【技术实现步骤摘要】
本专利技术涉及检测，更具体地说是一种基于深度学习的炸药圆柱件三维残余应力反演方法。
技术介绍
1、在工业生产中，残余应力被认为是导致工件变形的最主要的因素，会影响到工件产品使用寿命、材料性能。pbx(高聚物粘结炸药)材料作为一种热压成型的高填充类复合材料，热压导致pbx内部晶体的相互作用使得pbx内部产生复杂的残余应力。内部残余应力对材料力学性能及其破坏行为等均有显著影响。因此，了解pbx材料内部残余应力的精确分布对于改善材料力学性能、优化材料生产配方有着十分重要的作用。
2、目前，现有的残余应力测试方法虽然能够在一定程度上测量材料局部残余应力，但在测量数据维度上存在不足，难以获取材料内部的三维残余应力分布。例如，x射线衍射法主要测量表面应力，深度有限；孔钻法和盲孔法虽然可以测量一定深度的残余应力，但数据维度单一，难以全面反映复杂内部应力场。此外，这些方法的实验过程复杂、耗时且对样品具有一定的破坏性，限制了其在实际应用中的普遍性和有效性。
技术实现思路
1、本专利技术针对现有检测残余应力方法在获取数据维度单一方面存在的不足，提出了一种基于深度学习的炸药圆柱件三维残余应力反演方法，通过光纤收集剥层去除材料产生的应变信号，利用深度学习获取残余应力分布特征，反推初始的残余应力三维分布情况。
2、本说明书实施例的一个方面提供一种基于深度学习的炸药圆柱件三维残余应力反演方法，包括：
3、建立各个温度函数下剥层应变的数据集；
4、构建形成适用于炸
5、将实验数据输入全连接神经网络反演模型，输出实验样品的残余应力三维残余应力分布。
6、在一些实施例中，所述建立各个温度函数下剥层应变的数据集，包括：基于残余应力产生机理进行有限元模拟，根据降温过程中最大热通量的分布情况，建立温度分布函数；将获得的温度分布函数，输入有限元模型，并对圆柱形样品进行剥层实验，获取包含不同温度函数参数与其剥层应变，建立各个温度函数下剥层应变的数据集。
7、在一些实施例中，所述有限元模型的建立：通过有限元分析软件构建样品的几何模型，并根据样品的残余应力产生机理，模拟其残余应力的基本分布特征。
8、在一些实施例中，所述温度分布函数的生成：基于残余应力产生机理开展有限元模拟，根据炸药圆柱件降温过程中的最大热通量分布形式，建立温度分布函数(t(x,y,z))作为温度场，通过预置温度场的方式直接预置残余应力。
9、在一些实施例中，对圆柱形样品进行剥层实验，包括：模拟实际的剥层实验过程，对样品施加不同的温度分布函数(t(x,y,z))，记录每次剥层后样品表面的应变数据，并作为模型训练的数据集。
10、在一些实施例中，所述建立全连接神经网络反演模型，包括：设计一个全连接神经网络结构，采用relu激活函数对网络进行非线性处理，使其能够处理输入的温度分布函数(t(x,y,z))，并预测样品的残余应力分布；将温度分布函数中的参数作为输入向量，有限元模拟后的剥层应变作为输出向量，全连接层的每个神经元都与前一层神经元相连接，形成全连接结构fcnn，通过全连接网络，建立温度分布函数中的参数与最终剥层应变之间的映射关系；
11、在一些实施例中，在全连接神经网络反演模型训练与优化包括：
12、利用均方误差构建损失函数，评估预测结果与实际测量值之间的差异；并利用adam优化器调整网络参数，自适应调整学习率；
13、使用反向传播算法更新神经网络的权重和偏置；输入数据通过神经网络，从输入层到隐藏层再到输出层，每层进行加权求和和激活函数计算；
14、在输出层计算损失函数的梯度，逆向传播到每层，计算每个参数的梯度；根据梯度和学习率，更新每层的权重和偏置；
15、通过超参数搜索方式，在每个收敛的模型中找出最优超参数，确定最佳网络结构和学习参数。
16、在一些实施例中，所述将实验数据输入全连接神经网络反演模型，输出实验样品的残余应力三维残余应力分布，包括：实验数据输入：将实验获取的温度-应变数据输入到训练好的全连接神经网络反演模型中，预测样品的三维应力场分布。
17、本专利技术的有益效果在于：
