本發(fā)明涉及計(jì)算力學(xué)與人工智能，尤其涉及一種基于cgpinns的應(yīng)力強(qiáng)度預(yù)測(cè)方法及裝置。

背景技術(shù)：

1、在工程領(lǐng)域，準(zhǔn)確預(yù)測(cè)結(jié)構(gòu)的最大應(yīng)力強(qiáng)度對(duì)于確保結(jié)構(gòu)安全和可靠性至關(guān)重要。傳統(tǒng)的應(yīng)力強(qiáng)度計(jì)算方法，如解析法和有限元法，在面對(duì)復(fù)雜結(jié)構(gòu)和多尺度問(wèn)題時(shí)存在諸多局限性。解析法僅適用于簡(jiǎn)單幾何形狀和邊界條件的結(jié)構(gòu)，對(duì)于復(fù)雜結(jié)構(gòu)難以求解；有限元法雖然應(yīng)用廣泛，但在處理多尺度問(wèn)題時(shí)計(jì)算成本高昂且效率低下。

2、隨著人工智能技術(shù)的發(fā)展，物理信息神經(jīng)網(wǎng)絡(luò)(pinns)為解決此類問(wèn)題提供了新途徑。pinns將物理定律融入神經(jīng)網(wǎng)絡(luò)，減少了對(duì)大量數(shù)據(jù)的依賴，提高了模型的泛化能力。然而，傳統(tǒng)pinns在處理高精度和多尺度的最大應(yīng)力強(qiáng)度預(yù)測(cè)時(shí)，精度仍有待提高。梯度增強(qiáng)物理信息神經(jīng)網(wǎng)絡(luò)(gpinns)雖試圖改進(jìn)，但在計(jì)算一階導(dǎo)數(shù)時(shí)面臨數(shù)值不穩(wěn)定和誤差累積的問(wèn)題，影響了預(yù)測(cè)的準(zhǔn)確性。

3、所以本技術(shù)提供一種基于cgpinns的應(yīng)力強(qiáng)度預(yù)測(cè)方法及裝置。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問(wèn)題在于，傳統(tǒng)pinns在處理高精度和多尺度的最大應(yīng)力強(qiáng)度預(yù)測(cè)時(shí)，精度仍有待提高。梯度增強(qiáng)物理信息神經(jīng)網(wǎng)絡(luò)(gpinns)雖試圖改進(jìn)，但在計(jì)算一階導(dǎo)數(shù)時(shí)面臨數(shù)值不穩(wěn)定和誤差累積的問(wèn)題，影響了預(yù)測(cè)的準(zhǔn)確性，所以提供一種基于cgpinns的應(yīng)力強(qiáng)度預(yù)測(cè)方法及裝置，所述一種基于cgpinns的應(yīng)力強(qiáng)度預(yù)測(cè)方法包括：

2、s1.基于中心差分增強(qiáng)物理信息神經(jīng)網(wǎng)絡(luò)建立輸入層、隱藏層和輸出層，構(gòu)建物理信息神經(jīng)網(wǎng)絡(luò)模型；獲取數(shù)據(jù)，將數(shù)據(jù)導(dǎo)入物理信息神經(jīng)網(wǎng)絡(luò)模型中，獲得計(jì)算完成的數(shù)據(jù)，將計(jì)算完成的數(shù)據(jù)劃分為測(cè)試集、驗(yàn)證集和訓(xùn)練集，通過(guò)訓(xùn)練集和驗(yàn)證集對(duì)物理信息神經(jīng)網(wǎng)絡(luò)模型進(jìn)行性能評(píng)估；

3、s2.構(gòu)建損失函數(shù)，計(jì)算pde域內(nèi)點(diǎn)殘差并加權(quán)納入損失函數(shù)，通過(guò)賦值對(duì)權(quán)重進(jìn)行賦值，判斷權(quán)重對(duì)模型預(yù)測(cè)結(jié)果的影響，確定最優(yōu)權(quán)重組合；

4、s3.通過(guò)adam算法優(yōu)化對(duì)各向同性材料計(jì)算梯度的一階矩估計(jì)和二階矩估計(jì)，根據(jù)一階矩估計(jì)和二階矩估計(jì)調(diào)整每個(gè)參數(shù)的學(xué)習(xí)率，確定最優(yōu)學(xué)習(xí)率和中心差分步長(zhǎng)的最佳組合；

5、s4.根據(jù)應(yīng)力分布，利用euler-bernoulli梁理論考慮邊界條件的影響因素，預(yù)測(cè)復(fù)合材料的最大應(yīng)力強(qiáng)度值。

