CN117648846B - 一种用于复合材料性能预测建模的图像样本生成方法 - Google Patents
一种用于复合材料性能预测建模的图像样本生成方法 Download PDFInfo
- Publication number
- CN117648846B CN117648846B CN202410123704.1A CN202410123704A CN117648846B CN 117648846 B CN117648846 B CN 117648846B CN 202410123704 A CN202410123704 A CN 202410123704A CN 117648846 B CN117648846 B CN 117648846B
- Authority
- CN
- China
- Prior art keywords
- composite material
- matrix
- coding
- value
- image
- 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 65
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000000463 material Substances 0.000 claims abstract description 62
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 70
- 239000000470 constituent Substances 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003050 experimental design method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种用于复合材料性能预测建模的图像样本生成方法,首先对复合材料进行有限元分析,根据复合材料微观特征对复合材料的组分材料进行分类和编码,确定了描述复合材料组分材料特性的编码值,该编码值表征了复合材料中不同性质的组分材料,编码值差异表征了复合材料宏观单元中组分材料的分布。本发明通过建立微观特征分布与图像之间的映射关系,生成的描述复合材料微观结构的图像样本可以快速进行复合材料组分材料识别与性能分析。
Description
技术领域
本发明涉及复合材料性能分析领域,具体而言,涉及一种用于复合材料性能预测建模的图像样本生成方法。
背景技术
近年来,随着航空航天产业的持续快速发展,先进飞行器对极限性能的追求向飞行器结构材料提出了更高的要求。融合多种材料性能的复合材料因为比刚度/强度高、抗疲劳性优异、可设计性强等优点而被广泛应用于航空航天装备产品的设计及制造。复合材料的设计决定了装备产品的性能及安全,随着计算力学的快速发展,基于结构有限元方法的复合材料性能分析技术已经成为辅助复合材料设计的重要工具,在装备产品的设计中发挥着重要的作用。
复合材料是典型的多尺度结构,在不同结构尺度上性能存在显著的差异。针对复合材料性能分析,现有的研究提供了两种技术途径:传统结构有限元、多尺度结构有限元。传统结构有限元方法开展复合材料性能分析时,为了获得更好的分辨率和求解精度,网格单元尺寸应比复合材料微观特征尺寸小,网格单元规模较大,从而带来计算量和计算成本的增加,提高了复合材料性能分析的时间消耗。多尺度结构有限元方法利用建模方法建立复合材料微观特征的力学特性,然后输入宏观尺度结构有限元进行分析,不仅可以获得小尺度结构上的精细特性,还能够大幅降低网格单元规模,节省计算资源和计算时间,提升计算效率,是复合材料性能分析中具有广泛应用潜力的计算技术。机器学习算法的快速发展,为复合材料多尺度分析中微观特征建模提供了新的思路和方法,基于机器学习建模和多尺度结构有限元的复合材料性能分析方法,兼顾了计算精度和效率,成为当前复合材料性能分析领域的研究热门。
基于机器学习建模和多尺度结构有限元的复合材料性能分析方法首先利用机器学习方法建立复合材料微观尺度与宏观尺度之间力学性能的数学模型,然后通过求解宏观尺度结构有限元模型获得复合材料的性能。一种使用广泛的机器学习模型是对描述复合材料微观特征的图像和宏观单元力学性能的图像进行训练,并建立两类图像之间的数学关系。因此,描述复合材料微观特征分布的图像样本不仅是建立整个数学模型的关键数据,还将直接影响模型建模的精度。然而,当前尚未有一种面向复合材料微观特征分布的图像样本全自动生成技术,制约了基于机器学习建模和多尺度结构有限元的复合材料性能分析方法在工程问题中的应用。
