实施例提供了一种L型构件残余应力的预测方法，该方法包括：
步骤100，获取待预测的L型构件的一个一维输入参数集合；
步骤102，将一维输入参数集合转换为RGB图像，并将RGB图像输入到训练好的残余应力预测模型中，得到待预测的L型构件的残余应力；其中，残余应力预测模型是利用样本L型构件已知的样本一维输入参数集合和样本残余应力分别作为输入样本集和输出样本集进行训练得到的。
本实施例中，首先获取L型构件的一维输入参数集合，并将一维输入参数集合转换为RGB图像，之后利用L型构件已知的样本一维输入参数集合和样本残余应力分别作为输入样本集和输出样本集对残余应力预测模型进行训练，训练得到的残余应力预测模型能够实现对L型构件残余应力的预测，如此无需进行多次物理实验对L型构件的残余应力进行测试，极大提高了L型构件的生产效率，降低了生产成本。
为了保证残余应力预测模型具备精准的预测能力，需要通过已知样本数据集对其进行训练，并且当训练集的数据量越多，则越有利于保证残余应力预测模型预测的准确性。然而，在实际工程中，由于L型构件的实际固化过程缓慢，并且对L型构件的残余应力的测试成本较高，难以获得大量的训练数据，因此，本实施例中以一维参数集合作为提交文件，利用Abaqus软件对L型构件的固化过程进行模拟，从而获得大量的残余应力数据，如此得到了充足的样本对残余应力预测模型进行训练，从而保证了该预测模型预测的准确性。
需要说明的是，为了更好的模拟L型构件固化过程中不确定性参数影响，首先利用Python程序中的随机函数，随机形成多个一维参数集合作为Abaqus软件的提交文件，将提交文件输入到Abaqus软件，并在软件中设置预设的L型构件的固化反应约束条件，如此能够使得与每个提交文件相对应的材料在预设约束条件下进行固化模拟，通过对L型构件模型中的不同位置的样本数据进行提取，得到与一维参数集合相对应的残余应力数据集，并将该一维参数集合和测试得到的残余应力数据集作为训练样本集对残余应力预测模型进行训练，如此能够避免大量的物理实验对L型构件的残余应力进行测试，极大提高了工作效率。
同时，本实施例中的预设约束条件包括复合材料的热物性参数、力学性能参数和固化动力学模型；其中，热物性参数包括L型构件的密度、比热容、导热系数、树脂密度、纤维体积含量、单位质量树脂的固化反应放热、化学收缩率；力学性能包含纤维的弹性模量、剪切模量和泊松比。
下面描述图1所示的各个步骤的执行方式。
针对步骤100：
在本发明一个实施例中，一个输入参数集合包括一个L型角度、一个固化升温速率、一个保温时间和多个铺层角度。
在本实施例中，在L型构件的实际固化过程中，由于L型构件的残余应力的产生机理十分复杂，并且一般涉及较多的影响参数，因此，本实施例中通过挑选对残余应力影响较大的多个参数，利用Python程序中的随机函数对多个参数进行随机组合，得到多个输入参数集合，并将每个输入参数集合作为Abaqus软件的提交文件，对复合材料的固化过程进行模拟计算，得到与每个输入参数集合相对应的残余应力。由于本实施例中考虑了多种对L型构件固化过程中残余应力的影响参数，如此能够更加准确实现对L型构件的固化模拟，进而能够使得计算得到的L型构件的残余应力更准确。
针对步骤102：
在本发明一个实施例中，将一维输入参数集合转换为RGB图像，包括：
将一维输入参数集合中一个L型角度、一个固化升温速率、一个保温时间和每个铺层角度分别转换为RGB图像中的一行或一列；其中，L型角度、固化升温速率、保温时间和铺层角度所对应的图像像素值互不相同且互不成比例，不同铺层角度所对应的图像像素值互成比例；
基于L型角度、固化升温速率、保温时间和铺层角度的总个数，确定RGB图像的列数或行数，以使RGB图像为正方形图像。
在本实施例中，例如，L型构件可以由两层碳纤维分别按照一定的角度铺层得到，一维输入参数集合可以分别由（15°，2℃，30min，0/15），（30°，4℃，45min，30/45）、（45°，6℃，60min，60/75），（55°，8℃，55min，90/-15），（60°，10℃，60min，-30/-45）组成；其中，15°为L型角度，2℃为固化升温速率，30min为保温时间，0/15分别为两层碳纤维的铺层角度。以上述一维输入参数集合为例，在将一维输入参数集合转换为RGB图像时，可以将（15°，2℃，30min，0/15），（30°，4℃，45min，30/45），（45°，6℃，60min，60/75）、（55°，8℃，55min，90/-15），（60°，10℃，60min，-30/-45）分别作为RGB图像的一列，并且L型角度、固化升温速率、保温时间和铺层角度所对应的每列图像的像素值互不相同且不成比例，即在RGB图像中，与L型角度、固化升温速率、保温时间和铺层角度相对应的每一行呈不同的颜色，且每行RGB图像的每列颜色深浅不同，通过将5个一维输入参数集合分别作为RGB图像的一列，并且一维参数集合中涉及5个参数，此时形成的RGB图像即为5行×5列的正方形图像，如此更有利于提取RGB图像的特征。
