System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于复合材料,具体涉及一种基于神经网络的复合材料物理场获取方法及系统。
技术介绍
1、颗粒增强复合材料,包括短纤维复合材料和聚合物复合材料,由于其优异的力学性能,在各个领域得到了广泛的应用。复合材料的宏观性能与其微观结构的非均匀性密切相关,因此微观尺度的建模和模拟对优化复合材料设计起着至关重要的作用。数学方程,特别是偏微分方程,通常用于模拟复合材料的力学行为。然而,获得这些方程的解析解往往是具有挑战性的,因此数值方法已经作为科学探索的主要手段。传统的数值方法,如有限元法、有限差分、无网格法和有限体积法已经成功地用于模拟复合材料的力学行为。然而,尽管数值方法取得了进展,但仍存在一些具有挑战性的问题。例如,颗粒增强复合材料微观结构的复杂性对网格划分和模拟计算提出了重大挑战,这种复杂性源于复合材料中颗粒的几何形状和颗粒之间的相互作用。先进的数值方法和计算技术对于解决这些挑战和实现颗粒增强复合材料的可靠模拟至关重要,从而促进其在各个工程领域的成功应用。
2、人工神经网络(ann)具有识别复杂高维映射关系的能力,已经成为模拟复杂物理现象的强大工具。例如,监督学习可以使用现有数据来预测复合材料的宏观性能、强度和断裂。然而传统的ann模型只有从大量训练数据中获得底层物理信息时,才能表现良好。最近,有一个值得注意的焦点是使用神经网络作为偏微分方程的求解器,即物理信息神经网络模型(pinn)。pinn模型通过在损失函数中引入控制方程、初始条件和边界条件作为附加项来实现。该方法可以近似任意高阶函数,且无网格,避免了传统数值方法
3、综上所述,目前使用神经网络方法求解非均质材料的力学问题仍然具有挑战性。
技术实现思路
1、本专利技术的目的在于克服上述现有技术的缺点,提供一种基于神经网络的复合材料物理场获取方法及系统,以解决现有技术中非均值材料通过pinn模型求解精度不高的问题。
2、为达到上述目的,本专利技术采用以下技术方案予以实现:
3、一种基于神经网络的复合材料物理场获取方法,包括以下步骤:
4、s1,对物理场区域进行采样处理,获得采样点的坐标;
5、s2,基于物理场区域的形状,构建pfnn网络模型,将相场模型的自由能函数作为pfnn网络模型的第一损失函数,通过l-bfgs算法最小化第一损失函数,获得优化后的pfnn网络模型;
6、s3,构建pinn网络模型;基于优化后pfnn网络模型获得不连续复合材料参数的平滑近似,通过不连续复合材料参数的平滑近似获得物理场的本构律;结合物理场的物理控制方程、本构律和边界条件,获得pinn网络模型的第二损失函数,通过l-bfgs算法最小化第二损失函数,获得pinn网络模型;
7、s4,pinn网络模型输出所有采样点的物理值,组成物理场。
8、本专利技术的进一步改进在于:
9、优选的,s2中,pfnn网络模型的输入为物理场区域内的采样点坐标,输出为序参量
10、优选的,s2中,所述第一损失函数为:
11、
12、其中:
13、
14、
15、其中,和为物理场区域内第i个采样点的权重,n1,n2,n3和n4为物理场区域内的采样点数量。
16、优选的,s3中,基于优化后pfnn网络模型获得不连续复合材料参数的平滑近似公式为:
17、
18、其中,和均为材料参数,为序参量,为优化后pfnn网络模型参数。
19、优选的,s3中,所述第二损失函数为:
20、lm=ldiv+lcon+lb (14)
21、其中,ldiv为物理控制方程的损失函数,lcon为本构律的损失函数,lb为边界条件的损失函数。
22、优选的,物理控制方程的损失函数为:
23、
24、其中:||■||0是向量■的l2范数,为第i个采样点,nω为采样点数量。
25、优选的,本构律的损失函数为:
26、
27、其中:||■||f是向量■的frobenius范数,且有
28、优选的,边界条件的损失函数公式为:
29、
30、其中:和分别为边界和的第i个采样点,和为相应区域的采样点数量。