发明内容
有鉴于此,本发明提供一种用于复合材料性能预测建模的图像样本生成方法,以解决上述问题。
为解决以上技术问题,本发明提供了一种用于复合材料性能预测建模的图像样本生成方法,包括:
S1:对复合材料进行有限元分析,建立该复合材料中呈组成关系的宏观单元与微观单元映射;并基于微观单元的结构特征,确定微观单元的第一维度方向的数量与第二维度方向的数量;
S2:根据复合材料中包含的组分材料种类,以及预设的组分材料属性,对组分材料进行关联排序,并按照排序结果分别对每一种组分材料按照排序序列编码;
S3:根据上述步骤S2的编码结果,生成用于描述宏观单元不同组分材料属性分布的编码矩阵,并按照编码矩阵的大小,生成与该编码矩阵大小相对应的数字样本;
S4:建立用于描述单个图像样本像素颜色值分布的二维图像矩阵,二维图像矩阵的大小与编码矩阵的大小关联;
S5:根据组分材料的编码值与图像样本像素颜色值的映射关系,建立二者的转换关系;
S6:根据上述步骤S5中的转换关系,计算编码矩阵中每个元素对应的颜色值,再基于二维图像矩阵与编码矩阵的关联关系,计算二维图像矩阵中每个像素的颜色值;
S7:根据上述步骤S6的计算结果,生成空白图像样本;并根据二维图像矩阵中每个元素的颜色值,将对应索引位置的颜色值赋值给空白图像样本中对应的位置,生成用于描述复合材料组分材料分布的带色图像像本。
作为一种可选方式,编码矩阵用于描述宏观单元中不同组分材料属性的分布,其矩阵大小由微观单元的第一维度方向的数量与第二维度方向的数量共同决定,且编码矩阵中的每个值对应宏观单元中的一个微观单元所使用的组分材料。
作为一种可选方式,在上述步骤S2中,排序第一位的组分材料编码值为0,排序第二位的组分材料编码值为1,并依次类推。
作为一种可选方式,在上述步骤S3中,生成的数字样本即为组分材料的编码值;数字样本按照行优先的顺序,依次赋值给编码矩阵。
作为一种可选方式,二维图像矩阵的大小与编码矩阵的大小的关联关系为倍数关系。
作为一种可选方式,在上述步骤S5中,建立组分材料的编码值与图像样本像素颜色值的转换关系包括:
根据上述步骤S2的编码结果,标定最大编码值,再分别选定最大编码值与最小编码值所对应的RGB值,以最大编码值与最小编码值的RGB值,计算不同组分材料编码值对应的颜色值。
作为一种可选方式,生成用于描述复合材料组分材料分布的带色图像样本后,按照不同的试验法生成多个编码矩阵的数字样本,并进行颜色值转换,生成多个包括不同组分材料的带色图像样本,并建立用于复合材料性能预测建模的图像训练样本集。
本发明的有益效果为:
本发明提出一种用于复合材料性能预测建模的图像样本生成方法,通过建立微观特征分布与图像之间的映射关系,生成描述复合材料微观结构的图像样本,可以快速进行复合材料组分材料识别与性能分析。
附图说明
图1为本发明实施例提供的图像样本生成方法流程示意图;
图2为本发明实施例提供的宏观单元与微观单元关系示意图;
图3为本发明实施例提供的一种实施方式下的编码样本图;
图4为本发明实施例提供的一种实施方式下填充后的编码矩阵示意图;
图5为本发明实施例提供的一种实施方式下的二维图像矩阵示意图;
图6为本发明实施例提供的一种实施方式下的图像样本;
图7为本发明实施例提供的另一种实施方式下的图像样本a;
图8为本发明实施例提供的另一种实施方式下的图像样本b;
图9为本发明实施例提供的另一种实施方式下的图像样本c。
附图标记及其对应关系:
1-宏观单元,2-微观单元,3-编码矩阵,4-弹性模量排序第一的组分材料编码值,5-弹性模量排序第二的组分材料编码值,6-二维图像矩阵,7-白色像素值,8-黑色像素值。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合具体实施方式对本发明作进一步的详细说明。
本实施例以某含有两种组分材料的复合材料作为用于说明方法的实施例,请参阅图1-图6,本实施例提供了一种用于复合材料性能预测建模的图像样本生成方法,包括:
S1:确定复合材料结构有限元分析中用于构建宏观单元力学性能的微观单元在两个维度方向(第一维度与第二维度方向)的数量 Nx、Ny。所述维度方向就是用于构建编码矩阵的X轴方向和Y轴方向。根据复合材料宏观单元包含的微观结构特征,基于特征充分表达的原则,确定用于构建宏观单元力学性能的微观单元在两个维度方向的数量 Nx、Ny。其中,Nx、Ny 的选取可以根据实际情况自行选用,Nx、Ny 越大,能够描述的微观特征越丰富、越精细。
