陈国荣;李天歌;陈启军;任少飞;王超;李少凡 应用深度学习神经网络识别基于壳体结构永久塑性变形的碰撞载荷条件。 （英语） Zbl 1468.74082号 计算。机械。 64，第2期，435-449（2019）. 小结：在这项工作中，我们开发了一种新的深度学习逆解或识别方法，以根据壳体结构的最终损伤状态或非弹性变形来确定和识别其冲击载荷条件。这种人工智能方法为解决基于最终材料和结构损伤状态和永久塑性变形的工程失效分析逆问题提供了一种实用的解决方案。更准确地说，机器学习逆问题求解器可以根据正在检查的壳体结构的最终永久塑性变形分布，提供一种实用的解决方案来表征失效载荷参数和条件。在这项工作中，我们已经证明，所提出的深度学习方法能够准确地识别半球壳结构的“实际上独特的”静载荷条件以及基于碰撞事件后永久塑性变形的冲击动载荷条件，作为取证特征。本研究中开发的基于数据驱动的方法可为工程结构在各种意外失效事件中的损伤载荷条件的法医诊断、确定和识别提供强大的工具，例如汽车碰撞、压力容器失效或薄壁基础设施结构倒塌。本文开发的机器学习反问题求解器可能会对基于最终永久塑性变形的一般取证材料和结构失效分析产生潜在影响。 引用于7文件 MSC公司： 74S99型 固体力学中的数值方法和其他方法 74K25型 外壳 74C99型 塑料材料、应力等级材料和内变量材料 74兰特 高速断裂 68T05型 人工智能中的学习和自适应系统 关键词：人工智能;深度学习;法医材料工程;神经网络;塑性冲击失效分析 软件：PRMLT公司;亚当;TensorFlow公司;ABAQUS公司 PDF格式BibTeX公司 XML格式引用 \textit{G.Chen}等人，计算。机械。64，编号2435-449（2019；兹bl 1468.74082） 全文： 内政部 参考文献： [1] Ren S，Chen G，Li T，Chen Q，Li S（2018）基于深度学习的损伤载荷条件识别计算算法：用于失效分析的人工智能反问题解决方案。计算。模型。工程科学。117(3):287-307 [2] Sebastiani F（2002）自动文本分类中的机器学习。ACM计算概况34（1）：1-47 [3] Bratko A、Cormack GV、Filipia B、Lynam TR、Zupan B（2006）使用统计数据压缩模型进行垃圾邮件过滤。J Mach学习研究7:2673-2698·Zbl 1222.68079号 [4] Sajda P（2006）疾病检测和诊断的机器学习。生物识别工程年鉴8:537-565 [5] Friedman J，Hastie T，Tibshirani R（2001）《统计学习的要素》，第1卷。纽约州施普林格·Zbl 0973.62007号 [6] Bishop CM（2006）模式识别和机器学习。柏林施普林格·Zbl 1107.68072号 [7] Jones A、Keatley AC、Goulermas JY、Scott TB、Turner P、Awbery R、Stapleton M（2018）《机器学习技术重新利用铀矿浓缩物（UOC）工业记录及其在核法医调查中的应用》。应用地球化学91:221-227 [8] Mena J（2016）《执法、安全和情报的机器学习取证》。奥尔巴赫出版社，博卡拉顿 [9] Lei X，Liu C，Du Z，Zhang W，Guo X（2019）移动可变形组件框架下机器学习驱动的实时拓扑优化。应用机械86（1）：011004 [10] Zheng X，Zheng P，Zhang RZ（2018）使用卷积神经网络从周期表中机器学习材料属性。化学科学9（44）：8426-8432 [11] Kirchdoerfer T，Ortiz M（2018），动力学中的数据驱动计算。国际数学方法工程113（11）：1697-1710 [12] Yan W，Lin S，Kafka OL，Lian Y，Yu C，Liu Z，Yan J，Wolff S，Wu H，Ndip-Agbor E，Mozaffar M（2018）数据驱动多尺度多物理模型，用于推导增材制造的过程“结构”属性关系。计算力学61（5）：521-541·Zbl 1471.74081号 [13] Bostanabad R、Kearney T、Tao S、Apley DW、Chen W（2018）利用块金参数进行高效高斯过程建模。国际J数字方法工程114（5）：501-516 [14] James G、Witten D、Hastie T、Tibshirani R（2013）《统计学习导论》，第112卷。纽约州施普林格，第18页·Zbl 1281.62147号 [15] 主成分分析（2019年）。https://en.wikipedia.org/wiki/Principal_component_analysis。2019年3月28日访问 [16] Shlens J（2014）《主成分分析教程》。arXiv预打印arXiv:1404.1100 [17] Lu X，Giovanis DG，Yvonnet J，Papadopoulos V，Detrez F，Bai J（2018）基于神经网络的数据驱动计算均匀化方法，用于石墨烯/聚合物纳米复合材料的非线性各向异性电响应。计算。机械。https://doi.org/10.1007/s00466-018-1643-0 ·Zbl 1464.74404号 ·doi:10.1007/s00466-018-1643-0 [18] Rosenblatt F（1958）感知器：大脑中信息存储和组织的概率模型。《心理评论》65（6）：386 [19] Grossberg SE（1988）神经网络和自然智能。麻省理工学院出版社，剑桥·Zbl 0875.68737号 [20] Kerlirzin P，Vallet F（1993）多层感知器的鲁棒性。神经计算5（3）：473-482 [21] Haykin S（1994）《神经网络》，第2卷。纽约普伦蒂斯·霍尔·Zbl 0828.68103号 [22] Mhaskar HN，Poggio T（2016）《深层网络与浅层网络：近似理论视角》。分析应用程序14（06）：829-848·Zbl 1355.68233号 [23] LeCun Y、Bengio Y、Hinton G（2015）《深度学习》。自然521（7553）：436 [24] Funahashi KI（1989）关于用神经网络近似实现连续映射。神经网络2（3）：183-192 [25] Hornik K、Stinchcombe M、White H（1989）多层前馈网络是通用逼近器。神经网络2（5）：359-366·Zbl 1383.92015年 [26] Bianchini M，Scarselli F（2014）关于神经网络分类器的复杂性：浅层和深层架构之间的比较。IEEE Trans Neural Netw学习系统25（8）：1553-1565 [27] Gao Y，Mosalam KM（2018）基于图像的结构损伤识别的深度转移学习。计算机辅助民用基础设施工程33（9）：748-768 [28] Nair V，Hinton GE（2010），整流线性单元改善了受限的Boltzmann机器。摘自：第27届国际机器学习会议记录（ICML-10），第807-814页 [29] Kingma DP，Ba J（2014）Adam：一种随机优化方法。arXiv预打印arXiv:1412.6980 [30] Hibbitt H、Karlsson B、Sorensen P（2011）Abaqus分析用户手册6.10版。普罗维登斯达索系统模拟公司 [31] 郭玉斌，颜德伟（2004）硬加工中不连续切屑形成机理的有限元研究。材料工艺学杂志155:1350-1356 [32] Johnson GR，Cook WH（1985）三种金属在不同应变、应变率、温度和压力下的断裂特征。工程分形力学21（1）：31-48 [33] TensorFlow公司。交通损失。减压-张力流量。https://www.tensorflow.org/api_docs/python/tf/losses/Reduction。2019年3月27日访问 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。