本实施例中，通过将一维参数集合转换为RGB图像的方式，将影响复合材料固化中残余应力的影响参数之间的耦合关联转化为RGB图像的空间特征，并将一维参数集合不同参数所对应的不同数值转变为RGB图像的像素信息，充分利用本实施例中预测模型的图像处理优势，自动实现了RGB图像特征的提取与降维。
在本发明一个实施例中，残余应力预测模型包括依次连接的编码网络、过渡网络和解码网络，其中：
编码网络用于对输入的RGB图像进行3×3卷积操作和下采样操作，以提取RGB图像的特征信息；
过渡网络用于采用不同膨胀系数的空洞卷积对由编码网络输出的RGB图像的特征信息进行卷积操作；
解码网络用于对由过渡网络输出的RGB图像的特征信息依次进行3×3卷积操作、上采样操作和1×1卷积操作，得到残余应力。
在本实施例中，在过渡网络中采用孔洞卷积对RGB图像的特征信息进行卷积，能够在RGB图像大小相同的情况下，增大RGB图像的感受野，获取更多的全局信息，从而可以解决卷积层随卷积核增大计算参数量成倍增加的问题，也可以有效避免池化层进行下采样之后导致图像尺寸减小和细节信息丢失的问题，进一步地，通过设置不同膨胀系数可以来调整RGB图像的感受野，以增大RGB图像的感受野，提取多个尺度的特征信息，同时保持RGB图像的高空间分辨率。
在本发明一个实施例中，编码网络包括多个编码层，每个编码层均包括依次连接至少两个卷积层和一个特征拼接层，每个卷积层均包括一个3×3的卷积核、一个归一化层和一个激活函数，特征拼接层用于对第一个卷积层的输入特征和最后一个卷积层的输出特征进行特征拼接，归一化层用于对由卷积核输出的特征信息进行归一化处理。
在本实施例中，由于残余应力预测模型的网络结构在训练过程中随网络层数加深，训练复杂度会加大，因此在残余应力预测模型的训练过程中，每一层网络拥有不同的参数分布，前一层的网络参数作为下一层网络的输入，随着前一层参数的变化，参数分布变得复杂，归一化将会对每一层网络的输入值进行归一化处理，使每一层网络参数分布服从均值为0、方差为1的正态分布，寻求整个训练过程参数的稳定分布，降低因参数变化造成的模型复杂度。即，加入归一化层可以有效规范网络参数输入，加快网络收敛速度，克服因模型复杂度加深而难以训练的困难。
需要说明的是，归一化层需要设置在激活函数之前，这是因为激活函数的输出分布形状会在训练过程中变化，归一化无法消除它的方差偏移，而卷积层的输出类似于高斯分布，对它们的输出结果进行归一化会产生更加稳定的分布。
归一化层的计算过程大致可分为四步，假设将样本分为batch size为m的多个批次（batch），依次进行求样本均值、求样本方差、样本归一化处理、平移和缩放处理操作，从而可以实现样本的归一化处理。
另外，由于随着网络层数加深，模型提取准确率达到饱和，此时随着网络层数增加会伴随梯度爆炸或梯度消失等问题，致使模型训练越来越困难，出现模型退化现象。通过设置特征拼接层可以使得期输入特征来自上一层卷积的输出特征与输入特征的堆叠，该过程通过具有“快捷连接”的前馈神经网络来实现。快捷连接是跳过一个或多个层的连接，执行身份映射，将卷积输出与输入堆叠后添加到下一层卷积的输入特征中，快捷连接不增加额外的参数，也不增加计算的复杂性，因此可以解决模型出现退化现象的问题。
在本发明一个实施例中，解码网络包括多个解码层，每个编码层均与一个解码层对应且连接，每个解码层均包括一个特征融合层；
第一个解码层用于对由过渡网络输出的RGB图像的特征信息和由最后一个编码层输出的RGB图像的特征信息进行特征融合操作；
针对其余解码层，每个当前解码层均用于对由该当前解码层的上一个解码层输出的RGB图像的特征信息和由与该当前解码层对应的编码层输出的RGB图像的特征信息进行特征融合操作。
在本实施例中，通过在每个解码层均设置一个特征融合层，以连接每一次下采样与对应的上采样操作，融合浅层与深层特征用于恢复图像结构特征，即可以保留更多的图像结构特征，最后紧跟一个1×1卷积用于改变图像的输出通道数，如此实现图像语义分割。
在本发明一个实施例中，残余应力预测模型具体是通过如下方式训练得到的：
构建预设的机器学习模型；
设置机器学习模型的超参数和损失函数；其中，损失函数为N个速度分量的均方误差；
将已知的样本一维输入参数集合和样本残余应力作为机器学习模型的训练样本集，利用批随机梯度下降法对机器学习模型进行训练；
在训练过程中，计算机器学习模型的损失与精度，并迭代机器学习模型的网络参数，直到模型收敛或达到预设迭代次数，得到残余应力预测模型。
