×
克里斯托弗·科哈尔。；拉尔斯·格雷夫；汤姆·K·埃勒。；丹尼尔·康诺利。；卡安·伊纳尔

使用CAE模拟加速设计过程的机器学习框架：在结构耐撞性有限元分析中的应用。 （英语） Zbl 1502.65206号

计算。方法应用。机械。工程师。 385，文章ID 114008，37 p.（2021）。
摘要：本文提出了一种使用机器学习（ML）预测计算机辅助工程（CAE）仿真结果的新框架。该框架应用于矩形破碎管动态轴向破碎的有限元（FE）模拟，该破碎管通常用于车辆防撞应用。进行虚拟实验设计，改变有限元模型的尺寸和壁厚，以生成必要的训练数据。此过程生成由ML系统处理的具有不同数量节点和元素的设计。然而，ML系统仍然不知道用于生成训练数据的显式设计参数和网格技术。相反，3D卷积神经网络（CNN）自动编码器用于处理初始FE模型数据（即节点、元素、厚度等），以无监督的方式自动确定这些特征。提出了一种基于单个节点质量的体素化策略，以处理节点和单元的非结构化性质，同时捕获有限元模型壁厚的变化。然后将3D-CNN自动编码器生成的展平潜伏空间作为长短期记忆神经网络（LSTM-NN）的输入，预测力-位移响应以及网格的变形。系统地研究了3D-CNN自动编码器和LSTM-NN的训练过程，以突出框架的鲁棒性。所提出的ML系统仅利用虚拟实验设计中生成的16%的仿真，以实现良好的预测能力。经过训练后，所提出的框架可以预测网格的变形以及新设计的力位移响应，其速度分别比传统的有限元方法快（330倍）和（2960000倍），具有良好的精度。这种计算速度的提高为设计工程师和科学家提供了一种潜在的工具，可以利用CAE仿真工具（如有限元分析）加速设计探索过程。

引用于1文件

MSC公司：

65N30型 含偏微分方程边值问题的有限元、Rayleigh-Ritz和Galerkin方法
2017年10月68日 人工神经网络与深度学习
68单位07 计算机辅助设计的计算机科学方面

关键词：

机器学习；CNN模型；自动编码器；LSTM模型；有限元模拟；耐撞性

软件：

LS-DYNA公司；Matlab公司；TensorFlow公司；StanfordCoreNLP公司；达奇；亚当
PDF格式BibTeX公司 XML格式引用
\textit{C.P.Kohar}等人，计算。方法应用。机械。工程385，文章ID 114008，37 p.（2021；Zbl 1502.65206）
全文： 内政部

