本發(fā)明涉及機器學習與地面力學預(yù)測，尤其涉及一種基于gan和cnn-bpnn的濕顆粒介質(zhì)力學特性預(yù)測方法。

背景技術(shù)：

1、機器人在星壤和海底泥沙等由顆粒介質(zhì)形成的非結(jié)構(gòu)化地面運動能力衰減極其嚴重。顆粒介質(zhì)地面在低速擾動時表現(xiàn)出流動性，在高速沖擊時又表現(xiàn)出一定的固體特性，其復雜的物理特性對機器人的高效作業(yè)提出了巨大挑戰(zhàn)。兩棲環(huán)境中的海底以及沙灘靠近水的區(qū)域通常是由水沙混合物形成的濕顆粒介質(zhì)地面，沙子和水混合后導致其力學性質(zhì)變得更加復雜，機器人在該地面的足地交互力學特性預(yù)測是兩棲機器人研發(fā)過程中需要解決的關(guān)鍵問題。

2、迄今為止，盡管機器學習方法極大地促進了非線性動力學預(yù)測的研究，但將這些方法應(yīng)用于機器人在顆粒介質(zhì)地面足地交互力學特性預(yù)測仍然是一個挑戰(zhàn)。一方面，大多數(shù)傳統(tǒng)的機器學習方法難以適應(yīng)顆粒介質(zhì)地面的復雜機理、高度非線性以及數(shù)據(jù)高維度特性，因為它們的特征提取能力較淺，且與基于物理公式的模型相比，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中提取的特征信息難以從物理原理上進行直觀解釋，模型中的大多數(shù)參數(shù)也缺乏明確的物理意義。另一方面，一個訓練良好的ml模型通常需要大量的實驗數(shù)據(jù)，這既耗時又昂貴。

3、因此，亟需一種對機器人在飽和濕顆粒介質(zhì)地面的足地交互力學特性進行預(yù)測的方法，旨在通過探索機器學習與物理模型結(jié)合進行機器人在復雜機理地面上運動的足地交互力學特性預(yù)測，來為這一不斷發(fā)展的研究領(lǐng)域做出貢獻。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種基于gan和cnn-bpnn的濕顆粒介質(zhì)力學特性預(yù)測方法，通過基于實物實驗所得數(shù)據(jù)和vof模型建立高保真的多相流耦合仿真、gan神經(jīng)網(wǎng)絡(luò)加強數(shù)據(jù)集分布、cnn-bpnn神經(jīng)網(wǎng)絡(luò)模型、融合物理知識等創(chuàng)新點，為濕顆粒介質(zhì)地面力學特性預(yù)測提供一種更為精確和有效的手段，不僅提高預(yù)測的準確性和效率，也為顆粒介質(zhì)地面力學特性研究和工程應(yīng)用提供更好的支持。

2、為實現(xiàn)上述目的，本發(fā)明提供了一種基于gan和cnn-bpnn的濕顆粒介質(zhì)力學特性預(yù)測方法，包括以下步驟：

3、步驟s1、采集機器人足部在濕顆粒介質(zhì)地面運動的數(shù)據(jù)，并確定對結(jié)果影響最大的因素，并確定對結(jié)果影響最大的因素；

4、步驟s2、根據(jù)實物實驗所得數(shù)據(jù)，基于vof模型建立高保真流-固-顆粒耦合仿真環(huán)境；

5、步驟s3、使用gan神經(jīng)網(wǎng)絡(luò)加強數(shù)據(jù)集分布；

6、步驟s4、基于rft模型進行物理公式推導；

7、步驟s5、構(gòu)建cnn-bpnn神經(jīng)網(wǎng)絡(luò)模型，將推導的物理公式插入損失函數(shù)；

8、步驟s6、利用搭建好的網(wǎng)絡(luò)模型對機器人足部在濕顆粒介質(zhì)地面運動的數(shù)據(jù)進行預(yù)測，獲得預(yù)測值。

9、優(yōu)選的，濕顆粒介質(zhì)地面的力學參數(shù)采集包括兩個部分，第一部分通過數(shù)據(jù)采集，確定要研究的變量，并通過正交實驗法進行實驗設(shè)計；第二部分為數(shù)據(jù)精準測試，根據(jù)實驗設(shè)計表嚴格對各個變量進行測量和分析。

