基于GoogLeNet的混凝土细观模型应力-应变曲线预测

作     者：周杰 赵婷婷 陈青青 王志勇 王志华 ZHOU Jie;ZHAO Tingting;CHEN Qingqing;WANG Zhiyong;WANG Zhihua

作者机构：太原理工大学机械与运载工程学院应用力学研究所太原030024 材料强度与结构冲击山西省重点实验室太原030024 

出 版 物：《应用数学和力学》 (Applied Mathematics and Mechanics)

年 卷 期：2022年第43卷第3期

页      面：290-299页

核心收录：

学科分类：08[工学] 081203[工学-计算机应用技术] 081304[工学-建筑技术科学] 0813[工学-建筑学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(12072217 11702186)。 

主　　题：混凝土 细观模型 GoogLeNet 卷积神经网络 应力-应变曲线 

摘      要：非均质复合材料的宏观力学性能往往取决于细观组分的分布方式和力学性能,但是建立明确的关系表达式极其困难.为了应对这一挑战,以混凝土为研究对象,提出了一种基于深度学习的策略,能够高效、准确地通过细观模型图像信息获取应力-应变曲线.首先,使用基于卷积神经网络(convolutional neural network,CNN)的GoogLeNet模型进行图像信息识别和提取,并针对应力-应变曲线的复杂性特点,进行了数据预处理操作,并且设计了相应的多任务损失函数.数据集中的细观模型图像采用基于Monte-Carlo的随机骨料模型生成,并且使用数值模拟试验获取对应细观模型的单轴压缩应力-应变曲线.最后,通过对神经网络的训练和测试评估了所提出方法的可行性.结果表明,GoogLeNet模型训练效率和预测精度均优于AlexNet和ResNet模型,具有良好的泛化能力和鲁棒性.