×

兹马思-数学第一资源

机器学习与设计优化中材料性能数据库生成的聚类离散化方法。(英语) Zbl 07095665
机械科学与机械工程:能用机器学习。然而,数据集仍然相对稀少;幸运的是,已知的控制方程可以补充这些数据。本文总结和归纳了三种降阶方法:自洽聚类分析、虚拟聚类分析和有限元聚类分析。这些方法有两个阶段的结构:无监督学习有助于降低模型复杂度,而力学方程提供预测。这些预测定义了适合训练神经网络的数据库。前馈神经网络解决了前向问题,如替换本构关系或均匀化程序。卷积神经网络解决反问题或作为分类器,例如提取边界条件或确定是否发生损伤。我们将解释这些网络是如何应用的,然后提供一个实际练习:结构的拓扑优化(a)具有非线性弹性材料行为和(b)在微结构损伤约束下。这使得微结构敏感设计的计算工作量仅比传统的线弹性分析稍微多一些。

理学硕士:
74S99型 固体力学中的数值方法和其他方法
A7499型 通则,公理化,固体连续介质力学的基础
74页15页 固体力学优化问题的拓扑方法
68T05型 人工智能中的学习与自适应系统
PDF格式 BibTeX公司 XML 引用
全文: 内政部
参考文献:
[1] 哈辛,Z。;《多相材料弹性行为理论的变分方法》,机械物理学杂志,11,127,(1963)·Zbl 0108.36902
[2] 《复合材料自洽力学》,机械物理与固体杂志,13213,(1965)
[3] Ghosh,S。;李,K。;Moorthy,S.,非均质弹塑性材料的渐近均匀化双尺度分析和Voronoi单元有限元模型,计算方法应用机械工程,132,63,(1996)·邮政编码:0892.73061
[4] 佩利,M。;Aboudi,J.,用广义胞模型分析复合材料的细观力学,机械材料,14127,(1992)
[5] Dvorak,GJ,非弹性复合材料的转换场分析,伦敦社会科学院学报,437311-327,(1992)·Zbl 0748.73007
[6] 米歇尔,JC;Suquet,P.,非均匀变换场分析,国际固体结构杂志,406937,(2003)·Zbl 1057.74031号
[7] 伊冯,J。;何国庆,有限应变下超弹性介质非线性均匀化的简化模型多尺度方法(R3M),计算机物理学报,223341,(2007)·Zbl 1163.74048号
[8] 伯克库兹,G。;福尔摩斯,P。;吕明礼,朱立群,湍流分析中的本征正交分解,流体力学年鉴,25539,(1993)
[9] 刘,Z。;贝萨,M。;Liu,W.,自洽聚类分析:非弹性非均匀材料的有效多尺度方案,计算方法应用机械工程,306,319,(2016)
[10] Shakoor M,Kafka OL,Yu C,Liu WK(2018)延性材料有限应变力学科学的数据科学。计算机械1-13
[11] 加利福尼亚州卡夫卡;余,C。;沙库尔,M。;刘,Z。;瓦格纳,GJ;Liu,WK,微观结构对镍钛高周疲劳寿命影响的数据驱动机理建模,JOM,701154,(2018)
[12] 余,C。;加利福尼亚州卡夫卡;Liu,WK,有限应变下多尺度模型的自洽聚类分析,计算方法应用机械工程,349,339,(2019)
[13] 大石,A。;Yagawa,G.,通过深度学习增强的计算力学,计算机方法应用机械工程,327,327,(2017)
[14] Kirchdoerfer,T。;Ortiz,M.,数据驱动计算力学,计算方法应用机械工程,304,81,(2016)·Zbl 1425.74503
[15] 刘,Z。;吴,C。;Koishi,M.,用于多尺度拓扑学习和异质材料加速非线性建模的深层材料网络,计算方法应用机械工程,3451138-1168,(2018)
[16] 唐S,张磊,刘文科(2018)从虚拟聚类分析到自洽聚类分析:一个数学研究。计算机械1-18
[17] 程,G。;李,X。;聂,Y。;Li,H.,基于有限元聚类的非均匀材料有效性能数值预测方法,计算方法应用机械工程,348157-184,(2019)
[18] Kröner E(1972),《统计连续介质力学》,第92卷。柏林斯普林格·Zbl 0315.73007号
[19] Gan Z,Li H,Wolff SJ,Bennett JL,Hyatt G,Wagner GJ,Cao J,Liu WK(2019),使用自组织映射进行添加剂制造中的数据驱动微观结构和显微硬度设计。工程(新闻界)