10、優(yōu)選的，基于所采集的數(shù)據(jù)，通過正交實驗法設(shè)計實驗，確定要研究的變量，并對各個變量進行測量和分析，具體過程如下：

11、步驟s11、選定試驗指標；

12、步驟s12、選定因素和水平；

13、步驟s13、使用spss?statistics?23設(shè)計正交表；

14、步驟s14、對每組實驗數(shù)據(jù)測量三次取算數(shù)平均值；

15、步驟s15、采用極差分析法對測試結(jié)果進行分析。

16、優(yōu)選的，在步驟s2中，根據(jù)實物實驗所得數(shù)據(jù)，基于vof模型建立高保真流-固-顆粒耦合仿真環(huán)境，具體過程如下：

17、步驟s21、采用多相流耦合仿真測試對飽和濕顆粒介質(zhì)中rft模型微元法和慣性力模型的適用條件進行研究，明確足部在飽和濕顆粒介質(zhì)地面阻力模型研究的關(guān)鍵因素；

18、對于濕顆粒介質(zhì)的研究采用流體力學仿真軟件ansys?fluent和edem進行耦合仿真；

19、步驟s22、vof模型通過求解一組動量方程并跟蹤整個計算域中每種流體的體積分數(shù)來對不混溶流體進行建模，對于添加到模型中的各個不互溶的附加流體相，引入一個對應(yīng)的變量——單元中該相的體積分數(shù)；

20、步驟s23、通過求解相的體積分數(shù)的連續(xù)性方程，跟蹤相之間的界面，如下所示：

21、

22、其中，ρq表示流體的密度；αq表示流體在單元中的體積分數(shù)；表示流體的速度向量；p和q表示交互的兩個相；和表示相與相之間的傳質(zhì)；sαq表示源相；

23、步驟s24、初相的體積分數(shù)方程將不求解，體積分數(shù)將根據(jù)以下約束條件計算：

24、

25、步驟s25、使用隱式公式求解基于vof模型，則體積分數(shù)方程按以下方式離散：

26、

27、其中，n+1為當前時間步的索引；n為上一個時間步的索引；為在第n+1時間步時體積分數(shù)的單元值；為在第n時間步時體積分數(shù)的單元值；為第n+1步時體積分數(shù)的面值；為第n+1步時通過表面的體積通量；v為單元體積。

28、優(yōu)選的，所有相的體積分數(shù)之和為1，體積分數(shù)通常用符號α表示；多相流體中第i個項的體積分數(shù)為αi，則存在以下三種情況：

29、(1)αi＝0，此時單元中不包含該流體項；

30、(2)αi＝1，此時單元中全部為該流體項；

31、(3)0＜αi＜1，此時單元中包含該流體項和其他一種或多種流體相之間的界面。

32、優(yōu)選的，在步驟s3中，使用gan神經(jīng)網(wǎng)絡(luò)加強數(shù)據(jù)集分布，具體過程如下：

33、步驟s31、數(shù)據(jù)預(yù)處理和歸一化：讀取數(shù)據(jù)，并使用minmaxscaler對數(shù)據(jù)進行了歸一化處理，將所有特征值縮放到[0,1]的范圍；

