×
王、贾吉；王，陈；范建生；莫Y.L。

基于时间卷积网络的本构建模深度学习框架。 （英语） Zbl 07524781号

J.计算。物理学。 449，文章ID 110784，19 p.（2022）.
摘要：提出了一种新颖高效的深度学习框架，采用时间卷积网络（TCN）模型来模拟超长历史相关应力应变本构模型。首先，总结了具有超长历史记忆的应力应变关系本构模型的实际要求，这有利于在序列建模中采用TCN模型。将用于序列建模的传统递归神经网络（RNN）与TCN模型进行了比较，说明了TCN模型用于本构建模的优势。随后，详细说明了用于钢和混凝土材料本构建模的TCN模型的结构。在TCN模型中，多个膨胀卷积层实现了长期历史相关性，而因果卷积保证应力只根据历史应变历史而不是整个加载过程进行更新。第三，建立了具有显著刚度退化、强度退化和夹挤效应的一维混凝土应力-应变关系数据集。建立了两个含钢率分别为1%和10%的一维钢筋混凝土（RC）应力应变数据集。建立了二维低屈服点钢数据集。第四，针对一维混凝土、钢材和钢筋混凝土数据集以及二维钢材数据集评估TCN模型的性能。与用于本构建模的传统RNN模型相比，TCN模型实现了更高的预测精度和效率。详细报告了核大小、卷积滤波器的隐藏维数和卷积层数对测试集性能的影响。最后，提出了所提出的TCN模型在固体力学中的三种前瞻性实现，包括物理信息机器学习、多尺度传递学习框架和有限元力法。

引用于三文件

MSC公司：

68泰克 人工智能
74立方厘米 塑料材料、应力等级材料和内变量材料
74轴 固体连续介质力学的一般性、公理学和基础

关键词：

深度学习；卷积神经网络；时间卷积网络；本构模型；长期记忆；基于物理的机器学习（PIML）

软件：

亚当；打开SeesPy；字节网；F3DAM公司；WaveNet公司
PDF格式BibTeX公司 XML格式引用
\textit{J.-J.Wang}等人，J.Compute。物理学。449，文章ID 110784，19 p.（2022；Zbl 07524781）
全文： 内政部