[20] 张磊,唐S,于C,朱X,刘文科(2019)基于聚类的均匀化中交互张量的快速计算。计算机机械(新闻界)
[21] Nie Y,Cheng G,Li X,Xu L,Li K(2019)基于有限元簇的降阶方法的簇最小余能原理:快速更新相互作用矩阵和预测非均匀材料的有效非线性性质。计算机机械。https://doi.org/10.1007/s00466-019-01710-6
[22] Goodfello I,Bengio Y,Courville A(2016)深度学习。麻省理工学院出版社。http://www.deeplearningbook.org。访问日期:2019年4月28日·Zbl 1373.68009
[23] Haykin S(1994)《神经网络:综合基础》。Prentice Hall PTR,上鞍河·Zbl 0828.68103
[24] Schmidhuber,J.,《神经网络的深度学习:概述》,神经网络,61,85,(2015)
[25] 傅纳希,KI.用神经网络近似实现连续映射,神经网络,2183,(1989)
[26] 霍尼克,K。;斯汀科姆,M。;《多层前馈网络是通用逼近器》,神经网络,2359,(1989)·Zbl 1383.92015号
[27] 加布西,J。;加勒特,J。;吴X,基于知识的材料行为神经网络建模,机械工程学报,117132,(1991)
[28] 古川,T。;Yagawa,G.,使用神经网络进行粘塑性隐式本构模型,国际数值方法工程,43195,(1998)·Zbl 0926.74020
[29] L.青斌。;钟,J。;马宝,L。;石春,W.用人工神经网络获取热粘塑性材料的本构关系,材料工艺学杂志,62206,(1996)
[30] 叶英奇,高性能混凝土强度的人工神经网络模拟,水泥混凝土研究,281797,(1998)
[31] 休伯,N。;Tsakmakis,C.,用于识别具有静态恢复的有限变形粘塑性模型材料参数的神经网络工具,计算方法应用机械工程,191353,(2001)·Zbl 0991.74019
[32] 皮勒,B。;拉克纳,R。;孟,哈,软计算在岩土工程模型参数反演分析中的应用,国际数值方法工程,571943,(2003)·Zbl 1062.74567号
[33] KucerováA,Leps M,Zeman J(2009)使用软计算方法对微平面模型参数进行反分析。arXiv预印本arXiv:0902.1690
[34] 费耶尔,F。;夏波切,JL,FE2多尺度方法模拟长纤维SiC/Ti复合材料的弹粘塑性行为,计算方法应用机械工程,183309,(2000)·Zbl 0993.74062
[35] 库兹涅索娃,V。;Geers,毫克;《非均匀材料多尺度本构模型的梯度增强计算均匀化方法》,国际数值方法工程,541235,(2002)·Zbl 1058.74070
[36] Feyel,F.,用广义连续统描述高度非线性结构响应的多层有限元法(FE2),计算机方法应用机械工程,1923233,(2003)·Zbl 1054.74727号
[37] 加布西,J。;宾夕法尼亚州佩克诺德;张,M。;李海杰,林,神经网络本构模型的自动训练,国际数值方法工程,42,105,(1998)·Zbl 0915.73075
[38] 申,H。;Pande,G.,基于结构监测响应的自学习有限元代码,Comput Geotech,27161,(2000)
[39] 申,H。;潘德,G.,从结构试验中识别正交各向异性材料的弹性常数,Comput Geotech,30571,(2003)
[40] 加温,D。;莱菲克,M。;Schrefler,B.,湿-热-机械耦合有限元分析中吸附滞后的人工神经网络方法,国际数值方法学,50,299,(2001)·Zbl 1043.76033号
[41] 莱菲克,M。;施雷夫勒,B.,《使用人工神经网络在循环荷载下的电缆管道超导体的一维模型》,Fusion Eng Des,60,105,(2002)
[42] 莱菲克,M。;Schrefler,B.,作为有限元程序增量非线性本构模型的人工神经网络,计算方法应用机械工程,1923265,(2003)·Zbl 1054.74731号
