一种利用人工智能技术构建显示动力学模型的方法技术

本发明专利技术公开了一种利用人工智能技术构建显示动力学模型的方法。方法包括训练阶段和在线阶段。所述训练阶段包括：S11.通过显式动力学软件进行模拟分析，获得显式动力学模拟分析结果；S12.使用奇异值分解方法SVD对所述结果快照矩阵A进行分解，获得降维的基向量，以及投射矩阵V；S13.使用所述投射矩阵V的转置矩阵将所述显式动力学模拟分析结果数据集转化到K维度的降维空间；S14.构建所述K维度的降维空间的回归模型f（t，x）,使用kNN方法或高斯过程回归方法训练所述回归模型f（t，x）；S15.分析近似误差，并优化结果。并优化结果。并优化结果。

【技术实现步骤摘要】
一种利用人工智能技术构建显示动力学模型的方法


[0001]本专利技术属于信息
，具体涉及一种利用人工智能技术构建显示动力学模型的方法。

技术介绍

[0002]随着计算机软、硬件技术的巨大进步，显式动力学模拟已在科学和工程中的结构瞬态问题研究中获得了广泛的应用。显式动力学有限元分析一般应用在典型的三维非线性结构的高速碰撞、爆炸和金属变形等非线性问题求解，涉及到几何非线性、材料非线性和接触非线性的动力学瞬态问题。而材料模型一般在弹性变形之外，其模拟分析的成本和复杂度非常高。在高
和国防军工领域，有着大量的需求和应用，是不可替代的模拟分析解决方案。
[0003]显式动力学使用有限元离散求解区域，一般使用Lagrange算法、ALE算法和Euler算法。Lagrange算法的单元网格附着在材料 上，随着材料的流动而产生单元网格的变形。但是在结构变形过于巨大时，有可能使有限元网格造成严重畸变，引起数值计算的困难，甚至程序终止运算。 ALE算法和Euler算法可以克服单元严重畸变引起的数值计算困难，并实现流体
‑
固体耦合的动态分析。ALE算法先执行一个或几个Lagrange时步计算，此时单元网格随材料流动而产生变形，然后执行ALE时步计算：（1）保持变形后的物体边界条件，对内部单元进行重分网格，网格的拓扑关系保持不变，称为Smooth Step。（2）将变形网格中的单元变量（密度、能量、应力张星等）和节点速度矢量输运到重分后的新网格中，称为Advection Step。LS
‑/>DYNA还可以将Euler网格与全Lagrange有限元网格方便地耦合，以处理流体与结构在各种复杂载荷条件下的相互作用问题。
[0004]近期在利用显式动力学软件研究反应堆传感器地震响应现象时，１０s的瞬态过程模拟共耗时200小时（计算硬件：１０４核、２５６GB内存；计算软件：LS
‑
DYNA）。显然，利用这些模型开展数值实验或者进行优化设计在工程上基本不具备可行性。尽管近年来计算能力获得了巨大的进步，但受限于计算节点之间的通讯开销，仅通过并行计算技术也难以获得显著的加速效果。
[0005]显式动力学应用求解的问题一般在属性上相当复杂，尤其是多物理场问题。现有技术中，显式动力学模拟分析一个最大的缺点是计算时间过长，由于显式算法的特点，对内存和计算能力要求非常高，导致计算时间远高于普通的隐式方法。如何克服上述缺陷，提高显式动力学模拟分析的计算速度，成为本
亟待解决的课题。

