在各類工程案例的設計中,使用各種計算軟件工具進行力學性能分析已經成為常態(tài)。然而,近年來隨著問題復雜程度的提升,當工程師遇到過往相似的工程案例時,即使只是幾何形狀或設定參數(shù)的微小變化,工程師也往往得將此過程重復數(shù)次,而無法較為有效地利用好先前已經完成的模擬結果等知識。隨著機器學習、深度學習等人工智能技術日漸成熟,力學分析及數(shù)值模擬方法與機器學習相融合已經成為一種可能。借助機器學習可以極大地拓展工程師分析力學問題的能力和進行數(shù)值模擬的效率,特別是針對某種特定的力學問題。本文提出了一種基于深度學習的方法,從大量的有限元案例,提出一種可以使用深度卷積神經網(wǎng)絡來預測基于懸臂結構的二維彈性問題的應力場。本文提出了兩種不同的體系結構來解決該問題,一種是具有單個輸入通道的深度卷積神經網(wǎng)絡,另一種是具有多個輸入通道的完全卷積神經網(wǎng)絡。經過在Tensor Flow平臺和基于GPU的訓練后,兩種架構均穩(wěn)定且擬合性能較好。精度分析表明,多輸入通道的完全卷積神經網(wǎng)絡可以獲得比單輸入通道的深度卷積網(wǎng)絡更高的精度。前者的模型預測的結果相對于真實的有限元仿真結果的平均相對誤差僅為2.95%。這意味著該模型足夠準確,且... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【部分圖文】：

常選取的有限元單元根據(jù)待求解問題所需的精確度以及模型的尺寸確定單元大小，并劃分網(wǎng)格

哈爾濱工業(yè)大學工程碩士學位論文-3-和泊松比、外載荷條件、邊界約束條件等。通過求解平衡方程得到單元內各節(jié)點的位移，再求解出對應的應力值。之后可以對求解出來的結果利用軟件對其進行后處理，可以得到各節(jié)點之間的具體數(shù)據(jù)或者以云圖的形式呈現(xiàn)的應力分布，上述分析流程如圖1-2所示。有限元法對于問題的普適性十分優(yōu)秀，只要有確定的分析模型和條件，不論原問題的幾何形狀多么復雜都可以求解。但是對于復雜問題，其單元數(shù)量會十分巨大，求解時間也相應地較長，同時對計算設備的要求也會超出個人電腦的可承受范圍。這對于非大型企業(yè)或院校的工程師而言成為了他們解決項目問題的一道障礙。即使對于簡單的結構問題，如果想進行結構優(yōu)化，每一次對結構的改變都需要重新進行從建模到結果分析的全部流程，計算效率大大降低。圖1-2有限元方法的求解過程

哈爾濱工業(yè)大學工程碩士學位論文-5-幾位研究人員[18-20]指出，人工神經網(wǎng)絡具有獨特的能力，可以通過示例進行學習并歸納所學信息。在訓練過程中，神經網(wǎng)絡會獲取自變量和因變量之間的潛在關系知識。這種訓練有素的神經網(wǎng)絡可用于根據(jù)給定的新情況提供預測，并回答此前我們所“假設”的問題。圖1-3機器學習方法的簡略流程圖1-4機器學習的分類此外，不同的傳統(tǒng)ML算法對特征的學習方式也不盡相同。在相同的訓練樣本下，采用不同的學習方式意味著對該樣本內的特征提取方式不同，會在一定程度上決定學習難度。顯然，在機器學習領域內，訓練數(shù)據(jù)的大小盡管非常重要，然而另一關鍵點在于其中的對特征的選取和處理方面。深度學習（DeepLearning，DL）

【參考文獻】：
期刊論文
[1]卷積神經網(wǎng)絡求解有限元單元剛度矩陣[J]. 賈光輝,于云瑞,王丹.  北京航空航天大學學報. 2020(03)
[2]圖像分類卷積神經網(wǎng)絡的反饋損失計算方法改進[J]. 周非,李陽,范馨月.  小型微型計算機系統(tǒng). 2019(07)
[3]基于卷積神經網(wǎng)絡的圖像搜索技術研究[J]. 衣姝穎,白璐,李天平.  山東師范大學學報(自然科學版). 2019(01)
[4]基于卷積神經網(wǎng)絡的文獻自動分類研究[J]. 郭利敏.  圖書與情報. 2017(06)
[5]機器學習與深度學習的發(fā)展及應用[J]. 周子揚.  電子世界. 2017(23)
[6]基于增廣SVM的結構動力學模型修正方法研究[J]. 陳喆,何歡,陳國平.  振動與沖擊. 2017(15)
[7]基于有限元與支持向量機的大壩變形組合預報模型[J]. 陳敏,包騰飛,黃佳樂.  水電能源科學. 2015(08)
[8]基于神經網(wǎng)絡和遺傳算法的火炮結構動力學優(yōu)化[J]. 梁傳建,楊國來,王曉鋒.  兵工學報. 2015(05)
[9]BP神經網(wǎng)絡在彈塑性斷裂分析中的應用[J]. 吳春篤,李慧梅,王鐘羨.  機械強度. 2010(02)
[10]有限元結構動力分析的廣義特征值的神經計算[J]. 李海濱,黃洪鐘,趙明揚.  哈爾濱工業(yè)大學學報. 2006(09)

碩士論文
[1]基于結構響應向量與機器學習的損傷識別方法研究[D]. 金夢茹.華南理工大學 2019
[2]基于機器學習方法的有限元應力解的改善研究[D]. 趙亞飛.內蒙古工業(yè)大學 2018
[3]基于神經網(wǎng)絡的裂紋尖端應力分析[D]. 朱文藝.西安理工大學 2003



本文編號：3091723