[43] 勒,B。;伊冯,J。;何,QC,用神经网络计算非线性弹性材料的均匀化,国际数值方法工程,1041061,(2015)·Zbl 1352.74266
[44] 巴塔查吉,S。;基于非均匀流形的非均匀流形分析,63T阶非线性材料分析,第3期,2016年·Zbl 1349.65611号
[45] 塞森,A。;戴,H。;亚班苏,YC;加里迪迪,SR;Song,L.,使用三维卷积神经网络的材料-结构-性能联系,材料学报,146,76,(2018)
[46] 王,K。;Sun,W.,通过深度强化学习推导理论一致性的元建模游戏,基于微观结构的牵引分离定律,计算方法应用机械工程,346,216,(2019年)
[47] Han J,Moraga C(1995)sigmoid函数参数对反向传播学习速度的影响。国际人工神经网络研讨会。斯普林格,柏林,195-201页
[48] Matlab深度学习工具箱(2018b)Matlab深度学习工具箱。数学工厂,纳蒂克
[49] Levenberg,K.,用最小二乘法求解某些非线性问题的方法,应用数学,21164,(1944)·Zbl 0063.03501
[50] 马夸德,DW,非线性参数最小二乘估计算法,应用数学学报,11431,(1963)·Zbl 0112.10505号
[51] Goodfello I,Bengio Y,Courville A(2017)深度学习。麻省理工学院出版社,剑桥·Zbl 1373.68009
[52] 松谷,M。;莫里,K。;米塔里,Y。;Kaneda,Y.,使用卷积神经网络进行鲁棒人脸检测的独立于受试者的面部表情识别,神经网络,16555,(2003)
[53] 吕伯斯,N。;Lookman,T。;Barros,K.,使用卷积神经网络推断低维微观结构表示,Phys Rev E,96052111,(2017)
[54] 近藤,R。;山川县。;Masuoka,Y。;塔吉马。;Asahi,R.,使用卷积神经网络预测陶瓷中离子电导率的微观结构识别,材料学报,141,29,(2017)
[55] 装饰,BL;弗朗西斯,T。;霍尔姆,EA,探索微观结构流形:图像纹理表示应用于超高碳钢微观结构,材料学报,133,30,(2017)
[56] 凌,J。;哈钦森,M。;安东诺,E。;装饰,B。;霍尔姆,EA;Meredig,B.,用显微结构图像构建数据驱动模型:泛化和可解释性,Mater Discov,10,19,(2017)
[57] 仓,R。;李,H。;姚,H。;焦,Y。;Ren,Y.,通过卷积神经网络和形态感知生成模型改进从成像数据中直接预测异质材料的物理性质,Compute Mater Sci,150,212,(2018)
[58] 杨,Z。;亚班苏,YC;巴赫拉尼,R。;周,廖;乔达里,安;加里迪迪,SR;Agrawal,A.,从模拟数据集挖掘高对比度复合材料结构-性能关联的深度学习方法,Compute Mater Sci,151278,(2018)
[59] 杨,Z。;亚班苏,YC;杰哈,D。;周,廖;乔达里,安;加里迪迪,SR;Agrawal,A.,《使用深度学习方法建立三维高对比度复合材料弹性变形的结构-性能局部化联系》,Mater,166,335,(2019年)
[60] Abaqus V(2014)6.14文件。达索系统模拟公司651
[61] 程,G。;Guo,X.,(\varepsilon\)——结构拓扑优化中的松弛方法,结构优化,13258,(1997)
[62] Duysinx,P。;张国荣,张国荣,张国荣,张国荣,张国荣,张国荣,张国荣,张国荣,张国荣,张国荣,张国荣,1998年,第43期,第1453页·Zbl 0924.73158
[63] 郭,X。;程,G。;Yamazaki,K.,具有应力和局部屈曲约束的桁架拓扑优化的新方法,结构多盘优化,22,364,(2001)
[64] 郭,X。;张,WS;王,我的;《拓扑优化方法》,Wei,Wei,2011年,应力-机械优化方法(第39版)·Zbl 1230.74152
〔65〕 Sigmund,O.,用MATLAB编写的99线拓扑优化代码,Struct Multidiscip Optim,21,120,(2001)
此参考列表基于出版商或数字数学图书馆提供的信息。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。