在本实施例中，将已知的样本一维参数集合和样本残余应力按照比例（例如可以为8:2）划分为训练集和验证集，利用批随机梯度下降法对机器学习模型进行训练，得到一维参数集合的RGB图像与L型构件的残余应力之间的映射关系，通过分别对机器学习模型的超参数和损失函数进行设置，如此能够提高机器学习模型的学习性能和效果，并且在训练过程中，通过不断计算机器学习模型的损失与精度，根据损失值对学习模型中的各个参数进行反向调整，从而降低真实值和预测值之间的损失，进而提高学习模型的预测的精确性。
需要说明的是，为了提高机器学习模型的网络参数的优化能力，本实施例采用AdamW优化器进行机器学习模型的网络参数优化。
如图2、图3所示，本发明实施例提供了一种L型构件残余应力的预测装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图2所示，为本发明实施例提供的一种L型构件残余应力的预测装置所在电子设备的一种硬件架构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。
本实施例提供的一种L型构件残余应力的预测装置，包括：
获取单元300，用于获取待预测的L型构件的一个一维输入参数集合；
转换单元302，用于将所述一维输入参数集合转换为RGB图像，并将所述RGB图像输入到训练好的残余应力预测模型中，得到所述待预测的L型构件的残余应力；其中，所述残余应力预测模型是利用样本L型构件已知的样本一维输入参数集合和样本残余应力分别作为输入样本集和输出样本集进行训练得到的。
在本发明实施例中，获取单元300可用于执行上述方法实施例中的步骤100，转换单元302可用于执行上述方法实施例中的步骤102。
在本发明一个实施例中，一个所述输入参数集合包括一个L型角度、一个固化升温速率、一个保温时间和多个铺层角度。
在本发明一个实施例中，转换单元302在执行所述将所述一维输入参数集合转换为RGB图像，用于执行如下操作：
将所述一维输入参数集合中一个L型角度、一个固化升温速率、一个保温时间和每个铺层角度分别转换为所述RGB图像中的一行或一列；其中，L型角度、固化升温速率、保温时间和铺层角度所对应的图像像素值互不相同且互不成比例，不同铺层角度所对应的图像像素值互成比例；
基于L型角度、固化升温速率、保温时间和铺层角度的总个数，确定所述RGB图像的列数或行数，以使所述RGB图像为正方形图像。
在本发明一个实施例中，所述残余应力预测模型包括依次连接的编码网络、过渡网络和解码网络，其中：
所述编码网络用于对输入的RGB图像进行3×3卷积操作和下采样操作，以提取所述RGB图像的特征信息；
所述过渡网络用于采用不同膨胀系数的空洞卷积对由所述编码网络输出的RGB图像的特征信息进行卷积操作；
所述解码网络用于对由所述过渡网络输出的RGB图像的特征信息依次进行3×3卷积操作、上采样操作和1×1卷积操作，得到残余应力。
在本发明一个实施例中，所述编码网络包括多个编码层，每个所述编码层均包括依次连接至少两个卷积层和一个特征拼接层，每个所述卷积层均包括一个3×3的卷积核、一个归一化层和一个激活函数，所述特征拼接层用于对第一个所述卷积层的输入特征和最后一个所述卷积层的输出特征进行特征拼接，所述归一化层用于对由所述卷积核输出的特征信息进行归一化处理。
在本发明一个实施例中，所述解码网络包括多个解码层，每个所述编码层均与一个所述解码层对应且连接，每个所述解码层均包括一个特征融合层；
第一个所述解码层用于对由所述过渡网络输出的RGB图像的特征信息和由最后一个所述编码层输出的RGB图像的特征信息进行特征融合操作；
针对其余所述解码层，每个当前解码层均用于对由该当前解码层的上一个解码层输出的RGB图像的特征信息和由与该当前解码层对应的编码层输出的RGB图像的特征信息进行特征融合操作。
在本发明一个实施例中，所述残余应力预测模型具体是通过如下方式训练得到的：
构建预设的机器学习模型；
设置所述机器学习模型的超参数和损失函数；其中，所述损失函数为N个速度分量的均方误差；
将已知的样本一维输入参数集合和样本残余应力作为所述机器学习模型的训练样本集，利用批随机梯度下降法对所述机器学习模型进行训练；
在训练过程中，计算所述机器学习模型的损失与精度，并迭代所述机器学习模型的网络参数，直到模型收敛或达到预设迭代次数，得到残余应力预测模型。
可以理解的是，本发明实施例示意的结构并不构成对一种L型构件残余应力的预测装置的具体限定。在本发明的另一些实施例中，一种L型构件残余应力的预测装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种L型构件残余应力的预测方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种L型构件残余应力的预测方法。
