【技术实现步骤摘要】
本专利技术涉及一种材料剪切非线性行为预测方法，尤其涉及一种基于增强神经网络的材料剪切非线性行为预测方法。
技术介绍
1、随着材料科学和工程技术的快速发展，复合材料因其优异的性能在航空航天、汽车制造、建筑工程等多个领域得到了广泛应用。其中，复合材料的剪切性能是决定其应用性能的关键因素之一，尤其是在承受复杂载荷条件下。复合材料在剪切过程中表现出的非线性行为，如剪切软化、剪切硬化等，对材料的设计和应用具有重要影响。因此，准确预测复合材料在剪切作用下的非线性行为对于提高其设计效率和性能预测精度具有重要意义。
2、传统的复合材料剪切行为预测方法主要依赖于经典力学模型，通过假设材料的连续性和均匀性来预测其剪切行为。这些模型的优点在于简单直观，但其适用性受到材料复杂性和非线性行为的限制。有限元分析是一种广泛应用的数值模拟方法，通过将复合材料结构离散为有限数量的单元，并考虑材料的物理性质和边界条件，有限元分析可以有效地模拟材料在不同加载条件下的剪切响应。这种方法的优点在于能够考虑材料的复杂几何形状和非均匀性，但需要大量的计算资源和时间，并且对模型参数的选择和验证要求较高。另一种常见的方法是通过实验测定复合材料的剪切行为，并将实验数据与数学模型进行拟合。这种方法的优点在于直接测量了材料的实际响应，但需要大量的实验数据和复杂的数据处理方法来获得可靠的拟合模型，并且受到实验条件的限制。
3、近年来，随着人工智能技术的飞速发展，基于神经网络的预测方法因其强大的非线性拟合能力和自适应性，为复杂系统的行为预测提供了新的解决方案。神经
技术实现思路
1、专利技术目的：本专利技术目的是提出一种基于增强神经网络的材料剪切非线性行为预测方法，实现对材料剪切非线性行为的准确预测。
2、技术方案：本专利技术包括以下步骤：实验设计和数据采集；数据预处理；数据集划分；神经网络结构设计；增强神经网络系统模型定义和训练：将实验直接测得的实验数据作为增强神经网络系统的输入和输出，并根据系统输出定义损失函数；遗传算法优化：在增强神经网络训练过程中，采用遗传算法优化网络的参数配置；模型评估、调优及验证。
3、所述增强神经网络系统中，ms和ns表示系统的输入和输出，物理未知的子系统则由一个或多个神经网络代替，神经网络的输入和输出分别为mk和nk；每个mk和nk都使用相同的神经网络。
4、所述损失函数通过系统输出ns来构建，损失函数选取均方误差：
5、
6、式中，ns是从实验中测量的系统输出，是增强神经网络系统预测的期望输出。
7、所述采用遗传算法优化网络的参数配置，具体包括：
8、s61、设置初始运行参数，包括种群大小、迭代次数、交叉概率及变异概率；
9、s62、初始化种群，对每个种群进行初始值编码；
10、s63、针对每个个体，根据其在训练数据集上的性能，计算其适应度值；
11、s64、从当前种群中选择适应度较高的个体作为父代，用于产生下一代个体；
12、s65、选中的父代个体之间进行交叉操作，生成新的子代个体；
13、s66、从种群中随机选择一个个体，按照设定的变异概率改编参数值，得到新的个体；
14、s67、计算s65和s66得到的新个体的适应度值，从中选择适应度值最高的个体，并判断是否满足结束条件，如果满足结束条件则完成遗传算法优化，如果不满足结束条件则重复步骤s64～s66，直至得到的个体适应度值满足结束条件为止，并得到遗传算法优化后的bp神经网络权值的阈值。
15、所述实验设计和数据采集具体为：进行材料的拉伸试验，并对其进行力学性能测试，以获取实验数据。
16、所述数据预处理为：对实验数据进行预处理，包括数据清洗、去除噪声以及数据归一化。
17、所述数据集划分为：将预处理后的数据集划分为训练集和测试集，其中训练集用于训练神经网络模型，测试集用于评估模型性能。
18、所述神经网络结构设计为：根据实际需求确定神经网络模型的结构，包括确定隐藏层数量、每层隐藏层的神经元个数以及选择激活函数。
19、所述模型评估为：使用训练好的增强神经网络模型对测试集中的数据进行预测，通过比较预测结果与实际观测值之间的误差来评估模型的性能。
20、所述模型验证为：验证模型的鲁棒性，确保其在未知数据上的预测能力。
21、有益效果：本专利技术具有以下优点：
22、(1)本专利技术利用神经网络强大的非线性建模能力，将人工神经网络模型应用于材料剪切非线性行为预测，响应快，精度高；