参考文献：

[1] 美国国家公路交通安全管理局FMVSS 208（2008）实验室试验程序，美国运输部乘员碰撞保护：美国运输部，华盛顿
[2] 2018年评级审查：评级小组的报告（2020年），欧洲新车评估计划：欧洲新车评估项目，比利时鲁汶
[3] 技术评估报告草案：2022-2025（2016）车型年轻型汽车温室气体排放标准和企业平均燃油经济性标准中期评估，美国环境保护署：美国环境保护局华盛顿
[4] Elgowainy，A。；Han，J。；沃德·J。；Joseck，F。；科尔克，D。；林道尔，A。；拉姆斯登，T。；比迪，M。；亚历山大，M。；巴恩哈特，S。；萨瑟兰，I.，《当前和未来美国轻型汽车路径：从摇篮到坟墓的生命周期温室气体排放和经济评估》，环境。科学。技术，52，4，2392-2399（2018）
[5] Kim，H。；Keoleian，G。；Skerlos，S.，《使用铝和高强度钢通过车辆轻量化减少温室气体排放的经济评估》，J.Ind.Ecol。，15, 1, 64080 (2011)
[6] N.Meng、M.Strassmaier、J.Erwin，《英特尔&#xAE；可扩展解决方案上的LS-DYNA性能》。第15届国际LS-DYNA用户大会，密歇根州迪尔伯恩，2018年。
[7] C.Manning，M.Surdeanu，J.Bauer，J.Finkel，S.Bethard，D.McClosky，斯坦福大学自然语言处理工具包，收录于：计算语言学协会第52届年会论文集：系统演示，2014年。
[8] Chowdhary，K.，《自然语言处理》（《人工智能基础》（2020），施普林格：新德里施普林格出版社），603-649·Zbl 1442.68001号
[9] Chaboud，A。；奇奎因，B。；Hjalmarsson，E。；Vega，C.，《机器的兴起：外汇市场中的算法交易》，J.Financ。，69, 5, 2045-2084 (2014)
[10] Vu，H。；Kim，H。；Lee，J.，用于fMRI体积特征提取和分类的3D卷积神经网络，（神经成像模式识别国际研讨会，第104卷（2018年））
[11] 比伦鲍姆，A。；Greenspan，H.，《多发性硬化病变分割的多视角纵向CNN》，《工程应用》。Artif公司。智力。，65, 111-118 (2017)
[12] 亨斯特勒，M。；Enkel，E。；Duelli，S.，《应用人工智能和信任——自动车辆和医疗救助设备案例》，Technol。预测。Soc.，105，105-120（2016）
[13] 梅林，G。；Myburgh，H.，智能驾驶风格分析系统和相关人工智能算法综述，Sensors，15，12，30653-30682（2015）
[14] 李，X。；罗斯，C。；Mohr，D.，《基于机器学习的温度和速率相关塑性模型：在DP钢断裂试验分析中的应用》，《国际塑料杂志》。，118, 320-344 (2019)
[15] 潘迪亚，K。；罗斯，C。；Mohr，D.，《7075铝合金的应变率和温度相关断裂：实验和神经网络建模》，国际塑料杂志。，135，第102788条pp.（2020）
[16] 乔丹，B。；M.Gorji。；Mohr，D.，描述聚丙烯的温度和速率依赖性应力-应变响应的神经网络模型，Int.J.Plast。，135，第102811条pp.（2020）
[17] Mohr，D.，《关于递归神经网络对路径依赖塑性建模的潜力》，J.Mech。物理学。Solid，文章103972页（2020）
[18] 王，C。；徐，L。；Fan，J.，基于UA-seq2seq模型的历史相关反应预测通用深度学习框架，计算。方法应用。机械。，372，第113357条pp.（2020）·Zbl 1506.74072号
[19] Theocaris，P。；Panagiotopoulos，P.，断裂力学计算的神经网络，方法和应用前景，计算。方法应用。机械。，106, 1-2, 213-228 (1993) ·Zbl 0782.73077号
[20] 格雷夫，L。；施耐德，B。；Eller，T。；安德烈斯，M。；马丁内斯，J。；van de Weg，B.，《使用基于虚拟测试数据训练的人工神经网络预测颈部诱发断裂》，《工程分形》。机械。，219，第106642条pp.（2019）
[21] Jung，J。；Yoon，K。；Lee，P.，深入学习有限元。，计算。方法应用。机械。，372，第113401条，第（2020）页·Zbl 1506.65217号