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机（或CPU或MPU）读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘（如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW）、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种L型构件残余应力的预测方法，其特征在于，包括：
获取待预测的L型构件的一个一维输入参数集合；
将所述一维输入参数集合转换为RGB图像，并将所述RGB图像输入到训练好的残余应力预测模型中，得到所述待预测的L型构件的残余应力；其中，所述残余应力预测模型是利用样本L型构件已知的样本一维输入参数集合和样本残余应力分别作为输入样本集和输出样本集进行训练得到的；其中，所述样本残余应力是通过如下方式得到的：利用Python程序中的随机函数对影响残余应力大的多个参数进行随机组合来随机生成多个样本一维参数集合，以所述样本一维参数集合作为提交文件输入到Abaqus软件，并在Abaqus软件中设置预设的L型构件的固化反应约束条件，使得与每个所述提交文件相对应的材料在预设约束条件下进行固化模拟，通过对L型构件模型中的不同位置的样本数据进行提取，得到与样本一维参数集合相对应的样本残余应力；所述约束条件包括复合材料的热物性参数、力学性能参数和固化动力学模型，所述热物性参数包括L型构件的密度、比热容、导热系数、树脂密度、纤维体积含量、单位质量树脂的固化反应放热、化学收缩率，所述力学性能包括纤维的弹性模量、剪切模量和泊松比；
一个所述输入参数集合包括一个L型角度、一个固化升温速率、一个保温时间和多个铺层角度；
所述将所述一维输入参数集合转换为RGB图像，包括：
将所述一维输入参数集合中一个L型角度、一个固化升温速率、一个保温时间和每个铺层角度分别转换为所述RGB图像中的一行或一列；其中，L型角度、固化升温速率、保温时间和铺层角度所对应的图像像素值互不相同且互不成比例，以在RGB图像中与L型角度、固化升温速率、保温时间和铺层角度相对应的每一行呈不同的颜色；不同铺层角度所对应的图像像素值互成比例，以使每行RGB图像的每列颜色深浅不同；
基于L型角度、固化升温速率、保温时间和铺层角度的总个数，确定所述RGB图像的列数或行数，以使所述RGB图像为正方形图像；
所述残余应力预测模型具体是通过如下方式训练得到的：
构建预设的机器学习模型；
设置所述机器学习模型的超参数和损失函数；其中，所述损失函数为N个速度分量的均方误差；
将已知的样本一维输入参数集合和样本残余应力作为所述机器学习模型的训练样本集，利用批随机梯度下降法对所述机器学习模型进行训练；
在训练过程中，计算所述机器学习模型的损失与精度，并迭代所述机器学习模型的网络参数，直到模型收敛或达到预设迭代次数，得到残余应力预测模型。
2.根据权利要求1所述的方法，其特征在于，所述残余应力预测模型包括依次连接的编码网络、过渡网络和解码网络，其中：
所述编码网络用于对输入的RGB图像进行3×3卷积操作和下采样操作，以提取所述RGB图像的特征信息；
所述过渡网络用于采用不同膨胀系数的空洞卷积对由所述编码网络输出的RGB图像的特征信息进行卷积操作；
所述解码网络用于对由所述过渡网络输出的RGB图像的特征信息依次进行3×3卷积操作、上采样操作和1×1卷积操作，得到残余应力。
3.根据权利要求2所述的方法，其特征在于，所述编码网络包括多个编码层，每个所述编码层均包括依次连接至少两个卷积层和一个特征拼接层，每个所述卷积层均包括一个3×3的卷积核、一个归一化层和一个激活函数，所述特征拼接层用于对第一个所述卷积层的输入特征和最后一个所述卷积层的输出特征进行特征拼接，所述归一化层用于对由所述卷积核输出的特征信息进行归一化处理。
4.根据权利要求3所述的方法，其特征在于，所述解码网络包括多个解码层，每个所述编码层均与一个所述解码层对应且连接，每个所述解码层均包括一个特征融合层；
第一个所述解码层用于对由所述过渡网络输出的RGB图像的特征信息和由最后一个所述编码层输出的RGB图像的特征信息进行特征融合操作；
针对其余所述解码层，每个当前解码层均用于对由该当前解码层的上一个解码层输出的RGB图像的特征信息和由与该当前解码层对应的编码层输出的RGB图像的特征信息进行特征融合操作。
5.一种L型构件残余应力的预测装置，其特征在于，包括：
获取单元，用于获取待预测的L型构件的一个一维输入参数集合；
