【技术实现步骤摘要】
本申请涉及力学性能测试，更具体地说，涉及一种基于生成对抗网络的二维应力分布预测方法。
技术介绍
1、静态应力分析是有限元结构分析中常见的一种类型，它通过对部件施加各种载荷并分析产生的应力、应变和变形，评估设计的可靠性。这一过程通常是为了确保工程在使用和负载下能够承受各种应力，并监测和评估结构的稳定性，以及在自然灾害或意外事件发生时的表现。以此提前发现和修复潜在的结构问题，以延长建筑物的寿命。
2、现有应力分布预测方法主要是依靠工程师通过计算机软件进行模拟分析，但是，随着工程问题的复杂性增加，微小的几何或参数变化都要求工程师重新进行耗时的模拟分析。特别是在面对大规模结构分析时，现有方法对于应力分布预测的速度慢、效率低。
技术实现思路
1、有鉴于此，本申请提供了基于生成对抗网络的二维应力分布预测方法，用于解决现有应力分布预测方法，应力分布预测的速度慢、效率低的问题。
2、为实现上述目的，现提出的方案如下：
3、一种基于生成对抗网络的二维应力分布预测方法，包括：
4、获取待测部件的受力图像；
5、提取受力图像特征，得到特征图集合，特征图集合包括几何形状特征图、边界条件特征图、垂直载荷条件特征图和水平载荷条件特征图；
6、将特征图集合输入预先训练完成的应力预测模型，得到应力分布图，应力预测模型包括生成器和判别器；
7、生成器对输入的特征图集合进行处理，生成受力图像对应的应力分布图，并将应力分布图和特征图集合
8、判别器判断应力分布图是否正确。
9、优选地，生成器，包括：编码器和解码器；
10、编码器包括生成下采样块集合，生成下采样块集合包括至少一个生成下采样块，生成下采样块包括生成卷积层、第一批归一化层和第一激活层；
11、生成卷积层用于增加特征图集合中各特征图的维度，得到第一特征图集合；
12、第一批归一化层用于对第一特征图集合中的特征图进行标准化，得到第二特征图集合；
13、第一激活层用于对第二特征图集合中的特征图进行缩放，得到第三特征图集合；
14、解码器包括生成上采样块集合、批归一化层集合和激活层集合，生成上采样块集合包括与生成下采样块集合中生成下采样块数量相同的上采样块，生成上采样块包括反卷积层，批归一化层集合包括至少一个第二批归一化层，激活层集合包括至少一个第二激活层，各生成上采样块分别与一个第二批归一化层和第二激活层进行连接；
15、反卷积层用于降低第三特征图集合中的特征图的维度，得到第四特征图集合；
16、第二批归一化层用于对第四特征图集合中的特征图进行归一化处理，得到第五特征图集合；
17、第二激活层用于对第五特征图集合中的特征图进行非线性处理，得到应力分布图。
18、优选地，判别器，包括：判别下采样块集合、重塑层、全连接层、第三激活层；
19、判别下采样块用于增加应力分布图和特征图集合中的特征图的维度，得到第六特征图集合，判别下采样块包括判别卷积层；
20、重塑层用于将第六特征图集合中的特征图转换为一维的特征向量，得到特征向量集合；
21、全连接层用于对特征向量集合中的特征向量进行非线性处理，得到目标特征向量集合；
22、第三激活层用于对目标特征向量集合进行分析，得到应力分布图的正确概率。
23、优选地，应力预测模型的训练过程，包括：
24、以训练特征图集合作为训练样本，以应力分布图作为训练标签进行训练，得到初始预测模型；
25、以测试特征图集合作为测试样本，将测试特征图集合输入初始预测模型，得到测试应力分布图；
26、根据测试应力分布图和待测部件的受力的真实应力分布图计算损失函数；
27、基于损失函数对初始预测模型的网络参数进行训练，直至满足预先设定的结束条件时，得到应力预测模型。
28、优选地，损失函数，包括：l2距离损失和应力预测模型的目标函数；
29、损失函数为mingmaxdv(g,d)+λll2(g)，超参数λ为应力预测模型平衡之后的损失函数，g为生成器，d为判别器。
30、优选地，第一激活层为leakyrelu激活函数；
31、第二激活层为relu激活函数；
32、第三激活层为sigmoid激活函数。
33、优选地，生成卷积层增加特征图集合中各特征图的维度，包括：
