检索结果-南通市图书馆

维普期刊数据库博看期刊

数据/物理驱动的复合材料非线性力学响应代理模型

在线全文

学校读者我要写书评

暂无评论

计算力学学报 2024年第4期41卷 726-733页

作者：明瑞典刘云飞王计真李想曾庆磊北京理工大学先进结构技术研究院北京100081 中国飞机强度研究所结构冲击动力学航空科技重点实验室西安710065 海南师范大学信息科学技术学院海口570206

复合材料因其优异的力学性能在多个工业领域获得广泛应用.复合材料结构的多尺度力学响应分析计算量巨大,对开发高效高精度的数值计算方法带来挑战.近年来深度学习等人工智能技术快速发展,为复合材料多尺度力学响应分析带来机遇.目前复... 详细信息

复合材料因其优异的力学性能在多个工业领域获得广泛应用.复合材料结构的多尺度力学响应分析计算量巨大,对开发高效高精度的数值计算方法带来挑战.近年来深度学习等人工智能技术快速发展,为复合材料多尺度力学响应分析带来机遇.目前复合材料多尺度分析采用的代理模型大多单纯由数据驱动,物理解释性较差.针对由两相超弹性材料组成的复合材料代表性体积单元,本文采用数据/物理共同驱动的神经网络建立了三种非线性力学响应代理模型,采用不同的构建策略实现在代理模型中融入不同程度的物理解释;通过对代表性体积单元等效力学行为的预测,综合对比分析了三种代理模型在计算效率、精度和适用性等方面的表现,为平衡数据驱动和物理解释性以建立有效的复合材料力学响应代理模型提供了参考.

关键词：复合材料代理模型多尺度分析数据驱动物理驱动

基于物理驱动和结构感知的织物含水量可视化研究

在线全文

学校读者我要写书评

暂无评论

基于物理驱动和结构感知的织物含水量可视化研究

作者：董文博华南理工大学

学位级别：硕士

流体的模拟仿真一直是计算机图形学领域的研究热点,研究者们不断在尝试对流体模拟仿真的真实感和计算效率进行提升。随着研究的深入,一些研究者将研究重心转移到流体与其他介质的交互上,其中流体与织物的交互是近来关注的热点之一。在... 详细信息

流体的模拟仿真一直是计算机图形学领域的研究热点,研究者们不断在尝试对流体模拟仿真的真实感和计算效率进行提升。随着研究的深入,一些研究者将研究重心转移到流体与其他介质的交互上,其中流体与织物的交互是近来关注的热点之一。在流体与织物的交互中,流体不仅在织物上扩散,同时也会被织物吸收和析出,是一个典型而又复杂的微观物理过程。相关工作对织物-流体交互做了可视效果上的仿真,包括实现大尺度的织物-流体交互,通过图片合成渲染出可视结果,实现在二维织物网格上仿真织物-流体交互过程等。而真实织物是三维各向异性的多孔结构材料,流体与三维织物的微观交互过程是非线性的多物理现象的耦合,基于物理驱动和三维真实织物结构的流体和织物的交互仿真还未有相关研究工作。本文的主要工作是基于物理驱动和结构感知的织物含水量可视化研究,根据织物不同的结构和物理属性,流体在织物上会有不同的扩散模拟结果。本文的方法主要包括流体模拟、结构感知的织物几何建模和物理驱动的织物含水量仿真三个部分。在流体模拟上,本文选用了预测矫正光滑粒子流体动力学（PCISPH）模型来高效地仿真流体,通过描述流体粒子的受力和运动来仿真整个流体的运动。同时,本文还考虑了表面张力和接触角对于流体和织物交互过程中的影响。在结构感知的织物几何建模上,本文以纱线横纵交错的编织方式为基础,设计了相应的结构感知参数来描述织物的三维真实结构。在物理驱动的织物含水量仿真上,本文通过织物芯吸模型和流体扩散模型来模拟流体的扩散,同时还考虑了扩散过程中温度、气体和液体的耦合传输,使模拟结果能够更加接近真实物理规律。在此基础上,本文进行了与真实扩散结果的对比、不同环境下的流体扩散和在不同织物结构上流体的扩散等实验,实验结果表明本文所提出的方法能够真实的模拟流体在织物上的扩散过程,也能够模拟流体在不同环境下和不同织物结构上的扩散过程。通过对于织物含水量的可视化,本研究能够为纺织应用行业提供科学的仿真工具,也扩展了织物-流体交互的可视化研究的新空间。

