一种基于深度学习的优化有限元迭代过程方法及装置制造方法及图纸

本发明专利技术提供了一种基于深度学习的优化有限元迭代过程方法及装置，涉及土木结构工程与计算机技术领域。包括：建立基于本构关系的单个单元有限元模型；对单个单元有限元模型进行迭代计算求解，将迭代过程数据汇总形成数据集；对单个单元有限元模型的难收敛数据集进行深度学习；根据本构关系以及深度学习模型，建立真实结构有限元模型，根据结构的实际受力情况，定义荷载工况以及加卸载路径，得到真实结构的有限元模拟结果，完成基于深度学习的优化有限元迭代过程。本发明专利技术利用深度学习算法实现迭代中下一步状态点的预测，减少迭代步数，保证模拟结果准确性的基础上优化有限元模型的计算效率和收敛性，具有较高的通用性。具有较高的通用性。具有较高的通用性。

【技术实现步骤摘要】
一种基于深度学习的优化有限元迭代过程方法及装置


[0001]本专利技术涉及土木结构工程与计算机
，特别是指一种基于深度学习的优化有限元迭代过程方法及装置。

技术介绍

[0002]在土木结构工程计算分析中，有限元法基于离散化的思想对结构进行建模分析，由于物理概念浅显清晰、方便实用、适用范围广而成为一种重要的技术手段。有限元计算需要对非线性方程组进行求解，由于材料或构件的本构关系往往较为复杂，经常涉及到隐式方程的求解，需要采用迭代法进行求解。
[0003]目前，现有技术的有限元计算中常用的迭代法包括割线刚度迭代法、牛顿
‑
拉夫森迭代法等，但这些方法尚存在一些不足：（1）有限元在进行迭代计算时会根据上一步状态的梯度来估计下一步状态，当材料或构件刚度存在突变即梯度不连续时，容易出现迭代无法收敛的情况；（2）当结构的刚度矩阵接近奇异时，刚度矩阵求逆运算会变得十分困难，计算时间会很长且难以收敛；（3）割线刚度阵不是最速下降方向，迭代速度较慢，牛顿
‑
拉夫森迭代法采用的切线刚度阵也只是局部的最速下降方向，不一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的优化有限元迭代过程方法，其特征在于，包括：S1：预设构件或材料的本构关系，建立采用所述本构关系的单个单元有限元模型；S2：随机生成所述单个单元有限元模型中的荷载工况以及加卸载路径，对所述单个单元有限元模型的迭代次数进行倍数扩大；扩大倍数为传统求解过程中预设最大迭代次数的倍，设定扩大后的迭代次数为；S3：对所述单个单元有限元模型进行迭代计算求解，将迭代过程数据汇总形成数据集；将所述数据集按照迭代次数从小到大划分为易收敛数据集、难收敛数据集以及不收敛数据集三类；S4：对所述单个单元有限元模型的难收敛数据集进行深度学习，获得深度学习模型；S5：根据所述本构关系以及所述深度学习模型，建立真实结构有限元模型，根据结构的实际受力情况，定义荷载工况以及加卸载路径，得到真实结构的有限元模拟结果，完成基于深度学习的优化有限元迭代过程。2.根据权利要求1所述的基于深度学习的优化有限元迭代过程方法，其特征在于，所述步骤S1中，所述本构关系包括：构件层次的宏观本构关系或材料层次的微观本构关系。3.根据权利要求2所述的基于深度学习的优化有限元迭代过程方法，其特征在于，所述步骤S2中，所述荷载工况包括单自由度方向加载或多自由度方向耦合加载。4.根据权利要求3所述的基于深度学习的优化有限元迭代过程方法，其特征在于，所述步骤S3中，所述数据集包括各迭代步的状态点，所述状态点包括：各迭代步的广义力向量、广义位移向量和本构状态其他变量。5.根据权利要求4所述的基于深度学习的优化有限元迭代过程方法，其特征在于，所述步骤S3中，将所述数据集按照迭代次数从小到大划分为易收敛数据集、难收敛数据集以及不收敛数据集三类，包括：将所述数据集按照迭代次数从小到大划分为易收敛数据集、难收敛数据集以及不收敛数据集三类；其中，将收敛的数据按1:4划分为难收敛数据与易收敛数据，易收敛数据的最大迭代次数为M。6.根据权利要求5所述的基于深度学习的优化有限元迭代过程方法，其特征在于，步骤S4中，对所述单个单元有限元模型的所述难收敛数据集进行深度学习，获得深度学习模型，包括：将所述难收敛数据集按6:2:2的比例划分为训练集、验证集、测试集；根据划分后的训练集、验证集、测试集，以第 次迭代广义力向量、广义位移向量、本构状态其他变量作为输入，第次迭代广义力向量作为输出，进行基于加卸载时序...

【专利技术属性】
技术研发人员：赵鹤，刘晓刚，刘喆，陈洪兵，岳清瑞，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：