【技术实现步骤摘要】
本专利技术属于电数字数据处理，具体涉及一种基于机器学习的载人潜水器观察窗应力预测方法。
技术介绍
1、深海载人潜水器作为海洋科学研究和资源开发的重要工具，需要在极端高压环境下实现安全运行。观察窗是载人潜水器的重要组成部分之一，通常由透明材料聚甲基丙烯酸甲酯（poly methyl methacrylate，简称 pmma）制成，为操作人员提供视野的同时，也承担了极大的深海压力。在潜水器的下潜过程中，随着外界水深和压力的增加，观察窗会经历巨大的外部载荷，产生应力积累，尤其是最大主应力（maximum principal stress）。该应力是影响观察窗结构安全性的关键因素之一，因为当最大主应力超过pmma材料的抗拉强度或抗压强度时，观察窗可能会发生拉伸破坏或压缩破坏，从而威胁到潜水器的整体安全性。因此，准确预测观察窗的最大主应力，以确保其能够承受极端外部压力，是保障载人潜水器结构完整性和乘员安全的关键。
2、在观察窗的应力预测方面，传统方法主要依赖于有限元分析（finite elementanalysis, fea）等数值模拟技术。有限元分析是一种通过将结构分解为许多微小单元，并在每个单元上进行应力、应变和位移分析，从而得到整体应力分布的有效手段。有限元分析能够在一定程度上提供观察窗在高压载荷作用下的精确应力分布，广泛应用于结构设计和安全评估。然而，由于深海载人潜水器工作环境的复杂性，外部载荷的非线性和不确定性较高，导致有限元分析在实际应用中存在诸多限制。首先，有限元分析的计算成本较高，通常需要大量计算资源和时间，难
3、综上，还需要对传统的分析方法进行改进，以便能更快速、准确地预测复杂工况下的潜水器观察窗的应力分布，特别是最大主应力；并能减少计算时间和资源消耗，还可以在较为复杂的载荷环境中提供鲁棒的应力预测结果，极大提高了应力预测的效率和适用性。
技术实现思路
1、本专利技术针对现有技术存在的问题，提供了一种基于机器学习的载人潜水器观察窗应力预测方法，以解决上述问题。
2、为实现上述目的，本专利技术采用的技术方案如下：
3、本专利技术提供了一种基于机器学习的载人潜水器观察窗应力预测方法，步骤包括：
4、采集载人潜水器观察窗的应变及压力数据，并建立所述载人潜水器观察窗的有限元模型；
5、基于所述应变及压力数据构建训练集，再基于所述训练集和所述有限元模型构建机器学习混合模型；
6、通过所述训练集对所述机器学习混合模型进行训练，并获得应力预测模型；
7、通过所述应力预测模型预测不同环境下所述载人潜水器观察窗的应力数据。
8、进一步地，步骤还包括：
9、基于所述应变及压力数据还构建有验证集和测试集；
10、在所述机器学习混合模型的训练过程中，通过所述验证集调节模型超参数；
11、在获得所述应力预测模型后，通过所述测试集评估所述应力预测模型的准确率。
12、更进一步地，所述准确率的评估方法包括：
13、基于预测的应力数据与所述测试集的应力数据计算均方误差、平均均方误差、均方根残差其中至少一种。
14、更进一步地，当所述准确率低于阈值时，重构所述机器学习混合模型，并对所述训练集进行数据扩充。
15、更进一步地，所述数据扩充的方法为增加数据采集量，和/或加入有限元分析的模拟量。
16、更进一步地，所述数据扩充的方法为加入有限元分析的模拟量，步骤包括：
17、基于压强序列对所述训练集进行排序，并建立压强与应变数据集合的映射关系，获得初始数据集；
18、基于数据密度阈值划分所述压强序列为高密度区间和低密度区间；
19、在所述高密度区间基于线性插值法插入第一压强点位；
20、在所述低密度区间基于中点插值法插入第二压强点位；
21、将所述第一、第二压强点位对应的压强值输入有限元分析模型中，得到相应的应变模拟数据；
22、将得到的所述第一、第二压强点位对应的压强值与所述应变模拟数据建立映射关系，并插入到所述初始数据集中，获得数据扩充后的训练集。
23、进一步地，所述载人潜水器观察窗的应变数据为多向应变数据；
24、所述载人潜水器观察窗的结构外部大面设有至少一个关键点，且所述关键点处采集两向应变数据，方向为0°和90°；