关键词： PCISPH 结构感知织物建模物理驱动织物-流体交互织物含水量可视化

基于神经算子与类物理信息神经网络智能求解新进展

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

力学学报 2024年第4期56卷 875-889页

作者：李道伦沈路航查文舒邢燕吕帅君汪欢李祥郝玉祥陈东升陈恩源合肥工业大学数学学院合肥230000 中国科学技术大学工程科学学院合肥230026

深度学习通过多层神经网络对数据进行学习,不仅能揭示潜藏信息,还能很好地解决复杂非线性问题.偏微分方程(PDE)是描述自然界中许多物理现象的基本数学模型.两者的碰撞与融合,产生了基于深度学习的PDE智能求解方法,它具有高效、灵活和通... 详细信息

深度学习通过多层神经网络对数据进行学习,不仅能揭示潜藏信息,还能很好地解决复杂非线性问题.偏微分方程(PDE)是描述自然界中许多物理现象的基本数学模型.两者的碰撞与融合,产生了基于深度学习的PDE智能求解方法,它具有高效、灵活和通用等优点.文章聚焦PDE智能求解方法,以是否求解单一问题为判定依据,把求解方法分为两类:神经算子方法和类物理信息神经网络(PINN)方法,其中神经算子方法用于求解一类具有相同数学特征的PDE问题,类PINN方法用于求解单一问题.对于神经算子方法,从数据驱动和物理约束两个方面展开介绍,分析研究现状并指出现有方法的不足.对于类PINN方法,首先介绍了基础PINN的3种改进方法 (基于数据优化、基于模型优化和基于领域知识优化),然后详细介绍了基于物理驱动的两类解决方案:基于传统PDE离散方程的智能求解方案和无网格的非离散求解方案.最后总结技术路线,探讨现有研究存在的不足,给出可行的研究方案.最后,简要介绍智能求解程序发展现状,并对未来研究方向给出建议.

关键词：神经网络 PDE智能求解神经算子网格离散物理驱动

非平稳随机激励下高维非线性系统可靠度分析的概率密度全局演化方法

在线全文

学校读者我要写书评

暂无评论

基于物理信息神经网络（PINN）方法的结构动力响应分析

振动工程学报 2024年第6期37卷 903-914页

作者：律梦泽陈建兵同济大学土木工程防灾减灾全国重点实验室上海 200092 同济大学土木工程学院上海 200092

实际工程结构遭受的灾害性动力作用(如强风、地震等)往往具有显著的随机性和非平稳性.对复杂随机激励下高维非线性系统的动力可靠度进行精细化分析,对于实际工程结构的抗灾设计和优化具有重要意义.基于一般连续随机过程的降维概率密度... 详细信息

实际工程结构遭受的灾害性动力作用(如强风、地震等)往往具有显著的随机性和非平稳性.对复杂随机激励下高维非线性系统的动力可靠度进行精细化分析,对于实际工程结构的抗灾设计和优化具有重要意义.基于一般连续随机过程的降维概率密度演化方程,给出了一类非平稳随机激励下的高维非线性系统动力可靠度分析方法.具体地,若仅针对系统某一感兴趣物理量在给定安全域下的首次超越问题,则可以构造该物理量在安全域内的吸收边界过程,并建立其瞬时概率密度函数满足的二维偏微分方程,即降维概率密度演化方程.方程中的本征漂移系数是驱动概率密度演化的全局性物理驱动力,可以通过对原系统有限次代表性确定性动力分析获取的数据进行数值构造.采用数值方法求解降维概率密度演化方程,即可获得系统的动力可靠度解答.文中通过两个算例验证了该方法的有效性,并讨论了需要进一步研究的问题.

关键词：降维概率密度演化方程高维非线性随机动力系统非平稳随机激励动力可靠度分析物理驱动

来源：博看期刊评论

在线全文

博看期刊

学校读者我要写书评

暂无评论

工程力学 2024年

作者：杜轲齐婧高嘉伟骆欢王自法温瑞智中国地震局工程力学研究所地震工程与工程振动重点实验室地震灾害防治应急管理部重点实验室三峡大学土木与建筑学院

经典逐步积分方法通常用于求解结构动力响应，然而时间步长取值过大，精度和稳定性会下降；时间步长取值过小，计算效率会特别低。机器学习可以显著提高学习效率，然而传统的机器学习方法需要大量训练数据才能进行结构动力响应计算。为... 详细信息

