【技术实现步骤摘要】
一种基于神经网络的热应力预测方法及系统
[0001]本专利技术涉及热应力仿真
,尤其涉及一种基于神经网络的热应力预测方法及系统。
技术介绍
[0002]随着对仿真领域的发展,热应力仿真系统的计算规模进一步扩大,如何能够满足其中大规模的计算以及在计算效率和精度上的需求,是越来越被关注的问题。
[0003]常规的热应力仿真分析的方法主要有有限元直接耦合方法和有限元间接耦合方法。其中,有限元直接耦合方法是一种求解电场
‑
温度场耦合问题的数值方法,它可以在同一个有限元网格上同时求解电场和温度场,从而避免了插值和网格匹配带来的误差。该方法将电场方程和热传导方程耦合起来,并使用时间步进算法逐步求解。有限元间接耦合方法是将电场和温度场视为两个独立的物理场,并使用不同的数值方法进行求解将电场和温度场分别使用有限元法和辅助方程法求解,并在它们之间建立一定的耦合关系。通过迭代求解两个场的偏微分方程,最终得到电场和温度场的耦合解。
[0004]对于有限元间接耦合方法,它需要求解两个独立的场,即电场和温度场,因此需要分别建立两个有限元模型。这样会增加求解的复杂度和计算量,特别是对于大规模的问题,这个方法可能会变得非常耗时。此外,由于这个方法中的两个有限元模型并没有直接的联系,因此可能会导致误差的积累,从而影响求解的精度。有限元直接耦合方法,它需要同时求解电场和温度场,因此可以减少模型的数量和求解的复杂度。但是,在非线性问题的求解中,这个方法可能会遇到收敛困难的问题,需要使用更加复杂的求解算法来克服这个 ...
【技术保护点】
【技术特征摘要】
1.一种基于神经网络的热应力预测方法,其特征在于,包括以下步骤:对目标生物组织进行三维建模和网格划分,得到仿真空间;基于时间步长,将仿真空间中待仿真的网格点的三维坐标和对应时刻传入训练好的第一神经网络模型,预测出网格点在对应时刻的电场和磁场分量;将网格点在各时刻的电场分量构造成电场矩阵,传入训练好的第二神经网络模型,预测出网格点在各时刻对应的温度;基于热应力方程,根据网格点在各时刻对应的温度和目标生物组织的热物性值,得到目标生物组织在各时刻的热应力。2.根据权利要求1所述的基于神经网络的热应力预测方法,其特征在于,所述第一神经网络模型的损失函数采用均方误差,其中误差是基于三维FDTD差分方程而构建的三维空间的电场和磁场分量误差,包括:x轴方向的电场和磁场分量损失、y轴方向的电场和磁场分量损失和z轴方向的电场和磁场分量损失。3.根据权利要求1所述的基于神经网络的热应力预测方法,其特征在于,所述第二神经网络模型的损失函数采用均方误差,并添加权重参数的平方和作为惩罚项,其中误差是基于电场驱动的温度控制的差分方程而构建的三维空间的温度误差,包括:x轴方向的温度损失、y轴方向的温度损失和z轴方向的温度损失。4.根据权利要求2所述的基于神经网络的热应力预测方法,其特征在于,通过以下公式表示基于三维FDTD差分方程而构建的电场和磁场分量误差:表示基于三维FDTD差分方程而构建的电场和磁场分量误差:表示基于三维FDTD差分方程而构建的电场和磁场分量误差:表示基于三维FDTD差分方程而构建的电场和磁场分量误差:表示基于三维FDTD差分方程而构建的电场和磁场分量误差:表示基于三维FDTD差分方程而构建的电场和磁场分量误差:其中,Loss(E
x
)表示x轴方向的电场分量损失,Loss(E
y
)表示y轴方向的电场分量损失,Loss(E
z
)表示z轴方向的电场分量损失,Loss(H
x
)表示x轴方向的磁场分量损失,Loss(H
y
)表示y轴方向的磁场分量损失,Loss(H
z
)表示z轴方向的磁场分量损失,ε表示介电常数,μ表示磁导率,σ表示电导率,ρ表示介质密度,(i,j,k,n)表示样本的四维时空向量,分别对应x轴坐标值、y轴坐标值、z轴坐标值和时刻值,E
x
(i,j,k,n)、E
y
(i,j,k,n)、E
z
(i,j,k,n)、H
x
(i,j,
k,n)、H
y
(i,j,k,n)、H
z
(i,j,k,n)分别表示样本(i,j,k,n)对应的6个模型输出:x轴方向的电场分量、y轴方向的电场分量、z轴方向的电场分量、x轴方向的磁场分量、y轴方向的磁场分量、z轴方向的磁场分量。5.根据权利要求3所述的基于神经网络的热应力预测方法,其特征在于,通过以下公式表示基于电场驱动的温度控制的差分方程而构建的三维空间的温度误差:表示基于电场驱动的温度控制的差分方程而构建的三维空间的温度误差:表示基于电场驱动的温度控制的差分方程而构建的三维空间的温度误差:其中,Loss(T
x
)表示x轴方向的温度损失,Loss(T
y
)表示y轴方向的温度损失,Loss(T
...
【专利技术属性】
技术研发人员:胡锐,刘雪飞,税文超,王渝皓,
申请(专利权)人:广东越新微系统研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。