参考文献：

[1] Bai，S。；Kolter，J.Z。；Koltun，V.，序列建模通用卷积和递归网络的经验评估（2018）
[2] Belytschko，T.等人。；刘伟凯。；莫兰，B。；Elkhodary，K.I.，《连续统和结构的非线性有限元》（2014），John Wiley&Sons
[3] Simo，J.C。；Hughes，T.J.R.，计算非弹性（1998），Springer:Springer纽约·兹比尔0934.74003
[4] Lee，J.，《循环和动态荷载下混凝土结构塑性损伤模型的理论与实现》（1996），加州大学：加州大学伯克利分校，博士论文
[5] 乔文卡，J。；Papanikolaou，V.K.，混凝土三维复合断裂塑性材料模型，国际塑料杂志。，24, 2192-2220 (2008) ·兹伯利1419.74046
[6] 乔文卡，J。；Janda，Z。；Pryl，D.，预应力混凝土核安全壳的数值模拟，（交易（2011），SMiRT:SMiRT新德里，印度）
[7] Chaboche，J.L.，《循环塑性和循环粘塑性本构方程》，《国际塑料杂志》。，5, 247-302 (1989) ·Zbl 0695.73001号
[8] Lee，J。；Fenves，G.L.，混凝土结构循环荷载的塑性损伤模型，J.Eng.Mech。，124, 892-900 (1998)
[9] 莫哈拉米，M。；Koutromanos，I.，循环荷载下混凝土的三轴本构模型，J.Struct。工程，142（2016）
[10] Wu，J.Y。；Li，J.等人。；Faria，R.，《基于能量释放率的混凝土塑性损伤模型》，国际固体结构杂志。，43, 583-612 (2006) ·兹比尔1119.74584
[11] 坎纳，F.C。；Baíant，Z.P.，素混凝土的微平面模型M7。一： 配方，J.Eng.Mech。，139, 1714-1723 (2013)
[12] 坎纳，F.C。；Baíant，Z.P.，素混凝土的微平面模型M7。二： 校准和验证，J.Eng.Mech。，1391724-1735（2013）
[13] Maekawa，K。；冈村，H。；Pimanmas，A.，《钢筋混凝土非线性力学》（2003），中国铁道大学出版社
[14] 刘，C。；杨，Y。；王，J.-J。；范，J.-S。；陶，M.-X。；Mo，Y.L.，降低网格敏感性的隐式和显式求解器的双轴钢筋混凝土本构模型，工程结构。，219 (2020)
[15] 王，J.-J。；刘，C。；范，J.-S。；哈贾尔，J.F。；Nie，X.，复合板剪力墙-外包混凝土模拟的三轴混凝土本构模型：THUC3，J.Struct。工程，145（2019）
[16] Li，V.C.，《工程水泥基复合材料（ECC）》，J.Adv.Concr。技术。，1, 215-230 (2003)
[17] Wang，Y.-H。；唐奇。；Nie，X.，混凝土材料本构模型对结构性能影响的比较研究，Constr。构建。材料。，144475-483（2017）
[18] E、 W。；Yu，B.，The deep Ritz method：一种基于深度学习的数值算法，用于求解变分问题，Commun。数学。统计，6，1-12（2018）·Zbl 1392.35306号
[19] 萨哈，S。；甘，Z。；Cheng，L。；高杰。；卡夫卡，O.L。；谢，X。；李，H。；Tajdari，M。；Alicia Kim，H。；Liu，W.K.，分层深度学习神经网络（HiDeNN）：计算科学和工程的人工智能（AI）框架，计算。方法应用。机械。工程，373（2021）·Zbl 1506.68110号
[20] Liang，L。；刘，M。；马丁·C。；Sun，W.，《估算应力分布的深度学习方法：有限元分析的快速准确替代物》，J.R.Soc.Interface，15（2018）
[21] 阿布伊达，D.W。；Koric，S。；Sobh，N.A。；Sehitoglu，H.，《塑性和热-粘塑性的深度学习》，国际塑料杂志。，136，第102852条pp.（2021）
[22] 王，C。；Xu，L.-y。；Fan，J.-s.，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。工程，372，第113357条pp.（2020）·Zbl 1506.74072号
[23] 莫扎法尔，M。；博斯塔纳巴德，R。；Chen，W。；埃曼，K。；曹，J。；Bessa，M.A.，深度学习预测路径依赖的可塑性，Proc。国家。阿卡德。科学。美国（2019年）
[24] LeCun，Y。；Y.本吉奥。；Hinton，G.，《深度学习》，《自然》，521436-444（2015）
[25] 古德费罗，I。；约书亚，本吉奥；亚伦·库维尔（Aaron Courville），《深度学习》（2016），麻省理工学院出版社：麻省理学院出版社，美国马萨诸塞州·Zbl 1373.68009号
[26] Sutskever，I。；葡萄酒，O。；Le，Q.V.，《神经网络的序列到序列学习》，（神经信息处理系统进展27（NIPS 2014）。神经信息处理系统进展27（NIPS 2014），加拿大蒙特利尔（2014）
[27] Venugopalan，S。；罗尔巴赫，M。；Donahue，J。；穆尼，R。；Darrell，T。；Saenko，K.，序列到序列视频到文本，（2015年IEEE国际计算机视觉会议（ICCV）（2015），IEEE:IEEE圣地亚哥，智利）
[28] Ashish Vaswani，新南威尔士州。；尼基·帕玛；乌兹科雷特，雅各布；琼斯，利昂；Gomez，Aidan N。；凯撒，Ł卡斯；伊利亚州Polosukhin，《注意力是你所需要的一切》（神经信息处理系统进展30（NIPS 2017））。神经信息处理系统进展30（NIPS 2017），加利福尼亚州长滩（2017））