经典逐步积分方法通常用于求解结构动力响应，然而时间步长取值过大，精度和稳定性会下降；时间步长取值过小，计算效率会特别低。机器学习可以显著提高学习效率，然而传统的机器学习方法需要大量训练数据才能进行结构动力响应计算。为提高基于数据驱动机器学习方法的可解释性和泛化性，本文使用一种基于物理信息神经网络（PINN）方法来求解结构动力响应分析，将结构动力响应方程引入到损失函数中作为物理约束使神经网络具有物理含义。该方法本质上是将直接求解动力学微分方程的问题转换为损失函数的优化问题来得到常微分方程的解。随后开展不同激励下结构动力响应的算例分析，验证了所提出方法的可行性和有效性，并且讨论了不同神经网络参数对PINN模型收敛性的影响。数值算例结果表明，与数据驱动机器学习方法相比，PINN方法能够在不需要任何系统响应数据的前提下对结构动力响应进行有效分析；与经典逐步积分方法相比，所提出方法属于空间域优化过程，与时间域无关，因此不受时间步长影响。

关键词：神经网络结构动力学物理驱动无系统响应数据结构动力响应分析

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于物理-数据双驱动的地层压力预测研究

基于物理-数据双驱动的地层压力预测研究

作者：张家臣中国石油大学(北京)

学位级别：硕士

随着全球油气勘探的不断发展,越来越多的异常地层压力区域被发现。地层压力是进行钻完井施工、井壁稳定性分析和钻井液方案设计的关键参数,准确的预测地层压力尤其是异常高压在油气勘探与开发领域具有十分重要的意义。传统的地层压力预... 详细信息

随着全球油气勘探的不断发展,越来越多的异常地层压力区域被发现。地层压力是进行钻完井施工、井壁稳定性分析和钻井液方案设计的关键参数,准确的预测地层压力尤其是异常高压在油气勘探与开发领域具有十分重要的意义。传统的地层压力预测方法主要基于物理模型或者经验模型,但是随着油气勘探逐渐转向地质条件复杂的区域,受到地层性质、构造历史和沉积特征等多种因素的影响,仅仅依靠传统的物理模型已经很难充分描述地层压力的复杂变化。随着人工智能和大数据技术的发展,学界逐渐开始将机器学习用于地球物理问题的解决。因此本文在测井曲线重构实验的基础上,基于机器学习算法,从物理驱动、数据驱动和物理数据双驱动三个方面开展了地层孔隙压力预测相关方法的研究。主要研究内容和成果如下:(1)利用机器学习算法开展了测井曲线重构实验,包括测井曲线自动补全实验和自动生成实验,并结合地质背景对预测结果进行了分析。结果表明,XGBoost对于测井曲线生成表现出了较强的泛化能力,可以为后续地层压力预测提供更高质量的测井数据集。(2)利用机器学习算法对地层异常压力带进行判别并建立地层压力判别图版。初步研究了机器学习模型的可解释性,并对影响异常压力带分布的因素重要性进行了分析。(3)分别基于传统和优化的成压机制对研究区块的异常高压成因进行了分析,并基于多种理论模型对地层压力进行了预测。结果显示,Eberhart-Phillips法预测的地层压力剖面稳定性和精度最高。(4)利用机器学习算法,建立了一种基于数据驱动的地层压力多变量预测模型。对目标区块的单井地层压力进行了预测,结果表明基于机器学习的多变量地层压力预测模型对于地层压力变化趋势的捕捉更加准确,在异常压力段也能给出更加精确的预测压力。(5)基于循环神经网络,提出了一种新的物理驱动神经网络(PD-GRU)。该模型通过改变GRU网络结构以模拟物理机理,并通过梯度特征增强进行数据增维,使得模型更加适合地层实际情况,有效提高了多井条件下地层压力预测的精度和稳定性。(6)综合上述研究内容,设计开发了一套地层压力预测Web应用程序,为地层压力预测工作提供了极大的便利。基于以上研究成果,本文形成了一套利用测井资料预测地层压力的标准数字化流程,推动了地层压力预测相关领域的数字化与智能化发展,具有很高的工业应用价值。

关键词：地层压力机器学习物理驱动数据驱动 Web应用

基于机器学习的激光粉末床熔融工艺参数优化、过程监测和服役寿命预测的方法论

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

铸造技术 2024年第8期45卷 726-745页

作者：王信莲李杰万杰袁睿豪李金山王军西北工业大学凝固技术国家重点实验室陕西西安710072

激光粉末床熔融工艺(LPBF)因成形精度较高、制造周期短,成为增材制造的主流方法之一,但其制造工艺的可重复性、生产过程的可解释性和成形构件的可靠性仍面临重大挑战。LPBF成形过程涉及的参数众多,不同工艺参数的选择会导致构件内部产... 详细信息