31、优选的,s3后,建立有限元模型,通过有限元模型求解采样点的物理值,获得参考解;比较pinn网络模型获得的物理值和参考解,如果在设定误差内,pinn网络模型满足要求,否则重复s2和s3,重新构建pfnn网络模型和pinn网络模型。
32、一种基于神经网络的复合材料物理场获取系统,包括:
33、采样单元,用于对物理场区域进行采样处理,获得采样点的坐标;
34、pfnn网络模型单元,用于基于物理场区域的形状,构建pfnn网络模型,将相场模型的自由能函数作为pfnn网络模型的第一损失函数,通过l-bfgs算法最小化第一损失函数,获得优化后的pfnn网络模型;
35、pinn网络模型单元,用于构建pinn网络模型;基于优化后pfnn网络模型获得不连续复合材料参数的平滑近似,通过不连续复合材料参数的平滑近似获得物理场的本构律;结合物理场的物理控制方程、本构律和边界条件,获得pinn网络模型的第二损失函数,通过l-bfgs算法最小化第二损失函数,获得pinn网络模型;
36、物理场单元,用于优化后的pinn网络模型输出所有采样点的物理值,组成物理场。
37、与现有技术相比,本专利技术具有以下有益效果:
38、本专利技术公开了一种基于神经网络的复合材料物理场获取方法,实现复合材料应力应变、温度场等物理场高精度的仿真计算。该复合材料物理场获取方法,首先构建出pfnn网络模型,通过第一损失函数进行优化后,获得优化后的pfnn网络模型,在优化后的pfnn网络模型基础上进一步的构建出一种相场光滑化pinn模型求解非均质材料的力学问题,最终的pfnn网络模型和pinn网络模型组成相场光滑的pinn网络模型(pfs-pinn网络模型),该pfs-pinn网络模型不仅能本文档来自技高网...
【技术保护点】
1.一种基于神经网络的复合材料物理场获取方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于神经网络的复合材料物理场获取方法,其特征在于,S2中,PFNN网络模型的输入为物理场区域内的采样点坐标,输出为序参量
3.根据权利要求1所述的一种基于神经网络的复合材料物理场获取方法,其特征在于,S2中,所述第一损失函数为:
4.根据权利要求1所述的一种基于神经网络的复合材料物理场获取方法,其特征在于,S3中,基于优化后PFNN网络模型获得不连续复合材料参数的平滑近似公式为:
5.根据权利要求1所述的一种基于神经网络的复合材料物理场获取方法,其特征在于,S3中,所述第二损失函数为:
6.根据权利要求5所述的一种基于神经网络的复合材料物理场获取方法,其特征在于,物理控制方程的损失函数为:
7.根据权利要求5所述的一种基于神经网络的复合材料物理场获取方法,其特征在于,本构律的损失函数为:
8.根据权利要求5所述的一种基于神经网络的复合材料物理场获取方法,其特征在于,边界条件的损失函数公式为:
>9.根据权利要求1所述的一种基于神经网络的复合材料物理场获取方法,其特征在于,S3后,建立有限元模型,通过有限元模型求解采样点的物理值,获得参考解;比较PINN网络模型获得的物理值和参考解,如果在设定误差内,PINN网络模型满足要求,否则重复S2和S3,重新构建PFNN网络模型和PINN网络模型。
10.一种基于神经网络的复合材料物理场获取系统,其特征在于,包括:
...【技术特征摘要】
1.一种基于神经网络的复合材料物理场获取方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于神经网络的复合材料物理场获取方法,其特征在于,s2中,pfnn网络模型的输入为物理场区域内的采样点坐标,输出为序参量
3.根据权利要求1所述的一种基于神经网络的复合材料物理场获取方法,其特征在于,s2中,所述第一损失函数为:
4.根据权利要求1所述的一种基于神经网络的复合材料物理场获取方法,其特征在于,s3中,基于优化后pfnn网络模型获得不连续复合材料参数的平滑近似公式为:
5.根据权利要求1所述的一种基于神经网络的复合材料物理场获取方法,其特征在于,s3中,所述第二损失函数为:
6.根据权利要求5所述的一种基于神经...
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。