[22] 梅斯特，F。；Passerini，T。；米哈勒夫，V。；Tuysuzoglu，A。；梅尔，A。；Mansi，T.，软组织力学总拉格朗日显式动力学的深度学习加速，计算。方法应用。机械。，358，第112628条pp.（2020）·Zbl 1441.74263号
[23] 萨哈，S。；甘，Z。；Cheng，L。；高杰。；O.卡夫卡。；谢，X。；李，H。；Tajdari，M。；Kim，H。；Liu，W.，分层深度学习神经网络（hidenn）：计算科学与工程的人工智能（AI）框架，计算。方法应用。机械。，373，第113452条pp.（2021）·Zbl 1506.68110号
[24] Möller，M.，用于快速监督学习的缩放共轭梯度算法，神经网络。，6, 4, 525-533 (1993)
[25] Roux，W。；斯坦德，N。；Haftka，R.，结构优化的响应面近似，国际。J.数字。方法工程，42，517-534（1998）·Zbl 0922.73043号
[26] 斯坦德，N。；Roux，W。；Giger，M。；Redhe，M。；Fedorova，N。；Haarhoff，J.，《LS-OPT中的耐撞性优化：元建模和随机搜索技术的案例研究》，（第四届欧洲LS-DYNA用户会议（2003）），J-I-11-26
[27] 帕克，H。；Dang，X.，基于CAD-CAE集成和元建模技术的结构优化，计算。辅助设计。，42, 10, 889-902 (2010)
[28] Marzbanrad，J。；易卜拉希米，M.，使用遗传算法和神经网络对汽车碰撞能量吸收用铝空心管进行多目标优化，薄壁结构。，49, 1605-1615 (2011)
[29] 科哈尔，C。；朱马古洛夫，A。；Brahme，A。；沃斯威克，M。；米什拉·R。；Inal，K.，《车辆轻量化用高压碎效率可挤压铝前纵梁的开发》，《国际冲击工程杂志》，95，17-34（2016）
[30] 科哈尔，C。；Brahme，A。；J.Imbert。；米什拉·R。；Inal，K.，Int.J.固体结构。，128, 174-198 (2017)
[31] 熊，F。；王，D。；陈，S。；高奇。；Tian，S.，《车身侧面结构的多目标轻量化和防撞性优化》，Struct。多学科。最佳。，58, 4, 1823-1843 (2018)
[32] Lanzi，L。；比萨尼，C。；Ricci，S.，再现结构部件碰撞行为的神经网络系统，计算。结构。，82, 1, 93-108 (2004)
[33] Omar，T。；Eskandarian，A。；Bedewi，N.，使用递归神经网络的车辆碰撞建模，数学。计算。建模，28，9，31-42（1998）
[34] C.Kohar，D.Connolly，T.Luisko，K.Inal，《使用人工智能辅助车辆轻量化与铝的耐撞性》，载于：第17届铝合金国际会议，法国格勒诺布尔，2020年。
[35] van de Weg，B。；格雷夫，L。；安德烈斯，M。；Eller，T。；Rosic，B.，分叉结构断裂响应的基于神经网络的替代模型，《工程分形》。机械。，241，第107424条pp.（2020）
[36] 巴克，P。；雷梅利，E。；弗莱瑞特，F。；Fua，P.，测地卷积形状优化（2018），arXiv预印本arXiv:1802.04016
[37] LeCun，Y。；Boser，B。；Denker，J。；亨德森·D·。；霍华德·R。；Hubbard，W。；Jackel，L.，反向传播应用于手写邮政编码识别，神经计算。，1, 4, 541-551 (1989)
[38] LeCun，Y。；博图，L。；Y.本吉奥。；Haffner，P.，《基于梯度的学习应用于文档识别》，Proc。IEEE，86，11，2278-2324（1998）
[39] Kamnitsas，K。；Ledig，C。；纽科姆，V。；辛普森，J。；凯恩，A。；梅农，D。；Rueckert，D。；Glocker，B.，《高效多尺度3D CNN与全连接CRF用于准确脑损伤分割》，《医学图像分析》。，36, 61-78 (2017)
[40] Milletari，F.N.N。；Ahmadi，S.，V-net：用于体积医学图像分割的全卷积神经网络，（第四届国际3D视觉会议（2016）），565-571
[41] Z.Wu、S.Song、A.Khosla、F.Yu、L.Zhang、X.Tang、J.Xiao，三维形状：立体形状的深度表示，收录于：IEEE计算机视觉和模式识别会议论文集，2015年。