25、所述载人潜水器观察窗的结构内部小面设有至少一个关键点，且所述关键点处采集三向应变数据，方向为0°、45°和90°。
26、进一步地，所述机器学习混合模型的架构依次设有位置编码层、transformer层、卷积神经网络层、长短期记忆网络层。
27、进一步地，所述机器学习混合模型的架构依次设有位置编码层、transformer层、cnn层(卷积神经网络层)、lstm层(长短期记忆网络层)。
28、更进一步地，所述卷积神经网络层包括输入层、卷积层、池化层和展平层；
29、所述卷积神经网络层的输出量为所述长短期记忆网络层的输入量；
30、所述长短期记忆网络层包括全连接层和输出层；所述长短期记忆网络层的输出结果为最大主应力。
31、更进一步地，所述机器学习混合模型的超参数包括学习率、层数和神经元数量；
32、所述长短期记忆网络层中还设有dropout层。
33、相对于现有技术，本专利技术具有以下有益效果：
34、本专利技术基于数据驱动的应力预测方法为观察窗的结构安全性评估提供了新的方向；其数据驱动方法通过利用历史数据和实验数据，不依赖于复杂的物理建模过程，可以更快速、准确地预测复杂工况下的应力分布，特别是在应对非线性和高维特征数据时具有显著优势；其与传统数值模拟方法相比，机器学习的混合模型不仅能够大幅减少计算时间和资源消耗，还可以在较为复杂的载荷环境中提供鲁棒的应力预测结果，极大提高了应力预测的效率和适用性，减少计算时间并提升模型的预测精度，为载人潜水器观察窗在极端工况下的结构安全性评估提供高效、可靠的预测结果，也能为深海载人潜水器的设计、维护和实时监测提供了重要的技术支持。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的载人潜水器观察窗应力预测方法，其特征在于，步骤包括：
2.根据权利要求1所述的基于机器学习的载人潜水器观察窗应力预测方法，其特征在于，步骤还包括：
3.根据权利要求2所述的基于机器学习的载人潜水器观察窗应力预测方法，其特征在于，所述准确率的评估方法包括：
4.根据权利要求2或3所述的基于机器学习的载人潜水器观察窗应力预测方法，其特征在于，当所述准确率低于阈值时，重构所述机器学习混合模型，并对所述训练集进行数据扩充。
5.根据权利要求4所述的基于机器学习的载人潜水器观察窗应力预测方法，其特征在于，所述数据扩充的方法为增加数据采集量，和/或加入有限元分析的模拟量。
6.根据权利要求5所述的基于机器学习的载人潜水器观察窗应力预测方法，其特征在于，所述数据扩充的方法为加入有限元分析的模拟量，步骤包括：
7.根据权利要求1所述的基于机器学习的载人潜水器观察窗应力预测方法，其特征在于，所述载人潜水器观察窗的应变数据为多向应变数据；
8.根据权利要求1所述的基于机器学习的载人潜水器观察窗应
9.根据权利要求8所述的基于机器学习的载人潜水器观察窗应力预测方法，其特征在于，所述卷积神经网络层包括输入层、卷积层、池化层和展平层；
10.根据权利要求9所述的基于机器学习的载人潜水器观察窗应力预测方法，其特征在于，所述机器学习混合模型的超参数包括学习率、层数和神经元数量；
...【技术特征摘要】
1.一种基于机器学习的载人潜水器观察窗应力预测方法，其特征在于，步骤包括：
2.根据权利要求1所述的基于机器学习的载人潜水器观察窗应力预测方法，其特征在于，步骤还包括：
3.根据权利要求2所述的基于机器学习的载人潜水器观察窗应力预测方法，其特征在于，所述准确率的评估方法包括：
4.根据权利要求2或3所述的基于机器学习的载人潜水器观察窗应力预测方法，其特征在于，当所述准确率低于阈值时，重构所述机器学习混合模型，并对所述训练集进行数据扩充。
5.根据权利要求4所述的基于机器学习的载人潜水器观察窗应力预测方法，其特征在于，所述数据扩充的方法为增加数据采集量，和/或加入有限元分析的模拟量。
6.根据权利要求5所述的基于机器学习的载人潜水器观察窗应力预测方...
【专利技术属性】
技术研发人员：李德威，丁忠军，杨一帆，张奕，安习，王向鑫，王志毅，
申请(专利权)人：国家深海基地管理中心，
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。