【技术实现步骤摘要】
本专利技术属于双曲板成形回弹预测，具体涉及一种基于本构关系的双曲板回弹预测深度学习方法。
技术介绍
1、现阶段随着科技发展，在各种工业领域对于板材成形的要求也随之提升，同时针对不同结构有不同的要求，可以通过不同的材料来实现不同的需求。但是对于目前所应用的许多复合材料或其他先进材料的材料属性比较复杂，因此，在选择材料来满足其他需求时使得提高板材成形的精度变得困难。
2、目前，深度学习应用在板材成形领域进行回弹预测有着不错的成效，但是由于许多复合材料的材料本构关系比较复杂，在应用这些不同材料所提取的成形三维特征信息进行回弹预测时，预测精度降低，严重影响板材的成形精度。
技术实现思路
1、本专利技术的目的在于，提供一种基于本构关系的双曲板回弹预测深度学习方法，可以有效克服现有算法无法考虑材料特性的问题，通过嵌入大量材料本构模型，实现多种新型材料、复合材料板材的回弹预测。
2、为解决上述技术问题，本专利技术的技术方案为：一种基于本构关系的双曲板回弹预测深度学习方法，包括以下
本文档来自技高网...
【技术保护点】
1.一种基于本构关系的双曲板回弹预测深度学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于本构关系的双曲板回弹预测深度学习方法，其特征在于，S1中预处理的具体方法为：
3.根据权利要求2所述的一种基于本构关系的双曲板回弹预测深度学习方法，其特征在于，S2中深度卷积神经网络的结构为：包括卷积层、激活层、最大池化层、转置卷积层；其中，卷积层用于线性乘积求和，激活层为校正线性激活函数，最大池化层用于非线性降采样，转置卷积层用于上采样。
4.根据权利要求3所述的一种基于本构关系的双曲板回弹预测深度学习方法，其特征在于，S...
【技术特征摘要】
1.一种基于本构关系的双曲板回弹预测深度学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于本构关系的双曲板回弹预测深度学习方法，其特征在于，s1中预处理的具体方法为：
3.根据权利要求2所述的一种基于本构关系的双曲板回弹预测深度学习方法，其特征在于，s2中深度卷积神经网络的结构为：包括卷积层、激活层、最大池化层、转置卷积层；其中，卷积层用于线性乘积求和，激活层为校正线性激活函数，最大池化层用于非线性降采样，转置卷积层用于上采样。
4.根据权利要求3所述的一种基于本构关系的双曲板回弹预测深度学习方法，其特征在于，s3具体为：对训练数据集中的rgb图像添加材料标记，在深度卷积神经网络完成第一次池化之后，加入本构关系自定义层，在本构关系自定义层通过材料标记识别对应材料的应力应变曲线进行逐元素相乘，输出传递给后续的卷积层及池化层，在根据训练数据集的每轮训练后，根据训练精度反馈更新本构关系自定义层的权重，在经过预设轮次的训练后确定本构关系自定义层的最佳权重以及板材成形回弹预测模型的偏置参数，得到板材成形回弹预测模型。
5.根据权利要求4所述的一种基于本构关系的双曲板回弹预测深度学习方法，其特征在于，在...
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。