[29] 北卡罗来纳州帕尔马。；瓦斯瓦尼，A。；Uszkoreit，J。；凯撒，L。；Shazeer，北。；Ku，A。；Tran，D.，Image transformer，（机器学习国际会议，瑞典斯德哥尔摩国际机器学习会议（2018）），4055-4064
[30] Simoyan，K。；Zisserman，A.，《用于大规模图像识别的极深卷积网络》，（国际学习表征会议（ICLR 2015）。学习代表国际会议（ICLR 2015），加利福尼亚州圣地亚哥（2015））
[31] Hochreiter，S。；Schmidhuber，J.，长短期记忆，神经计算。，9, 1735-1780 (1997)
[32] Cho，K。；Merrienboer，B.v.公司。；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-解码器进行统计机器翻译的学习短语表示，（2014年自然语言处理经验方法会议论文集（EMNLP）（2014），计算语言学协会：计算语言学协会，卡塔尔多哈），1724-1734
[33] Aäron van den Oord，南达科他州。；Zen，Heiga；凯伦·西蒙扬（Karen Simonyan）；奥里奥尔文雅尔；亚历克斯·格雷夫斯；Nal Kalchbrenner；高级，安德鲁；Kavukcuoglu，Koray，Wavenet—原始音频的生成模型，（第九届ISCA语音合成研讨会，第九届美国ISCA语音综合研讨会，美国桑尼维尔（2016））
[34] Kalchbrenner，N。；Espeholt，L。；Simonyan，K。；奥尔德，A.v.d。；格雷夫斯，A。；Kavukcuoglu，K.，线性时间中的神经机器翻译（2016）
[35] Prabhavalkar，R。；Rao，K。；Sainath，T.N。；Li，B。；约翰逊，L。；Jaitly，N.，《语音识别序列到序列模型的比较》（Interspeech 2017（2017）），939-943
[36] Gehring，J。；Auli先生。；Grangier，D。；Yarats，D。；Dauphin，Y.N.，卷积序列到序列学习，（第34届机器学习国际会议论文集（2017）），1243-1252
[37] Long，J。；谢尔哈默，E。；Darrell，T.，语义分割的完全卷积网络，（IEEE计算机视觉和模式识别会议论文集（2015）），3431-3440
[38] Yu，F。；Koltun，V.，《通过扩展卷积进行多尺度背景聚合》，（第四届学习表征国际会议，ICLR 2016）。第四届国际学习代表大会，2016年，波多黎各圣胡安，ICLR（2016）
[39] He，K。；张，X。；Ren，S。；Sun，J.，图像识别的深度剩余学习，（计算机视觉和模式识别会议（CVPR 2016）。计算机视觉和模式识别会议（CVPR 2016），内华达州拉斯维加斯（2015），770-778
[40] 奈尔，V。；Hinton，G.E.，《校正线性单位改进受限Boltzmann机器》（第27届机器学习国际会议（ICML）论文集）。第27届国际机器学习会议（ICML）会议记录，以色列海法（2010）
[41] 徐，L。；聂，X。；范，J。；陶，M。；丁，R.，低屈服点钢BLY160的循环硬化和软化行为：实验响应和本构建模，国际塑料杂志。，78, 44-63 (2016)
[42] 金玛，D.P。；Ba，J.L.，Adam：随机优化方法（第三届学习表征国际会议，ICLR 2015）。第三届国际学习代表大会，2015年ICLR，加利福尼亚州圣地亚哥（2015））
[43] 北斯利瓦斯塔瓦。；辛顿，G。；Krizhevsky，A。；Sutskever，I。；Salakhuttinov，R.，《辍学：防止神经网络过度拟合的简单方法》，J.马赫。学习。1929-1958年第15号决议（2014年）·Zbl 1318.68153号
[44] Razvan，P。；Mikolov，T。；Bengio，Y.，理解爆炸梯度问题（2012）
[45] Lim，B。；Arik，S.O.（美国安大略省）。；洛夫，N。；Pfister，T.，《用于可解释多水平时间序列预测的时间融合变压器》，《国际预测杂志》。，37, 1748-1764 (2021)
[46] 莱斯，M。；佩迪卡里斯，P。；Karniadakis，G.E.，《基于物理的神经网络：用于解决涉及非线性偏微分方程的正问题和逆问题的深度学习框架》，J.Compute。物理。，378, 686-707 (2019) ·Zbl 1415.68175号
[47] Haghighat，E。；莱斯，M。；A.穆尔。；戈麦斯，H。；Juanes，R.，《固体力学解决方案和发现的深度学习框架》（2021年），预印本
[48] 张，L。；Cheng，L。；Li，H.Y。；Gao，J.Y。；Yu，C。；Domel，R。；杨，Y。；唐三秋。；Liu，W.K.，分层深度学习神经网络：有限元及其以外，计算。机械。，67, 207-230 (2021) ·Zbl 07360501号
[49] 朱，M。；McKenna，F。；OpenSeesPy，M.H.Scott，OpenSees有限元框架的Python库，SoftwareX，7，6-11（2018）
[50] 马斯特斯，D。；Luschi，C.，重新审视深度神经网络的小批量训练（2018）
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。