基于自编码器的材料微观演化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自编码器的材料微观演化预测方法及系统，包括：获取材料微观结构图像信息；对所述材料微观结构图像信息进行处理得到对应的图表示；构建自编码器并对所述图表示进行无监督学习，得到材料微观组织演化过程中的降维特征向量；将所述降维特征向量输入至循环神经网络本构模型中训练，得到更新后的特征向量，并利用自编码器进行重构得到演化后的材料微观结构图像信息；将所述演化后的料微观结构图像信息作为输入，重复执行上述步骤，从而预测材料微观结构应变场在变形过程中的演化情况。本发明专利技术将材料微观结构图像信息通过自编码器降维成低维特征向量并应用，该无监督学习降维，降低了计算资源消耗。降低了计算资源消耗。降低了计算资源消耗。

【技术实现步骤摘要】
基于自编码器的材料微观演化预测方法及系统


[0001]本专利技术涉及人工智能材料建模和预测
，具体地，涉及一种基于自编码器的材料微观演化预测方法及系统。尤其涉及一种自编码器学习材料微观演化实现高效跨尺度建模和预测的方法。

技术介绍

[0002]建立合理的材料本构模型以准确描述材料的变形行为，是保证数值模拟仿真的有效性和精确性的基础。长期以来材料本构建模面临的主要问题是当前时刻材料变形行为受到材料的历史变形路径的影响。造成这一问题的主要原因是材料的微观结构在变形过程中逐渐演化，而不同的变形路径会导致当前时刻材料微观结构信息不同，进而影响到当前的材料变形行为。
[0003]经典的唯象本构模型由于没有考虑或者无法完善地考虑材料微观结构的影响，难以同时描述材料微观组织复杂演化过程和力学性能行为。跨尺度方法例如代表性体积元法等能够有效耦合材料的微观结构和宏观变形行为，但是计算资源消耗过大，对于宏观构件变形过程即使高性能计算中心也难以完成计算，难以高效低成本应用于工程实践中。
[0004]神经网络作为机器学习领域中一种优秀的数据挖掘方法，其中循环神经网络能够有效考虑历史信息对于当前时间步的模型的影响，在许多研究中已被用来取代传统的本构模型。基于循环神经网络的本构模型可以使用大量材料在不同加载路径下的应力应变数据作为驱动，对于材料变形行为受到历史变形路径的影响进行学习和描述。例如，美国西北工业大学曹简等人应用循环神经网络之一的门神经网络(GRU)对于一种弹塑性材料的代表性体积元的变形行为进行描述。
[0005]然而目前基于循环神经网络的材料本构模型仍然是唯象模型，模型良好的表现依赖于神经网络“黑箱”式的优秀拟合能力和大量的训练数据，而并没有真正考虑到材料变形过程中材料微观结构信息的演化，其可解释性和稳健性低。