技术实现思路

[0006]为克服上述现有技术的不足，本专利技术提供了一种利用人工智能技术构建显示动力学模型的方法，具体采用如下技术方案：一种利用人工智能技术构建显示动力学模型的方法，所述方法包括训练阶段和在线阶段；
所述训练阶段包括：S11.通过显式动力学软件进行模拟分析，获得显式动力学模拟分析结果；S12.使用奇异值分解方法SVD对所述结果快照矩阵A进行分解，获得降维的基向量，以及投射矩阵V；S13.使用所述投射矩阵V的转置矩阵将所述显式动力学模拟分析结果数据集转化到K维度的降维空间；S14.构建所述K维度的降维空间的回归模型f（t，x）,使用kNN方法或高斯过程回归方法训练所述回归模型f（t，x）；S15.分析近似误差，并优化结果。
[0007]进一步，所述在线阶段包括：S21.确定输入参数，时间t和N维度的其他参数集合ｘ；S22.通过回归模型f(t,x)预测输入参数对应的K维度向量结果；S23.使用投射矩阵V将K维度的降维空间向量结果投射到N维度的物理空间。
[0008]进一步，所述显式动力学模拟分析结果包括应变结果和/或应力结果；所述其他参数集合是指对应于所述显式动力学模拟分析结果的输入参数集合，所述输入参数包括模型几何参数、材料参数、约束参数、运动参数、冲击载荷参数。
[0009]进一步，所述步骤S12具体包括：所述结果快照矩阵A为m
×
n的矩阵，则对所述结果快照矩阵A进行所述奇异值分解SVD，得到：；其中， U 是一个 m
×
m 的矩阵， Σ 是一个 m
×
n 的矩阵，上述矩阵除了主对角线上的元素以外，其余元素全为0，主对角线上的每个元素都称为奇异值； V 是一个 n
×
n 的矩阵， U 和 V 都是酉矩阵，即满足UTU=I, VTV=I .进一步，通过下列公式，用最大的k个的奇异值和对应的左右奇异向量来近似描述所述结果快照矩阵A：其中k比n小很多，从而结果快照矩阵A用三个小的矩阵 Um
×
k,∑k
×
k,Vk
×
nT 来表示。
[0010]进一步，所述步骤S13中，将所述投射矩阵V的转置矩阵与结果快照矩阵A乘，得到K维度的降维空间。
[0011]进一步，所述步骤S14中，所述训练的输入数据为所述步骤S13将训练结果数据集转化到K维度的降维空间的结果。
[0012]进一步，所述步骤S14具体包括：计算下列公式即，将一个d阶多项式函数的权重向量B拟合到输出向量f(x), 针对每一个时间t，和输入参数x，通过一个这样的拟合过程，得到从N维度显式动力学模拟分析结果到K维度降维空间模型。
[0013]进一步，所述步骤S22中，通过向f(t,x)函数输入时间t和参数集合x，得到降阶系统解alfa（t,x）。
[0014]进一步，所述步骤S23包括将所述系统解alfa（t,x）投射到物理空间。
[0015]本专利技术的技术方案通过数据驱动神经网络对显式动力学模型进行降阶处理。结合侵入式范式的计算步骤来获得缩减基（Reduced basis）构建非侵入式的降阶模型，不依赖于控制方程，本质上是在输入数据和输出数据之间建立一个代理模型（Surrogate model）大幅提高固定流程模型模拟分析计算的计算速度。
附图说明
[0016]图1为本专利技术利用人工智能技术构建显示动力学模型的方法示意图。
[0017]图2为本专利技术对结果快照矩阵A进行分解的方法示意图。
[0018]图3为本专利技术近似描述结果快照矩阵A的方法示意图。
具体实施方式
[0019]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。
[0020]除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0021]如附图1所示，本专利技术的一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用人工智能技术构建显示动力学模型的方法，其特征在于，所述方法包括训练阶段和在线阶段；所述训练阶段包括：S11.通过显式动力学软件进行模拟分析，获得显式动力学模拟分析结果；S12.使用奇异值分解方法SVD对所述结果快照矩阵A进行分解，获得降维的基向量，以及投射矩阵V；S13.使用所述投射矩阵V的转置矩阵将所述显式动力学模拟分析结果数据集转化到K维度的降维空间；S14.构建所述K维度的降维空间的回归模型f（t，x）,使用kNN方法或高斯过程回归方法训练所述回归模型f（t，x）；S15.分析近似误差，并优化结果。2.根据权利要求1所述的一种利用人工智能技术构建显示动力学模型的方法，其特征在于，所述在线阶段包括：S21.确定输入参数，时间t和N维度的其他参数集合ｘ；S22.通过回归模型f(t,x)预测输入参数对应的K维度向量结果；S23.使用投射矩阵V将K维度的降维空间向量结果投射到N维度的物理空间。3.根据权利要求1所述的一种利用人工智能技术构建显示动力学模型的方法，其特征在于，所述显式动力学模拟分析结果包括应变结果和/或应力结果；所述其他参数集合是指对应于所述显式动力学模拟分析结果的输入参数集合，所述输入参数包括模型几何参数、材料参数、约束参数、运动参数、冲击载荷参数。4.根据权利要求3所述的一种利用人工智能技术构建显示动力学模型的方法，其特征在于，所述步骤S12具体包括：所述结果快照矩阵A为m
×
n的矩阵，则对所述结果快照矩阵A进行所述奇异值分解SVD，得到：；其中， U 是一个 m
×
m 的矩阵， Σ 是一个 m
×
n 的矩阵，上述矩阵除了主对角线上的元素以外，其余元素全为0，...

【专利技术属性】
技术研发人员：王斌，
申请(专利权)人：哈尔滨工业大学人工智能研究院有限公司，
类型：发明
国别省市：