落实到本实施例中,确定图2中用于构建宏观单元1力学性能的微观单元2在两个维度方向的数量 Nx、Ny。根据图1中宏观单元1所含的微观结构特征,基于特征充分表达的原则,确定用于构建宏观单元1的力学性能的微观单元 2 在两个维度方向的数量均为 8。
S2:根据复合材料中包含的组分材料种类,以及预设的组分材料属性(例如弹性模量、密度等),对组分材料进行关联排序,并按照排序结果分别对每一种组分材料按照排序序列编码。本实施例采用弹性模量作为属性划分依据,建立图 3所示的组分材料编码。基于宏观单元1中使用的组分材料的弹性模量大小进行排序,对组分材料进行编码。排序第1的组分材料编码值为0,排序第2的组分材料编码值为1。编码矩阵中的每个值对应宏观单元中的一个微观单元所使用的组分材料。
S3:据上述步骤S2的编码结果,生成用于描述宏观单元不同组分材料属性分布的编码矩阵,并按照编码矩阵的大小,生成与该编码矩阵大小相对应的数字样本,即生成图4中描述宏观单元1两种组分材料属性分布的编码矩阵 3。具体为:使用随机采样生成只含组分材料编码值0和1的编码样本(如图3所示),在图4中按照行优先(从上至下,从左至右)的顺序依次赋值给编码矩阵3。
在该步骤中,作为一种可选方式,可以使用试验设计方法,生成 Nx×Ny 个数字样本,每个样本的取值为上述步骤确定的组分材料编码值。本实施例不限定采用的试验设计方法,可以使用随机采样、拉丁超立方采样、正交采样,生成的编码样本,按照行优先的顺序,依次赋值给编码矩阵M code。
S4:建立描述单个图像样本像素颜色值分布的二维图像矩阵 M。二维图像矩阵 M的大小根据编码矩阵 M code和机器学习神经网络的深度确定。二维图像矩阵 M 应当能够描述编码矩阵 M code的分布,因此图像矩阵 M 的大小至少与编码矩阵 M code相同,为 Nx×Ny。二维图像矩阵 M 越大,图像分辨率越高,结构特征分辨越精细,但机器学习的神经网络越深,超参数越多,学习成本也越高。二维图像矩阵 M 通常选取编码矩阵 Mcode 的整数倍m,即矩阵 M 的两个维度分布选择 NPx=m×Ny,NPy=m×Ny。
基于以上,建立图5中的二维图像矩阵6。二维图像矩阵6选取为编码矩阵M code的2倍,即二维图像矩阵6的两个维度分布选择 NPx=2×8,NPy=2×8。
S5:建立组分材料编码值和图像样本像素的颜色值之间的映射关系,实现编码值到映射值的转换。根据上述步骤建立的组分材料的编码值,标定编码值的最大值为X code=1,选择图像样本使用的颜色,计算不同组分材料编码值对应的颜色值。这里可以使用任意颜色进行描述,本实施例并不进行限定。请再次参阅图5,本实施例定义白色像素值7的颜色值(RGB)为(255,255,255);定义黑色像素值8的颜色值(RGB)值为(0,0,0)。对于任意编码值X,采用线性插值,其转换后的RGB值为:
S6:根据上述的转换关系,可以得到计算编码矩阵 M code每个元素 X i,j ,(i =1,2,…,8; j =1,2,…,8)值对应的颜色值RGB i,j ,再基于编码矩阵 M code和图像矩阵M之间的比例关系m,确定二维图像矩阵M每个像素的颜色值,即 RGB M (m×(i-1) +1:m, m×(j-1) +1:m)= RGB i,j 。
落实到本实施例中。编码矩阵 3 中,材料编码值 0 对应的RGB值为(0,0,0),材料编码值 1 对应的RGB值为(255,255,255),再基于 RGB M (2×(i-1) +1:2, 2×(j-1) +1:2)确定二维图像矩阵6每个像素的颜色值。其中 RGB i,j 表示编码矩阵3每个元素的颜色值,RGB M (2×(i-1) +1:2, 2×(j-1) +1:2)表示二维图像矩阵6每个像素的颜色值。
S7:根据上述步骤S6的计算结果,生成空白图像样本;并根据二维图像矩阵中每个元素的颜色值,将对应索引位置的颜色值赋值给空白图像样本中对应的位置,生成用于描述复合材料组分材料分布的带色图像样本(如图6所示)。
获得了能够用于表示复合材料组合成分的图像样本(带色图像样本)之后,按照不同的试验法生成多个编码矩阵的数字样本,并进行颜色值转换,生成多个包括不同组分材料的带色图像样本,并建立用于复合材料性能预测建模的图像训练样本集。该样本集中的元素请参阅如图7-9所示。
以上仅是本发明的优选实施方式,应当指出的是,上述优选实施方式不应视为对本发明的限制,本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说,在不脱离本发明的精神和范围内,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种用于复合材料性能预测建模的图像样本生成方法,其特征在于,包括:
S1:对复合材料进行有限元分析,建立该复合材料中呈组成关系的宏观单元与微观单元映射;并基于所述微观单元的结构特征,确定所述微观单元的第一维度方向的数量与第二维度方向的数量;
S2:根据所述复合材料中包含的组分材料种类,以及预设的组分材料属性,对组分材料进行关联排序,并按照排序结果分别对每一种组分材料按照排序序列编码;
S3:根据上述步骤S2的编码结果,生成用于描述宏观单元不同组分材料属性分布的编码矩阵,并按照所述编码矩阵的大小,生成与该编码矩阵大小关联的数字样本;
S4:建立用于描述单个图像样本像素颜色值分布的二维图像矩阵,所述二维图像矩阵的大小与所述编码矩阵的大小关联;
S5:根据所述组分材料的编码值与图像样本像素颜色值的映射关系,建立二者的转换关系;
S6:根据上述步骤S5中的转换关系,计算所述编码矩阵中每个元素对应的颜色值,再基于所述二维图像矩阵与编码矩阵的关联关系,计算所述二维图像矩阵中每个像素的颜色值;
S7:根据上述步骤S6的计算结果,生成空白图像样本;并根据所述二维图像矩阵中每个元素的颜色值,将对应索引位置的颜色值赋值给所述空白图像样本中对应的位置,生成用于描述复合材料组分材料分布的带色图像像本。
2.根据权利要求1所述的一种用于复合材料性能预测建模的图像样本生成方法,其特征在于,所述编码矩阵用于描述宏观单元中不同组分材料属性的分布,其矩阵大小由所述微观单元的第一维度方向的数量与第二维度方向的数量共同决定,且所述编码矩阵中的每个值对应宏观单元中的一个微观单元所使用的组分材料。
3.根据权利要求1所述的一种用于复合材料性能预测建模的图像样本生成方法,其特征在于,在上述步骤S2中,排序第一位的组分材料编码值为0,排序第二位的组分材料编码值为1,并依次类推。
4.根据权利要求1所述的一种用于复合材料性能预测建模的图像样本生成方法,其特征在于,在上述步骤S3中,生成的所述数字样本即为组分材料的编码值;所述数字样本按照行优先的顺序,依次赋值给所述编码矩阵。
5.根据权利要求1所述的一种用于复合材料性能预测建模的图像样本生成方法,其特征在于,所述二维图像矩阵的大小与所述编码矩阵的大小的关联关系为倍数关系。
6.根据权利要求1所述的一种用于复合材料性能预测建模的图像样本生成方法,其特征在于,在上述步骤S5中,建立所述组分材料的编码值与图像样本像素颜色值的转换关系,包括:
根据上述步骤S2的编码结果,标定最大编码值,再分别选定最大编码值与最小编码值所对应的RGB值,以所述最大编码值与最小编码值的RGB值,计算不同组分材料编码值对应的颜色值。
7.根据权利要求1所述的一种用于复合材料性能预测建模的图像样本生成方法,其特征在于,生成用于描述复合材料组分材料分布的带色图像像本后,按照不同的试验法生成多个编码矩阵的数字样本,并进行颜色值转换,生成多个包括不同组分材料的带色图像样本,并建立用于复合材料性能预测建模的图像训练样本集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410123704.1A CN117648846B (zh) | 2024-01-30 | 2024-01-30 | 一种用于复合材料性能预测建模的图像样本生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410123704.1A CN117648846B (zh) | 2024-01-30 | 2024-01-30 | 一种用于复合材料性能预测建模的图像样本生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117648846A CN117648846A (zh) | 2024-03-05 |
CN117648846B true CN117648846B (zh) | 2024-04-26 |
Family
ID=90050008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410123704.1A Active CN117648846B (zh) | 2024-01-30 | 2024-01-30 | 一种用于复合材料性能预测建模的图像样本生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117648846B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446421A (zh) * | 2016-09-28 | 2017-02-22 | 桂林电子科技大学 | 一种基于图像识别的快速有限元建模和求解分析方法 |