18、本专利技术的一个显著优点在于它提供了一种高效、准确的方法来反演获取炸药圆柱件等复杂样品内部的三维残余应力分布。通过结合有限元模拟和深度学习技术，本方法能够利用外部可测量的剥层应变数据，反推出难以直接测量的内部残余应力分布，从而克服了传统残余应力测量技术在获取数据维度单一方面的不足。这种方法不仅提高了残余应力分析的精度和效率，而且扩展了残余应力测量的应用范围，为炸药圆柱件等关键工程材料的应力分析和安全评估提供了一种新的技术手段。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的炸药圆柱件三维残余应力反演方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的炸药圆柱件三维残余应力反演方法，其特征在于，所述建立各个温度函数下剥层应变的数据集，包括：基于残余应力产生机理进行有限元模拟，根据降温过程中最大热通量的分布情况，建立温度分布函数；将获得的温度分布函数，输入有限元模型，并对圆柱形样品进行剥层实验，获取包含不同温度函数参数与其剥层应变，建立各个温度函数下剥层应变的数据集。
3.根据权利要求2所述的一种基于深度学习的炸药圆柱件三维残余应力反演方法，其特征在于，所述有限元模型的建立：通过有限元分析软件构建样品的几何模型，并根据样品的残余应力产生机理，模拟其残余应力的基本分布特征。
4.根据权利要求2所述的一种基于深度学习的炸药圆柱件三维残余应力反演方法，其特征在于，所述温度分布函数的生成：基于残余应力产生机理开展有限元模拟，根据炸药圆柱件降温过程中的最大热通量分布形式，建立温度分布函数(T(x,y,z))作为温度场，通过预置温度场的方式直接预置残余应力。
5.根据权利要求2所
6.根据权利要求1所述的一种基于深度学习的炸药圆柱件三维残余应力反演方法，其特征在于，所述建立全连接神经网络反演模型，包括：设计一个全连接神经网络结构，采用ReLU激活函数对网络进行非线性处理，使其能够处理输入的温度分布函数(T(x,y,z))，并预测样品的残余应力分布；将温度分布函数中的参数作为输入向量，有限元模拟后的剥层应变作为输出向量，全连接层的每个神经元都与前一层神经元相连接，形成全连接结构FCNN，通过全连接网络，建立温度分布函数中的参数与最终剥层应变之间的映射关系。
7.根据权利要求6所述的一种基于深度学习的炸药圆柱件三维残余应力反演方法，其特征在于，在全连接神经网络反演模型训练与优化包括：
8.根据权利要求1所述的一种基于深度学习的炸药圆柱件三维残余应力反演方法，其特征在于，所述将实验数据输入全连接神经网络反演模型，输出实验样品的残余应力三维残余应力分布，包括：实验数据输入：将实验获取的温度-应变数据输入到训练好的全连接神经网络反演模型中，预测样品的三维应力场分布。
...【技术特征摘要】
1.一种基于深度学习的炸药圆柱件三维残余应力反演方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的炸药圆柱件三维残余应力反演方法，其特征在于，所述建立各个温度函数下剥层应变的数据集，包括：基于残余应力产生机理进行有限元模拟，根据降温过程中最大热通量的分布情况，建立温度分布函数；将获得的温度分布函数，输入有限元模型，并对圆柱形样品进行剥层实验，获取包含不同温度函数参数与其剥层应变，建立各个温度函数下剥层应变的数据集。
3.根据权利要求2所述的一种基于深度学习的炸药圆柱件三维残余应力反演方法，其特征在于，所述有限元模型的建立：通过有限元分析软件构建样品的几何模型，并根据样品的残余应力产生机理，模拟其残余应力的基本分布特征。
4.根据权利要求2所述的一种基于深度学习的炸药圆柱件三维残余应力反演方法，其特征在于，所述温度分布函数的生成：基于残余应力产生机理开展有限元模拟，根据炸药圆柱件降温过程中的最大热通量分布形式，建立温度分布函数(t(x,y,z))作为温度场，通过预置温度场的方式直接预置残余应力。
5.根据权利要求2所述的一种基于深度学习的炸药圆柱件三维残余应力反演方法，其特征在于，对圆柱形样品进行剥...
【专利技术属性】
技术研发人员：颜熹琳，文乾乾，刘华鹏，付涛，唐维，孙文旭，
申请(专利权)人：中国工程物理研究院化工材料研究所，
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。