激光粉末床熔融工艺(LPBF)因成形精度较高、制造周期短,成为增材制造的主流方法之一,但其制造工艺的可重复性、生产过程的可解释性和成形构件的可靠性仍面临重大挑战。LPBF成形过程涉及的参数众多,不同工艺参数的选择会导致构件内部产生不同类型的微观/宏观缺陷,进而影响构件的服役性能。因此明确工艺参数、缺陷和性能三者之间的联系是当前激光粉末床熔融制造的热点与难点。作为大数据与人工智能发展到一定阶段的必然产物,机器学习方法为有效处理高维物理量之间的复杂非线性关系提供了契机,在增材制造过程中工艺参数优化、缺陷监测和性能预测等方面得到持续关注。本文介绍了常用的机器学习(ML)模型,总结了LPBF中ML的输入信息,重点分析了数据驱动和物理驱动ML模型在LPBF各领域的应用,最后指出当前ML的局限性,并探讨了其发展趋势和技术前景。

关键词：参数优化缺陷监测服役寿命预测数据驱动物理驱动

在线全文

学校读者我要写书评

暂无评论

基于物理信息神经网络的薄壁结构屈曲分析

力学学报 2023年第11期55卷 2539-2553页

作者：冯唐思捷梁伟北京航空航天大学航空科学与工程学院北京100191

基于物理信息神经网络(PINN)建立了一种求解薄壁结构屈曲非线性控制方程组的方法.薄壁结构的非线性控制方程可由挠度和应力函数表示成复杂的4阶非线性偏微分方程组,使用物理信息神经网络(PINN)解法可以克服传统数值方法对求解域网格的... 详细信息

基于物理信息神经网络(PINN)建立了一种求解薄壁结构屈曲非线性控制方程组的方法.薄壁结构的非线性控制方程可由挠度和应力函数表示成复杂的4阶非线性偏微分方程组,使用物理信息神经网络(PINN)解法可以克服传统数值方法对求解域网格的依赖性.文中建立的神经网络模型根据基于加权的均方误差的损失函数更新网络参数,并用弧长法迭代的思想进行外层迭代控制以应对屈曲问题的迭代特性.将弧长法,硬边界条件,基于预训练的权重调整策略,以及自适应激活函数策略融合进网络优化的过程中使得PINN能够更为高效地求解线性与非线性屈曲问题.文章对两种典型的薄壁结构进行了屈曲模态和带有缺陷的非线性后屈曲问题求解,并将神经网络获得的解和有限元结果进行了对比.结果分析表明,物理信息神经网络方法能够在不需要标签数据的前提下对薄壁结构的屈曲问题进行有效分析,并且给予的额外标签数据能够提高此方法的求解效率.该方法虽较成熟的有限元解法收敛速度较慢,但不需要对求解域进行人为的前处理,有一定工程应用可行性.

关键词：神经网络屈曲分析薄板物理驱动非线性分析

在线全文

学校读者我要写书评

暂无评论

微纳米机器人的最新研究进展综述

机器人 2022年第6期44卷 732-749页

作者：李梦月杨佳焦念东王越超刘连庆中国科学院沈阳自动化研究所机器人学国家重点实验室辽宁沈阳110016 中国科学院机器人与智能制造创新研究院辽宁沈阳110169 中国科学院大学北京100049

对2017~2021年微纳米机器人(尺寸介于1 nm~1 mm之间)的最新研究进展进行了综述。首先从物理驱动、化学驱动、生物驱动和混合驱动4个角度对微纳米机器人在微纳米操作、集群控制、靶向治疗等方面的最新研究成果进行总结。然后从制备、定... 详细信息

对2017~2021年微纳米机器人(尺寸介于1 nm~1 mm之间)的最新研究进展进行了综述。首先从物理驱动、化学驱动、生物驱动和混合驱动4个角度对微纳米机器人在微纳米操作、集群控制、靶向治疗等方面的最新研究成果进行总结。然后从制备、定位和成像、功能化、集群等方面分析了微纳米机器人应用中面临的挑战。最后对微纳米机器人的研究进程进行总结,对未来发展趋势进行展望。

关键词：微纳米机器人物理驱动化学驱动生物驱动混合驱动