6、可選的，所述基于中心差分增強(qiáng)物理信息神經(jīng)網(wǎng)絡(luò)建立輸入層、隱藏層和輸出層，構(gòu)建物理信息神經(jīng)網(wǎng)絡(luò)模型包括：

7、s1.1.基于中心差分增強(qiáng)物理信息神經(jīng)網(wǎng)絡(luò)建立輸入層、隱藏層和輸出層，構(gòu)建物理信息神經(jīng)網(wǎng)絡(luò)模型；

8、s1.2.獲取若干數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，

9、lu:＝f(-δu＝f)；

10、s1.3.利用偏微分方程處理邊界內(nèi)的神經(jīng)元：

11、

12、s1.4.引入時(shí)間后再對(duì)神經(jīng)元進(jìn)行偏微分：

13、

14、s1.5.將數(shù)據(jù)進(jìn)行歸一化處理，使不同量級(jí)和性質(zhì)的數(shù)據(jù)在同一數(shù)量級(jí)范圍，對(duì)輸入數(shù)據(jù)進(jìn)行加權(quán)求和并通過(guò)激活函數(shù)進(jìn)行非線性變換；

15、s1.6.經(jīng)過(guò)步驟s1.2-s1.5處理的數(shù)據(jù)進(jìn)入物理信息神經(jīng)網(wǎng)絡(luò)模型的輸入層，依次經(jīng)過(guò)輸入層、隱藏層和輸出層，從輸出層輸出，得到應(yīng)力強(qiáng)度的預(yù)測(cè)結(jié)果。

16、可選的，所述通過(guò)訓(xùn)練集和驗(yàn)證集對(duì)物理信息神經(jīng)網(wǎng)絡(luò)模型進(jìn)行性能評(píng)估中具體的性能評(píng)估公式包括：

17、

18、其中，α*所代表的是物理信息神經(jīng)網(wǎng)絡(luò)模型的神經(jīng)網(wǎng)絡(luò)架構(gòu)正在搜索的最優(yōu)架構(gòu)，ω*代表的是物理信息神經(jīng)網(wǎng)絡(luò)模型的神經(jīng)網(wǎng)絡(luò)架構(gòu)正在搜索的最優(yōu)架構(gòu)的參數(shù)。

19、可選的，所述adam算法的具體計(jì)算流程包括：

20、計(jì)算迭代次數(shù)t對(duì)應(yīng)的梯度gt，具體計(jì)算公式為：

21、

22、更新一階矩估計(jì)：

23、mt＝β1mt-1+(1-β1)gt；

24、更新二階矩估計(jì)：

25、

26、對(duì)一階矩估計(jì)和二階矩估計(jì)進(jìn)行偏差修正：

27、

28、更新參數(shù)θ：

29、

30、其中，θ為優(yōu)化的參數(shù)，t為當(dāng)前迭代次數(shù)，α為學(xué)習(xí)率，β1和β2為指數(shù)衰減率，ε是一個(gè)用于防止除零操作的數(shù)。

31、可選的，所述euler-bernoulli梁理論的正向問(wèn)題可描述為：

32、

33、其中，x∈[0，π]，t∈[0,1]，wi(i＝1,2)是第一位點(diǎn)的橫向位移和第二根橫梁的加速度，是相應(yīng)橫梁的加速度，是相應(yīng)橫梁的彎曲度，ei是橫梁的慣性矩，ii是橫梁的密度，ρi是橫梁的橫截面積，ai是連接兩根橫梁的溫克勒地基的剛度，k是作用在兩根橫梁上的橫向力。

34、可選的，所述總損失函數(shù)表示為：

35、

36、msepde＝msep+mseg+msec；

37、其中，msepde為偏微分方程誤差，msebc為邊界條件誤差，msep、mseg和msec分別為平衡方程、幾何方程和本構(gòu)方程的誤差，和分別為損失函數(shù)的權(quán)重；

38、權(quán)重取誤差方程的具體表達(dá)式為：

39、

40、邊界誤差的具體表達(dá)式為：

41、

42、其中，np為隨機(jī)生成內(nèi)質(zhì)點(diǎn)的數(shù)據(jù)，nb為隨機(jī)生成邊界指點(diǎn)的取點(diǎn)數(shù)目。

43、本發(fā)明第二方面還提供一種基于cgpinns的應(yīng)力強(qiáng)度預(yù)測(cè)裝置，所述基于cgpinns的應(yīng)力強(qiáng)度預(yù)測(cè)裝置包括：