转换单元，用于将所述一维输入参数集合转换为RGB图像，并将所述RGB图像输入到训练好的残余应力预测模型中，得到所述待预测的L型构件的残余应力；其中，所述残余应力预测模型是利用样本L型构件已知的样本一维输入参数集合和样本残余应力分别作为输入样本集和输出样本集进行训练得到的；其中，所述样本残余应力是通过如下方式得到的：利用Python程序中的随机函数对影响残余应力大的多个参数进行随机组合来随机生成多个样本一维参数集合，以所述样本一维参数集合作为提交文件输入到Abaqus软件，并在Abaqus软件中设置预设的L型构件的固化反应约束条件，使得与每个所述提交文件相对应的材料在预设约束条件下进行固化模拟，通过对L型构件模型中的不同位置的样本数据进行提取，得到与样本一维参数集合相对应的样本残余应力；所述约束条件包括复合材料的热物性参数、力学性能参数和固化动力学模型，所述热物性参数包括L型构件的密度、比热容、导热系数、树脂密度、纤维体积含量、单位质量树脂的固化反应放热、化学收缩率，所述力学性能包括纤维的弹性模量、剪切模量和泊松比；
一个所述输入参数集合包括一个L型角度、一个固化升温速率、一个保温时间和多个铺层角度；
所述转换单元在执行所述将所述一维输入参数集合转换为RGB图像时，用于执行如下操作：
将所述一维输入参数集合中一个L型角度、一个固化升温速率、一个保温时间和每个铺层角度分别转换为所述RGB图像中的一行或一列；其中，L型角度、固化升温速率、保温时间和铺层角度所对应的图像像素值互不相同且互不成比例，以在RGB图像中与L型角度、固化升温速率、保温时间和铺层角度相对应的每一行呈不同的颜色；不同铺层角度所对应的图像像素值互成比例，以使每行RGB图像的每列颜色深浅不同；
基于L型角度、固化升温速率、保温时间和铺层角度的总个数，确定所述RGB图像的列数或行数，以使所述RGB图像为正方形图像；
所述残余应力预测模型具体是通过如下方式训练得到的：
构建预设的机器学习模型；
设置所述机器学习模型的超参数和损失函数；其中，所述损失函数为N个速度分量的均方误差；
将已知的样本一维输入参数集合和样本残余应力作为所述机器学习模型的训练样本集，利用批随机梯度下降法对所述机器学习模型进行训练；
在训练过程中，计算所述机器学习模型的损失与精度，并迭代所述机器学习模型的网络参数，直到模型收敛或达到预设迭代次数，得到残余应力预测模型。
6.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序没所属处理器执行所述计算机程序时，实现如权利要求1-4中任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行如权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310929489.XA CN116644674B (zh) | 2023-07-27 | 2023-07-27 | L型构件残余应力的预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310929489.XA CN116644674B (zh) | 2023-07-27 | 2023-07-27 | L型构件残余应力的预测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116644674A CN116644674A (zh) | 2023-08-25 |
| CN116644674B true CN116644674B (zh) | 2023-09-29 |
Family
ID=87619842
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310929489.XA Active CN116644674B (zh) | 2023-07-27 | 2023-07-27 | L型构件残余应力的预测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116644674B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111915560A (zh) * | 2020-06-30 | 2020-11-10 | 西安理工大学 | 基于深度卷积神经网络的岩石强度参数确定方法 |
| CN114973011A (zh) * | 2022-05-18 | 2022-08-30 | 哈尔滨理工大学 | 一种基于深度学习的高分辨率遥感影像建筑物提取方法 |
| CN115205148A (zh) * | 2022-07-15 | 2022-10-18 | 福州大学 | 基于双路径残差网络的图像去模糊方法 |
| CN116070484A (zh) * | 2023-01-31 | 2023-05-05 | 南京林业大学 | 一种基于深度学习的在线实时预测构件状态的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11580646B2 (en) * | 2021-03-26 | 2023-02-14 | Nanjing University Of Posts And Telecommunications | Medical image segmentation method based on U-Net |
