基于神经网络算法的材料变形及失效预测方法及系统技术方案

本发明专利技术提供了一种基于神经网络算法的材料变形及失效预测方法及系统，包括：步骤1：获取材料力学性能的实验数据，并将实验数据分为训练集与测试集；步骤2：建立多层前馈神经网络；步骤3：根据误差逆传播算法，利用训练集对多层前馈神经网络进行训练；步骤4：利用测试集对训练结束的多层前馈神经网络进行测试；步骤5：对材料变形及失效行为进行预测，并指导制造工艺。本发明专利技术建立了全新的实验—神经网络—仿真—制造研究路线，大大降低了计算成本，提高了研发效率。

Material deformation and failure prediction method and system based on neural network algorithm

【技术实现步骤摘要】
基于神经网络算法的材料变形及失效预测方法及系统
本专利技术涉及材料力学行为预测领域，具体地，涉及一种基于神经网络算法的材料变形及失效预测方法及系统。
技术介绍
近年来，随着计算机技术的飞速发展，软件仿真技术被越来越多地运用到工业领域，对生产制造提供可靠的指导。计算机仿真与传统力学实验相比具有许多明显的优势。如仿真更加经济，极大节省了人力与物力成本；仿真更加高效，加快设计进度，缩短生产周期；并且从仿真结果中能够提取比力学实验结果更加丰富的信息。目前，计算机仿真技术，特别是有限元法和边界元法的分析精度不断提高，在工业领域得到了十分广泛的应用。计算机仿真技术通过构建精确的几何模型，结合动力学与力平衡普遍规律，已经成功地取代了针对弹性固体分析的力学实验。但对于弹塑性分析来说，力学实验仍然是必不可少的。这主要是由于与几何模型相比，现有的材料模型在描述非线性材料行为方面不够准确。现有的材料模型不可避免地存在缺陷，因为它们是由明确的数学形式表述的，并且大多是基于简单的唯象方法构建的，而真实的材料行为要复杂得多。迄今为止，研究者们试图通过引入更精确的模本文档来自技高网...

【技术保护点】
1.一种基于神经网络算法的材料变形及失效预测方法，其特征在于，包括：/n步骤1：获取材料力学性能的实验数据，并将实验数据分为训练集与测试集；/n步骤2：建立多层前馈神经网络；/n步骤3：根据误差逆传播算法，利用训练集对多层前馈神经网络进行训练；/n步骤4：利用测试集对训练结束的多层前馈神经网络进行测试；/n步骤5：对材料变形及失效行为进行预测，并指导制造工艺。/n

【技术特征摘要】
1.一种基于神经网络算法的材料变形及失效预测方法，其特征在于，包括：
步骤1：获取材料力学性能的实验数据，并将实验数据分为训练集与测试集；
步骤2：建立多层前馈神经网络；
步骤3：根据误差逆传播算法，利用训练集对多层前馈神经网络进行训练；
步骤4：利用测试集对训练结束的多层前馈神经网络进行测试；
步骤5：对材料变形及失效行为进行预测，并指导制造工艺。


2.根据权利要求1所述的基于神经网络算法的材料变形及失效预测方法，其特征在于，所述实验数据包括：不同温度、不同应变率、不同变形模式下三维应力、应变的演化规律，微观组织随材料变形的演化规律，成形极限图和断裂面。


3.根据权利要求1所述的基于神经网络算法的材料变形及失效预测方法，其特征在于，所述多层前馈神经网络包括：每层神经元与下一层神经元之间完全互连，神经元之间不存在同层连接，也不存在跨层连接。


4.根据权利要求1所述的基于神经网络算法的材料变形及失效预测方法，其特征在于，所述步骤3包括：根据实验数据调整神经元之间的连接权及每个神经元的阈值。


5.根据权利要求1所述的基于神经网络算法的材料变形及失效预测方法，其特征在于，所述步骤4包括：当测试结果通过时，将多层前馈神经网络用于材料多尺度变形及失效预测中；否则，返回步骤3，继续训练和测试。

【专利技术属性】
技术研发人员：何霁，冯怡爽，李淑慧，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31