44、神經(jīng)網(wǎng)絡(luò)建立模塊，用于基于中心差分增強(qiáng)物理信息神經(jīng)網(wǎng)絡(luò)建立輸入層、隱藏層和輸出層，構(gòu)建物理信息神經(jīng)網(wǎng)絡(luò)模型；獲取數(shù)據(jù)，將數(shù)據(jù)導(dǎo)入物理信息神經(jīng)網(wǎng)絡(luò)模型中，獲得計(jì)算完成的數(shù)據(jù)，將計(jì)算完成的數(shù)據(jù)劃分為測(cè)試集、驗(yàn)證集和訓(xùn)練集，通過(guò)訓(xùn)練集和驗(yàn)證集對(duì)物理信息神經(jīng)網(wǎng)絡(luò)模型進(jìn)行性能評(píng)估；

45、損失函數(shù)權(quán)重確定模塊，用于通過(guò)損失函數(shù)的構(gòu)建，計(jì)算pde域內(nèi)點(diǎn)殘差并加權(quán)納入損失函數(shù)，通過(guò)實(shí)驗(yàn)和分析不同權(quán)重對(duì)模型預(yù)測(cè)結(jié)果的影響，確定最優(yōu)權(quán)重組合；

46、算法優(yōu)化模塊，用于通過(guò)adam算法優(yōu)化對(duì)各向同性材料計(jì)算梯度的一階矩估計(jì)和二階矩估計(jì)，根據(jù)一階矩估計(jì)和二階矩估計(jì)調(diào)整每個(gè)參數(shù)的學(xué)習(xí)率，確定最優(yōu)學(xué)習(xí)率和中心差分步長(zhǎng)的最佳組合；

47、應(yīng)力強(qiáng)度預(yù)測(cè)模塊，用于根據(jù)應(yīng)力分布，利用euler-bernoulli梁理論考慮邊界條件的影響因素，預(yù)測(cè)復(fù)合材料的最大應(yīng)力強(qiáng)度值。

48、本發(fā)明第三方面還提供一種電子設(shè)備，所述電子設(shè)備包括存儲(chǔ)器和至少一個(gè)處理器，所述存儲(chǔ)器中存儲(chǔ)有指令和數(shù)據(jù)；

49、所述至少一個(gè)處理器調(diào)用所述存儲(chǔ)器中的所述指令和數(shù)據(jù)，以使得所述電子設(shè)備執(zhí)行如上任一項(xiàng)所述的基于cgpinns的應(yīng)力強(qiáng)度預(yù)測(cè)方法的各個(gè)步驟。

50、本發(fā)明第四方面還提供一種可讀存儲(chǔ)介質(zhì)，所述可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有指令和數(shù)據(jù)，所述指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上任一項(xiàng)的基于cgpinns的應(yīng)力強(qiáng)度預(yù)測(cè)方法的各個(gè)步驟。

51、實(shí)施本發(fā)明，具有如下有益效果：

52、1.本發(fā)明根據(jù)cgpinns所得到的應(yīng)力分布，借助優(yōu)化的損失函數(shù)和訓(xùn)練算法有效地學(xué)習(xí)到應(yīng)力強(qiáng)度預(yù)測(cè)所需的參數(shù)，從而預(yù)測(cè)最大應(yīng)力強(qiáng)度。考慮到新的結(jié)構(gòu)設(shè)計(jì)或不同的載荷條件等因素的不確定性，借助中央差分的對(duì)稱性，cgpinns在求解pde過(guò)程中能夠減少數(shù)值不穩(wěn)定性。這使得模型在面對(duì)各種復(fù)雜工況和結(jié)構(gòu)特性時(shí)，都能可靠地提供應(yīng)力強(qiáng)度預(yù)測(cè)，為工程結(jié)構(gòu)的安全評(píng)估和設(shè)計(jì)提供穩(wěn)定的支持。

53、2.本發(fā)明采納了cgpinns方法，借助損失函數(shù)的求解過(guò)程及adam優(yōu)化器的優(yōu)勢(shì)特性，可以更快地收斂到準(zhǔn)確的解，進(jìn)一步提高了計(jì)算效率。這一改進(jìn)使得我們能夠更精確地預(yù)測(cè)材料在受力狀態(tài)下的應(yīng)力分布及其動(dòng)態(tài)變化，為航空航天、汽車制造、建筑工程等多個(gè)領(lǐng)域的復(fù)合材料結(jié)構(gòu)設(shè)計(jì)提供了堅(jiān)實(shí)的科學(xué)支撐。