[42] 张，Z。；Jaiswal，P。；Rai，R.，Featurenet：基于3D卷积神经网络的加工特征识别，计算-辅助设计。，101, 12-22 (2018)
[43] 辛顿，G。；Salakhutdinov，R.，《用神经网络降低数据的维数》，《科学》，3135786504-507（2006）·Zbl 1226.68083号
[44] P.Vincent，H.Larochelle，Y.Bengio，P.Manzagol，《利用去噪自动编码器提取和合成鲁棒特征》，载《第25届机器学习国际会议论文集》，2008年，第1096-1103页。
[45] 科哈尔，C。；穆罕默德（M.Mohammadi）。；米什拉·R。；Inal，K.，弹塑性行为对方形管轴向压碎响应的影响，薄壁结构。，93, 64-87 (2015)
[46] Rumelhart博士。；辛顿，G。；Williams，R.，《反向传播错误的学习表征》，《自然》，323533-536（1986）·Zbl 1369.68284号
[47] 古德费罗，I。；Y.本吉奥。；Courville，A.，《深度学习》（第1卷第2期）（2016年），麻省理工学院出版社：麻省理学学院出版社剑桥·Zbl 1373.68009号
[48] Levenberg，K.，用最小二乘法求解某些非线性问题的方法，Q.Appl。数学。，164-168年2月2日（1944年）·Zbl 0063.03501号
[49] Marquardt，D.，非线性参数最小二乘估计算法，J.Soc.Ind.Appl。数学。，11, 2, 431-441 (1963) ·兹比尔0112.10055
[50] 金马，D。；Ba，J.，Adam：随机优化方法（2014），arXiv预印本arXiv:1412.6980
[51] Hochreiter，S。；Schmidhuber，J.，长短期记忆，神经计算。，1735-1780年9月8日（1997年）
[52] 格雷夫，K。；斯利瓦斯塔瓦，R。；Koutník，J。；Steunebrink，B。；Schmidhuber，J.，《LSTM:搜索空间之旅》，IEEE Trans。神经网络。学习。，28, 10, 2222-2232 (2016)
[53] 卡拉巴西，E。；Papaioannou，G。；Theoharis，T.，一种基于深度缓冲的快速体素化算法，J.Graph。工具，4，4，5-10（1999）
[54] Hinks，T。；卡尔·H。；Truong Hong，L.公司。；Laefer，D.，通过基于点的体素化将点云数据转换为实体模型，J.Surv。工程，139，2，72-83（2013）
[55] Caruana，R.，多任务学习，马赫。学习。，28, 1, 41-75 (1997)
[56] 威廉姆斯，B。；Simha，C。；Abedrabbo，N。；梅耶，R。；Worswick，M.，各向异性、运动硬化和应变率敏感性对液压成形铝合金管预测轴向压碎的影响，国际冲击工程杂志，37，652-661（2010）
[57] Hallquist，J.，LS-DYNA理论手册（2006），利弗莫尔软件技术公司：利弗莫尔软件技术公司，加利福尼亚州利弗莫耳
[58] Belytschko，T.等人。；刘伟。；莫兰，B。；Elkhodary，K.，《连续统和结构的非线性有限元》（2013），John Wiley&Sons·Zbl 1279.74002号
[59] Norton，N.，《机械设计：机构和机械综合与分析导论》（2004），McGraw-Hill:McGraw-Hill纽约
[60] 阿瓦隆，E。；Baumeister，T。；Sadegh，A.，《机械工程师马克标准手册》（2007），麦格劳-希尔：麦格劳–希尔纽约
[61] 威廉姆斯，B。；沃斯威克，M。；D’Mours，G。；Rahem，A。；Mayer，R.，《成形效应对液压成形铝合金管轴向压碎响应的影响》，《国际冲击工程杂志》，第37期，第1008-1020页（2010年）
[62] 斯默德，R。；温克勒，S。；索尔兹伯里，C。；沃斯威克，M。；劳埃德博士。；Finn，M.，《汽车合金板的高应变率拉伸试验》，《国际冲击工程杂志》，32，541-560（2005）
[63] Voce，E.，《实用应变硬化功能》，《冶金》，51、307、219-226（1955）
[64] 考珀，G。；Symonds，P.，悬臂梁冲击荷载中的应变硬化和应变率效应（1957），普罗维登斯：罗德岛
[65] 佩德格纳纳，M。；García，S.，超大型高维数据的智能采样和增量函数学习，神经网络。，78, 75-87 (2016) ·Zbl 1414.68066号