34、生成卷积层通过conv(x,w,b)＝w*x+b对特征图集合中特征图进行卷积以增加特征图集合中特征图的维度，x为卷积层输入的特征图，w为卷积核，b为偏置项，"*"为卷积操作；
35、第一批归一化层对第一特征图集合中的特征图进行标准化，得到第二特征图集合，包括：第一批归一化层通过对第一特征图集合中的特征图进行标准化，x1为第一批归一化层输入的特征图，μ和σ分别表示均值和标准差，∈是平滑项，γ和β是可学习的缩放和平移参数；
36、第一激活层对第二特征图集合中的特征图进行缩放，得到第三特征图集合，包括：第一激活层通过对第二特征图集合中的特征图进行缩放，α是一个小于1的参数，x2为第一激活层输入的特征图。
37、优选地，反卷积层降低第三特征图集合中的特征图的维度，包括：
38、反卷积层通过yi,j＝∑m,nxi-m,j-n×km,n，降低第三特征图集合中的特征图的维度，y是输出特征图，x是反卷积层输入的特征图，k是卷积核，而i,j,m,n是索引；
39、第二批归一化层对第四特征图集合中的特征图进行归一化处理，包括：
40、第二批归一化层通过对第四特征图集合中的特征图进行归一化处理，是输入第二批归一化层的当前批次中的一个特征图，μbatch是当前批次的均值，是当前批次的方差，而∈为一个大于0小于1的数；
41、第二激活层对第五特征图集合中的特征图进行非线性处理，包括：
42、第二激活层通过f(x)＝max(0,x3)，对第五特征图集合中的特征图进行非线性处理，x3为第二激活层输入的特征图。
43、优选地，第三激活层对目标特征向量集合进行分析，包括：
44、第三激活层通过对目标特征向量集合进行分析，x4为第三激活层输入的特征向量。
45、从上述技术方案可以看出，本申请实施例提供的基于生成对抗网络的二维应力分布预测方法，获取待测部件的受力图像；提取受力图像特征，得到特征图集合，特征图集合包括几何形状特征图、边界条件特征图、垂直载荷条件特征图和水平载荷条件特征图；将特征图集合输入预先训练完成的应力预测模型，得到应力分布图，应力预测模型包括生成器和判别器；生成器对输入的特征图集合进行处理，生成受力图像对应的应力分布图，并将应力分布图和特征图集合发送到判别器；判别器判断应力分布图是否正确。本申本文档来自技高网...
【技术保护点】
1.一种基于生成对抗网络的二维应力分布预测方法，其特征在于，包括：
2.根据权利要求1所述的基于生成对抗网络的二维应力分布预测方法，其特征在于，生成器，包括：编码器和解码器；
3.根据权利要求2所述的基于生成对抗网络的二维应力分布预测方法，其特征在于，判别器，包括：判别下采样块集合、重塑层、全连接层、第三激活层；
4.根据权利要求3所述的基于生成对抗网络的二维应力分布预测方法，其特征在于，应力预测模型的训练过程，包括：
5.根据权利要求4所述的基于生成对抗网络的二维应力分布预测方法，其特征在于，损失函数，包括：L2距离损失和应力预测模型的目标函数；
6.根据权利要求3所述的基于生成对抗网络的二维应力分布预测方法，其特征在于，第一激活层为LeakyReLU激活函数；
7.根据权利要求6所述的基于生成对抗网络的二维应力分布预测方法，其特征在于，生成卷积层增加特征图集合中各特征图的维度，包括：
8.根据权利要求7所述的基于生成对抗网络的二维应力分布预测方法，其特征在于，反卷积层降低第三特征图集合中的特征
9.根据权利要求8所述的基于生成对抗网络的二维应力分布预测方法，其特征在于，第三激活层对目标特征向量集合进行分析，包括：
...【技术特征摘要】
1.一种基于生成对抗网络的二维应力分布预测方法，其特征在于，包括：
2.根据权利要求1所述的基于生成对抗网络的二维应力分布预测方法，其特征在于，生成器，包括：编码器和解码器；
3.根据权利要求2所述的基于生成对抗网络的二维应力分布预测方法，其特征在于，判别器，包括：判别下采样块集合、重塑层、全连接层、第三激活层；
4.根据权利要求3所述的基于生成对抗网络的二维应力分布预测方法，其特征在于，应力预测模型的训练过程，包括：
5.根据权利要求4所述的基于生成对抗网络的二维应力分布预测方法，其特征在于，损失函数，包括：l2距离...
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。