CN107766640A (zh) * | 2017-10-16 | 2018-03-06 | 北京理工大学 | 考虑微观组织界面的颗粒增强复合材料有限元建模方法 |
CN108053478A (zh) * | 2017-11-10 | 2018-05-18 | 北京理工大学 | 一种基于像素理论的颗粒增强复合材料有限元建模方法 |
CN110516378A (zh) * | 2019-08-30 | 2019-11-29 | 桂林电子科技大学 | 一种锡基二元共晶相分离的有限元模拟方法 |
CN111024484A (zh) * | 2019-11-28 | 2020-04-17 | 上海交通大学 | 纤维增强复合材料随机力学性能预测方法 |
CN111462838A (zh) * | 2020-03-25 | 2020-07-28 | 华南理工大学 | 一种直接将图像像素转换成有限元单元的方法 |
CN112182933A (zh) * | 2020-09-28 | 2021-01-05 | 西北工业大学 | 一种变刚度复合材料圆柱壳体的建模及优化设计方法 |
CN116108713A (zh) * | 2022-12-12 | 2023-05-12 | 上海交通大学 | 纤维增强复合材料微观有限元建模方法、系统、设备及介质 |
CN116246735A (zh) * | 2022-12-22 | 2023-06-09 | 哈尔滨工业大学 | 基于神经网络的复合材料多尺度建模方法、设备及介质 |
CN116842853A (zh) * | 2023-09-01 | 2023-10-03 | 中国空气动力研究与发展中心计算空气动力研究所 | 用于不确定度量化的导弹气动特性预测模型构建方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9274036B2 (en) * | 2013-12-13 | 2016-03-01 | King Fahd University Of Petroleum And Minerals | Method and apparatus for characterizing composite materials using an artificial neural network |
US11766837B2 (en) * | 2019-05-03 | 2023-09-26 | Board Of Regents, The University Of Texas System | Carbon-fiber reinforced polymeric composites and methods related thereto |
US20230186615A1 (en) * | 2021-12-13 | 2023-06-15 | National Technology & Engineering Solutions Of Sandia, Llc | Design and Analysis of 3D Printed Structures using Machine Learning |
-
2024
- 2024-01-30 CN CN202410123704.1A patent/CN117648846B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446421A (zh) * | 2016-09-28 | 2017-02-22 | 桂林电子科技大学 | 一种基于图像识别的快速有限元建模和求解分析方法 |
CN107766640A (zh) * | 2017-10-16 | 2018-03-06 | 北京理工大学 | 考虑微观组织界面的颗粒增强复合材料有限元建模方法 |
CN108053478A (zh) * | 2017-11-10 | 2018-05-18 | 北京理工大学 | 一种基于像素理论的颗粒增强复合材料有限元建模方法 |
CN110516378A (zh) * | 2019-08-30 | 2019-11-29 | 桂林电子科技大学 | 一种锡基二元共晶相分离的有限元模拟方法 |
CN111024484A (zh) * | 2019-11-28 | 2020-04-17 | 上海交通大学 | 纤维增强复合材料随机力学性能预测方法 |
CN111462838A (zh) * | 2020-03-25 | 2020-07-28 | 华南理工大学 | 一种直接将图像像素转换成有限元单元的方法 |
