原文传递
基于神经网络对预制裂纹板模型的裂纹扩展过程预测
| 论文题名： | 基于神经网络对预制裂纹板模型的裂纹扩展过程预测 |
| 关键词： | 近场动力学;裂纹扩展;计算时间;生成对抗网络;裂纹预测;前馈神经网络 |
| 摘要： | 近场动力学理论(Peridynamics,PD)作为一种非局部的理论，以积分形式构建运动方程，对在多部位萌生、沿任意路径进行扩展的裂纹进行模拟计算。但近场动力学理论存在计算过程复杂，仿真时间长，模型越大计算周期越长等问题。以目前计算机的计算能力难以实现对裂纹与损伤状态进行实时的可视化仿真模拟和预测。随着深度学习相关理论的发展，可以为上述问题提供切实可行的解决方案。本文基于生成对抗网络(GenerativeAdversarialNetwork,GAN)提出了对裂纹与损伤状态进行可视化仿真模拟与预测的方法，以解决近场动力学模型计算时间较长的问题。同时为了计算模型中任意位置处的损伤值，提出了基于反向传播(Back-propagation,BP)神经网络模型拟合R，G，B颜色值与损伤值函数关系的方法，并基于预制裂纹板模型验证上述方法的有效性。 本文主要内容分为三个部分：(1)基于近场动力学算法构建数据集。该数据集分为两个部分，第一个部分为表现裂纹或损伤状态的损伤云图数据集。该数据集的制作流程：基于预制裂纹板模型，通过非连续伽辽金有限元法得到数值结果，利用可视化软件将数值结果转化成损伤云图，然后结合相应的加载条件构建损伤云图数据集。第二部分是将损伤云图中的R，G，B颜色值与损伤值组合构建的损伤值数据集。(2)构建裂纹扩展预测模型。该模型分为两个部分，其一为裂纹预测模型，其二为损伤值预测模型。裂纹预测模型用于对预制裂纹板模型的裂纹或损伤状态进行预测。同时为了加速裂纹预测模型的收敛，提高图像结果的质量，将WGAN(WasserteinGAN)、WGAN-GP(Gradientpenalty)、IN(InstanceNormalization)、BN(BatchNormalization)等算法引入裂纹预测模型中进行训练。为了实现监督学习，引入欧氏距离指导裂纹预测模型的生成方向。裂纹预测模型获得的为图像结果，无法获取损伤值进行数值分析。本文构建损伤值预测模型，实现了基于图像R，G，B颜色值信息到损伤值的计算。(3)将通过本文提出的方法得到的结果与近场动力学算法得到的结果进行对比分析，验证方法的有效性。 本文对比了裂纹扩展预测模型和近场动力学算法的计算时间和计算结果，对所提出方法的有效性进行验证。结果表明：(1)裂纹预测模型可以根据加载条件实时对预制裂纹板模型的裂纹扩展过程与损伤状态进行可视化仿真与预测。(2)裂纹预测模型可准确预测预制裂纹板模型在不同加载条件下的裂纹扩展形状与损伤状态，以及损伤值在模型中变化的趋势。(3)损伤值预测模型可根据像素点的R，G，B颜色值信息准确计算出像素点所在位置处对应的损伤值结果，从而根据裂纹预测模型的结果，计算模型中任意位置处的损伤值。 |
| 作者： | 杜超群 |
| 专业： | 车辆工程 |
| 导师： | 郑国君 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连理工大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