-
2023
- 2023-07-27 CN CN202310929489.XA patent/CN116644674B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111915560A (zh) * | 2020-06-30 | 2020-11-10 | 西安理工大学 | 基于深度卷积神经网络的岩石强度参数确定方法 |
| CN114973011A (zh) * | 2022-05-18 | 2022-08-30 | 哈尔滨理工大学 | 一种基于深度学习的高分辨率遥感影像建筑物提取方法 |
| CN115205148A (zh) * | 2022-07-15 | 2022-10-18 | 福州大学 | 基于双路径残差网络的图像去模糊方法 |
| CN116070484A (zh) * | 2023-01-31 | 2023-05-05 | 南京林业大学 | 一种基于深度学习的在线实时预测构件状态的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116644674A (zh) | 2023-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492099B (zh) | 一种基于领域对抗自适应的跨领域文本情感分类方法 | |
| CN110502361B (zh) | 面向bug报告的细粒度缺陷定位方法 | |
| CN109299462B (zh) | 基于多维卷积特征的短文本相似度计算方法 | |
| CN111651668B (zh) | 用户画像的标签生成方法及装置、存储介质、终端 | |
| CN109409504A (zh) | 一种数据处理方法、装置、计算机及存储介质 | |
| CN108959474A (zh) | 实体关系提取方法 | |
| Chen et al. | Full-field prediction of stress and fracture patterns in composites using deep learning and self-attention | |
| CN110765788B (zh) | 一种基于隐式翻译模型的知识图谱嵌入方法 | |
| CN114792084A (zh) | 一种针对大规模sram阵列电路后仿真的高效良率分析方法 | |
| CN113222159B (zh) | 一种量子态的确定方法及装置 | |
| CN113392593A (zh) | 一种换流变压器温度场数字孪生模型构建方法 | |
| CN116245197A (zh) | 一种提升语言模型的训练速率的方法、系统、介质及设备 | |
| CN114595427B (zh) | 基于非自回归模型的含缺失值车辆轨迹序列填补修复方法 | |
| CN111862260A (zh) | 基于跨域对偶生成式对抗网络的偏见消除方法与装置 | |
| CN117972033A (zh) | 大模型幻觉检测方法、装置、计算机设备及存储介质 | |
| CN116644674B (zh) | L型构件残余应力的预测方法、装置、设备及介质 | |
| CN117556267B (zh) | 缺失样本数据填充方法、装置、存储介质和电子设备 | |
| CN110110406A (zh) | 一种基于Excel计算平台实现LS-SVM模型的边坡稳定性预测方法 | |
| CN113408226B (zh) | 一种基于深度学习的芯片供电网络凸快电流估算方法及系统 | |
| CN116646037B (zh) | 复合材料固化变形的分析方法、装置、设备及介质 | |
| CN113468865B (zh) | 基于深度学习的地铁设计领域规范的实体间关系抽取方法 | |
| CN111143761B (zh) | 一种基于离散制造设备过程数据的矩阵补全方法 | |
| Hodges et al. | AI/ML applications for ship design | |
| Fan et al. | A Graph‐based One‐Shot Learning Method for Point Cloud Recognition | |
| CN118349632B (zh) | 一种标准信息要素一致性检验方法 |
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 |