[66] 阿尔伯克基，G。；Lowe，T。；Magnor，M.，高维数据集的合成生成，IEEE Trans。视觉。计算。图形，17，12，2317-2324（2011）
[67] White，T.，《采样生成网络》（2016），arXiv预印本arXiv:1609.04468
[68] Garud，S。；卡里米，I。；Kraft，M.，《计算机实验设计：综述》，《计算机》。化学。工程，106，71-95（2017）
[69] McKay，M。；贝克曼，R。；Conover，W.，在计算机代码输出分析中选择输入变量值的三种方法的比较，技术计量学，21，2，239-245（1979）·Zbl 0415.62011号
[70] Giunta，A。；Wojtkiewicz，S。；Eldred，M.，《计算模拟实验方法的现代设计概述》（第41届航空航天科学会议和展览（2003））
[71] Linshu，H.，近正交抽样和神经网络元模型驱动的多级空间运载火箭概念设计，计算-辅助设计。，38, 6, 595-607 (2006)
[72] M.阿巴迪。；阿加瓦尔，A。；巴勒姆，P。；Brevdo，E。；陈，Z。；雪铁龙，C。；Corrado，G。；A.戴维斯。；迪安·J。；德文，M。；Ghemawat，S.，Tensorflow:异构分布式系统上的大规模机器学习（2016），arXiv预印本arXiv:1603.04467
[73] 卢，L。；Shin，Y。；苏，Y。；Karniadakis，G.，《死亡关系和初始化：理论和数值示例》（2019年），arXiv预印本arXiv:1903.06733
[74] MATLAB中的统计和机器学习工具箱，MathWorks（2018）
[75] 工程师，S.o.A.，冲击试验仪器-第1部分-电子仪器SAE技术报告，J211-1（2007）
[76] 张，X。；张，H。；Wen，Z.，梯度厚度锥形圆管的轴向破碎，国际力学杂志。科学。，92, 12-23 (2015)
[77] Sun，G。；Pang，T。；徐，C。；郑庚。；宋杰，变厚度薄壁结构的能量吸收力学，薄壁结构。，118, 214-228 (2017)
[78] 张，X。；Wen，Z。；张华，梯度厚度方管的轴向破碎与优化设计，薄壁结构。，84, 263-274 (2014)
[79] Lin，Y。；Min，J.等人。；李毅。；Lin，J.，《具有定制轴向破碎特性的薄壁结构》，《国际机械杂志》。科学。，157, 119-135 (2019)
[80] Eller，T。；格雷夫，L。；安德烈斯，M。；Medricky，M。；Hatscher，A。；梅德斯，V。；van den Boogaard，A.，具有定制性能的可淬火硼钢的塑性和断裂建模，J.Mater。过程。技术，214，6，1211-1227（2014）
[81] 金马，D。；Welling，M.，自动编码变分贝叶斯（2013），arXiv预打印arXiv:1312.6114
[82] Rezende，D。；穆罕默德，S。；Wierstra，D.，深度生成模型中的随机反向传播和近似推断（2014），arXiv预印本arXiv:1401.4082
[83] 希金斯，I。；Matthey，L.公司。；Pal，A。；伯吉斯，C。；格洛洛特，X。；博特维尼克，M。；穆罕默德，S。；Lerchner，A.，Beta-vae：用约束变分框架学习基本视觉概念（2016）
[84] 伯吉斯，C。；希金斯，I。；Pal，A。；Matthey，L。；瓦特斯，N。；Desjardins，G。；Lerchner，A.，《理解beta-VAE中的解纠缠》（2018），arXiv预印本arXiv:1804.03599
[85] Cho，K。；范梅里恩博尔，B。；古尔塞，C。；巴达瑙，D。；布加尔斯，F。；施温克，H。；Bengio，Y.，使用RNN编码器进行统计机器翻译的学习短语表示（2014），arXiv预印本arXiv:1406.1078
[86] 张杰。；Lin，Y。；宋，Z。；Dhillon，I.，通过傅立叶循环单元学习长期依赖性，（国际机器学习会议（2018）），5815-5823
[87] Voelker，A。；卡吉奇，I。；Eliasmith，C.，《传奇记忆单位：递归神经网络中的连续时间表示》，（NeurIPS 2019（2019））
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。