23、(2)通过重新定义损失函数和使用遗传算法优化，本专利技术能够更准确地从实验中可直接测量数据中学习复合材料的剪切非线性本构关系，可以在全局范围内寻找最优解，避免了陷入局部最优的问题，从而提升了模型训练的效率和效果；
24、(3)本专利技术主要针对复合材料剪切非线性行为的预测，但其方法和原理也适用于其他材料性能的预测和分析，这种通用性和灵活性意味着该预测系统有着广泛的应用前景，从材料科学到工程设计，都可能从中受益。
本文档来自技高网...【技术保护点】
1.一种基于增强神经网络的材料剪切非线性行为预测方法，其特征在于，包括以下步骤：实验设计和数据采集；数据预处理；数据集划分；神经网络结构设计；增强神经网络系统模型定义和训练：将实验直接测得的实验数据作为增强神经网络系统的输入和输出，并根据系统输出定义损失函数；遗传算法优化：在增强神经网络训练过程中，采用遗传算法优化网络的参数配置；模型评估、调优及验证。
2.根据权利要求1所述的一种基于增强神经网络的材料剪切非线性行为预测方法，其特征在于，所述增强神经网络系统中，Ms和Ns表示系统的输入和输出，物理未知的子系统则由一个或多个神经网络代替，神经网络的输入和输出分别为mk和nk；每个mk和nk都使用相同的神经网络。
3.根据权利要求2所述的一种基于增强神经网络的材料剪切非线性行为预测方法，其特征在于，所述损失函数通过系统输出Ns来构建，损失函数选取均方误差：
4.根据权利要求1所述的一种基于增强神经网络的材料剪切非线性行为预测方法，其特征在于，所述采用遗传算法优化网络的参数配置，具体包括：
5.根据权利要求1所述的一种基于增强神经网络的材
6.根据权利要求5所述的一种基于增强神经网络的材料剪切非线性行为预测方法，其特征在于，所述数据预处理为：对实验数据进行预处理，包括数据清洗、去除噪声以及数据归一化。
7.根据权利要求6所述的一种基于增强神经网络的材料剪切非线性行为预测方法，其特征在于，所述数据集划分为：将预处理后的数据集划分为训练集和测试集，其中训练集用于训练神经网络模型，测试集用于评估模型性能。
8.根据权利要求1所述的一种基于增强神经网络的材料剪切非线性行为预测方法，其特征在于，所述神经网络结构设计为：根据实际需求确定神经网络模型的结构，包括确定隐藏层数量、每层隐藏层的神经元个数以及选择激活函数。
9.根据权利要求4所述的一种基于增强神经网络的材料剪切非线性行为预测方法，其特征在于，所述模型评估为：使用训练好的增强神经网络模型对测试集中的数据进行预测，通过比较预测结果与实际观测值之间的误差来评估模型的性能。
10.根据权利要求9所述的一种基于增强神经网络的材料剪切非线性行为预测方法，其特征在于，所述模型验证为：验证模型的鲁棒性，确保其在未知数据上的预测能力。
...【技术特征摘要】
1.一种基于增强神经网络的材料剪切非线性行为预测方法，其特征在于，包括以下步骤：实验设计和数据采集；数据预处理；数据集划分；神经网络结构设计；增强神经网络系统模型定义和训练：将实验直接测得的实验数据作为增强神经网络系统的输入和输出，并根据系统输出定义损失函数；遗传算法优化：在增强神经网络训练过程中，采用遗传算法优化网络的参数配置；模型评估、调优及验证。
2.根据权利要求1所述的一种基于增强神经网络的材料剪切非线性行为预测方法，其特征在于，所述增强神经网络系统中，ms和ns表示系统的输入和输出，物理未知的子系统则由一个或多个神经网络代替，神经网络的输入和输出分别为mk和nk；每个mk和nk都使用相同的神经网络。
3.根据权利要求2所述的一种基于增强神经网络的材料剪切非线性行为预测方法，其特征在于，所述损失函数通过系统输出ns来构建，损失函数选取均方误差：
4.根据权利要求1所述的一种基于增强神经网络的材料剪切非线性行为预测方法，其特征在于，所述采用遗传算法优化网络的参数配置，具体包括：
5.根据权利要求1所述的一种基于增强神经网络的材料剪切非线性行为预测方法，其特征在于，所述实验设计和数据采集具体为：进...
【专利技术属性】
技术研发人员：马学仕，钮广泉，王佳，方记文，李冲，卢道华，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。