CN112182933A (zh) * | 2020-09-28 | 2021-01-05 | 西北工业大学 | 一种变刚度复合材料圆柱壳体的建模及优化设计方法 |
CN116108713A (zh) * | 2022-12-12 | 2023-05-12 | 上海交通大学 | 纤维增强复合材料微观有限元建模方法、系统、设备及介质 |
CN116246735A (zh) * | 2022-12-22 | 2023-06-09 | 哈尔滨工业大学 | 基于神经网络的复合材料多尺度建模方法、设备及介质 |
CN116842853A (zh) * | 2023-09-01 | 2023-10-03 | 中国空气动力研究与发展中心计算空气动力研究所 | 用于不确定度量化的导弹气动特性预测模型构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117648846A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10850495B2 (en) | Topology optimization with microstructures | |
CN113746087B (zh) | 基于ctgan的电网暂稳样本可控生成以及评估方法和系统 | |
CN110781933A (zh) | 一种用于理解图卷积神经网络的可视分析方法 | |
CN112669899B (zh) | 一种16s和宏基因组测序数据关联分析方法、系统及设备 | |
Iuspa et al. | Optimum topological design of simply supported composite stiffened panels via genetic algorithms | |
CN117648846B (zh) | 一种用于复合材料性能预测建模的图像样本生成方法 | |
CN110188407B (zh) | 多孔介质内液体流动参数的确定方法及装置 | |
CN111651916A (zh) | 一种基于深度学习的材料性能预测方法 | |
CN115017773A (zh) | 一种三维网格模型的降维方法、电子设备和介质 | |
CN111695276B (zh) | 基于生成对抗学习的有限元模型代理建模方法 | |
CN111047654A (zh) | 一种基于色彩信息的高清高速视频背景建模方法 | |
Agrawal et al. | Towards optimal heterogeneity in lattice structures | |
CN113938685B (zh) | 面向大规模图像存储的认知型软件可调整图像编码装置 | |
CN111079279A (zh) | 一种多构型晶格结构多尺度拓扑优化设计方法 | |
CN116305574A (zh) | 一种基于神经网络模型的试验设计方法 | |
CN113343512B (zh) | 一种基于Mobile-U-Net的多尺度拓扑优化设计方法 | |
CN105260526A (zh) | 基于图像的自适应有限元网格划分方法 | |
CN107038451B (zh) | 适用于灰度图片的神经网络学习方法以及训练方法 | |
CN112948115B (zh) | 一种基于极限学习机的云工作流调度器压力预测方法 | |
Hanna | Inductive machine learning of optimal modular structures: Estimating solutions using support vector machines | |
CN108229054B (zh) | 一种基于群论的对称张拉整体结构找形方法 | |
Bernhard et al. | Topology optimization with generative adversarial networks | |
KR101684355B1 (ko) | Cellular automaton과 Iterative relocation system을 이용한 패턴디자인 시스템 및 그 제어방법 | |
CN106101731A (zh) | 图像无损压缩方法及装置 | |
CN106980869B (zh) | 适用于黑白图片的神经网络学习方法以及训练方法 |
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 |