技术实现思路

[0006]针对现有技术中的缺陷，本专利技术的目的是提供一种基于自编码器的材料微观演化预测方法及系统。
[0007]根据本专利技术提供的一种基于自编码器的材料微观演化预测方法，包括：
[0008]步骤S1：获取材料微观结构图像信息；
[0009]步骤S2：对所述材料微观结构图像信息进行预处理得到对应的图表示；
[0010]步骤S3：构建自编码器并对所述图表示进行无监督学习，得到材料微观组织演化过程中的降维特征向量；
[0011]步骤S4：将所述降维特征向量输入至循环神经网络本构模型中训练，得到更新后的特征向量，并利用自编码器进行重构得到演化后的材料微观结构图像信息；
[0012]步骤S5：将所述演化后的料微观结构图像信息作为输入，重复执行步骤S3至步骤
S4，从而预测材料微观结构应变场在变形过程中的演化情况。
[0013]优选地，步骤S2包括：
[0014]步骤S2.1：将材料微观结构图像信息中的每一个网格单元中的积分点i提取出来作为图的节点v
i
，构成节点集V；
[0015]步骤S2.2：将两个共有限元网格节点的单元积分点的相邻关系提取出来作为图的边e
ij
，构成边集E，其中i、j分别表示积分点i、积分点j；
[0016]步骤S2.3：将积分点i上的信息提取出来作为图的权重w
i
，构成权重集W；
[0017]步骤S2.4：结合所述节点集V、边集E和权重集W，构成无向权重图G(V,E,W)。
[0018]优选地，所述自编码器包括编码器和解码器；
[0019]所述编码器包括信息传递层、全局池化层和全连接层，用于将材料微观结构图像信息进行降维特征向量；
[0020]所述解码器包括全连接层和信息传递层，用于将降维特征向量进行升维并还原材料微观结构图像信息。
[0021]优选地，所述积分点i上的信息包括积分点i的位置坐标以及积分点i的相组分信息、应力张量信息和应变张量信息中的任一项或者任多项。
[0022]优选地，所述循环神经网络本构模型包括两个子神经网络，且结构均为全连接神经网络。
[0023]根据本专利技术通过的一种基于自编码器的材料微观演化预测系统，其特征在于，包括：
[0024]模块M1：获取材料微观结构图像信息；
[0025]模块M2：对所述材料微观结构图像信息进行预处理得到对应的图表示；
[0026]模块M3：构建自编码器并对所述图表示进行无监督学习，得到材料微观组织演化过程中的降维特征向量；
[0027]模块M4：将所述降维特征向量输入至循环神经网络本构模型中训练，得到更新后的特征向量，并利用自编码器进行重构得到演化后的材料微观结构图像信息；
[0028]模块M5：将所述演化后的料微观结构图像信息作为输入，重复触发模块M3至模块M4，从而预测材料微观结构应变场在变形过程中的演化情况。
[0029]优选地，模块M2包括：
[0030]模块M2.1：将材料微观结构图像信息中的每一个网格单元中的积分点i提取出来作为图的节点v
i
，构成节点集V；
[0031]模块M2.2：将两个共有限元网格节点的单元积分点的相邻关系提取出来作为图的边e
ij
，构成边集E，其中i、j分别表示积分点i、积分点j；
[0032]模块M2.3：将积分点i上的信息提取出来作为图的权重w
i
，构成权重集W；
[0033]模块M2.4：结合所述节点集V、边集E和权重集W，构成无向权重图G(V,E,W)。
[0034]优选地，所述自编码器包括编码器和解码器；
[0035]所述编码器包括信息传递层、全局池化层和全连接层，用于将材料微观结构图像信息进行降维特征向量；
[0036]所述解码器包括全连接层和信息传递层，用于将降维特征向量进行升维并还原材料微观结构图像信息。
[0037]优选地，所述积分点i上的信息包括积分点i的位置坐标以及积分点i的相组分信息、应力张量信息和应变张量信息中的任一项或者任多项。
[0038]优选地，所述循环神经网络本构模型包括两个子神经网络，且结构均为全连接神经网络。
[0039]与现有技术相比，本专利技术具有如下的有益效果：
[0040]1、本专利技术将材料微观结构图像信息通过自编码器降维成低维特征向量并应用，该无监督学习降维，降低了计算资源消耗。
[0041]2、本专利技术将材料微观结构图像信息嵌入到材料本构模型中，使得最终建立的循环神经网络本构模型能够考虑材料微观结构演化和宏观变形行为的耦合作用，提高了神经网络本构模型的可解释性和稳健性。
[0042]3、本专利技术对于更新后的材料特征向量，利用自编码器种解码器进行材料微观结构图像信息的重构，可以预测和观察材料微观结构在变形过程中的演化。
附图说明
[0043]通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自编码器的材料微观演化预测方法，其特征在于，包括：步骤S1：获取材料微观结构图像信息；步骤S2：对所述材料微观结构图像信息进行预处理得到对应的图表示；步骤S3：构建自编码器并对所述图表示进行无监督学习，得到材料微观组织演化过程中的降维特征向量；步骤S4：将所述降维特征向量输入至循环神经网络本构模型中训练，得到更新后的特征向量，并利用自编码器进行重构得到演化后的材料微观结构图像信息；步骤S5：将所述演化后的料微观结构图像信息作为输入，重复执行步骤S3至步骤S4，从而预测材料微观结构应变场在变形过程中的演化情况。2.根据权利要求1所述的基于自编码器的材料微观演化预测方法，其特征在于，步骤S2包括：步骤S2.1：将材料微观结构图像信息中的每一个网格单元中的积分点i提取出来作为图的节点v
i
，构成节点集V；步骤S2.2：将两个共有限元网格节点的单元积分点的相邻关系提取出来作为图的边e
ij
，构成边集E，其中i、j分别表示积分点i、积分点j；步骤S2.3：将积分点i上的信息提取出来作为图的权重w
i
，构成权重集W；步骤S2.4：结合所述节点集V、边集E和权重集W，构成无向权重图G(V,E,W)。3.根据权利要求1所述的基于自编码器的材料微观演化预测方法，其特征在于，所述自编码器包括编码器和解码器；所述编码器包括信息传递层、全局池化层和全连接层，用于将材料微观结构图像信息进行降维特征向量；所述解码器包括全连接层和信息传递层，用于将降维特征向量进行升维并还原材料微观结构图像信息。4.根据权利要求2所述的基于自编码器的材料微观演化预测方法，其特征在于，所述积分点i上的信息包括积分点i的位置坐标以及积分点i的相组分信息、应力张量信息和应变张量信息中的任一项或者任多项。5.根据权利要求1所述的基于自编码器的材料微观演化预测方法，其特征在于，所述循环神经网络本构模型包括两个子神经网络，且结构均为全连接神经网络。6.一种基于自...

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