34、步驟s32、搭建基本gan框架，包括生成器和判別器兩部分；

35、步驟s33、在gan的訓練過程中對生成器和判別器交替優(yōu)化；

36、步驟s34、數(shù)據(jù)生成與反歸一化，將生成的數(shù)據(jù)恢復到原始的數(shù)值范圍；

37、步驟s35、數(shù)據(jù)后處理，進行離散化與范圍限制，并將數(shù)據(jù)保存為excel文件。

38、優(yōu)選的，在步驟s4中，基于rft模型進行物理公式推導，具體過程如下：

39、步驟s41、將rft理論模型作為機器人在顆粒介質(zhì)地面力學特性研究的理論基礎(chǔ)；

40、步驟s42、基于高級離散元法的仿真試驗，對顆粒介質(zhì)中rft模型的成立條件和關(guān)鍵因素進行分析和驗證；

41、步驟s43、通過流-固-顆粒耦合仿真試驗，對濕顆粒介質(zhì)中的三個部件在以相同速度運動時的阻力大小及對應(yīng)關(guān)系進行測試，并對測試結(jié)果進行分析；

42、步驟s44、確定適應(yīng)于神經(jīng)網(wǎng)絡(luò)中的簡化模型，如下所示：

43、fx＝kdαvβtγ；

44、其中，fx為機器人足部在x軸方向的受力；d為深度，v為速度，t為機器人足槳部位的種類；k為比例系數(shù)；α，β，γ分別為d，v，t的次方數(shù)。

45、優(yōu)選的，在步驟s41中，基于微元的思想，假設(shè)運動物體在干顆粒介地面下運動所受到的合力為各獨立受力單元的線性疊加；該模型分為兩部分，分別為水平面rft模型和垂向面rft模型；

46、水平面rft模型，如下所示：

47、

48、其中，fn為法向力，fl為切向力，fx為水平合力；tanβ0＝cotγ0sinψ，γ0為地面內(nèi)摩擦角，ψ為單元體軸線與其運動速度夾角；θ為離散單元體軸線與水平方向的夾角，l和r為單元體長度及半徑；cs、cf和β0為拖曳力常量，與顆粒介質(zhì)有關(guān)；

49、垂向面rft模型，如下所示：

50、垂向面rft模型，如下所示：

51、

52、其中，σz,x為單元體垂向和水平方向受力；|z|為嵌入深度；β為攻角；γ為侵角；αz,x(β,γ)為垂向和水平方向應(yīng)力；

53、通過對多種不同顆粒地面的應(yīng)力數(shù)據(jù)做關(guān)于侵角和攻角的傅里葉變化得到縮尺模型，如下所示：

54、

55、m＝(a0,0?a1,0?b1,1?b0,1?b-1,1?c1,1?c0,1?c-1,1?d1,0)t

56、ξ＝0.8αz,x(0,π/2)

57、其中，為單位水平和垂向應(yīng)力；ξ為縮尺比，β為攻角，γ為侵角，m為傅里葉系數(shù)，αz,x(β,γ)為實際顆粒地面的水平和垂向應(yīng)力；

58、運用該縮尺模型，在損失一定精度的情況下，僅需測量平板垂直下壓的試驗力學數(shù)據(jù)，即可獲得完整的力學模型。

59、優(yōu)選的，在步驟s5中，cnn-bpnn神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建，將推導的物理公式插入損失函數(shù)，具體過程如下：

60、步驟s51、首先輸入數(shù)據(jù)通過cnn模塊進行特征提取，然后提取到的特征輸入到bpnn進一步處理，最后輸出預(yù)測結(jié)果；

61、步驟s52、設(shè)置cnn模塊：由卷積層，池化層，展平層組成；以單通道的一維數(shù)據(jù)作為輸入；其中，第一卷積層具有16個輸出通道，使用大小為2的卷積核，步幅為1，padding為1；該層的目的是提取低級別的特征；第二卷積層具有32個輸出通道，卷積核大小同樣為2，padding為1，步幅為1，用于進一步提取更高級的特征；使用大小為2的池化層進行下采樣，減小數(shù)據(jù)維度；將卷積層的輸出展平成一維，以便輸入到全連接層；

62、步驟s53、設(shè)置bpnn模塊：由全連接層和隱藏層組成；全連接層為一個全連接網(wǎng)絡(luò)，用于進一步處理cnn提取的特征；該模塊包含兩層線性變換；第一層的輸入尺寸為cnn模塊輸出的特征維度，輸出尺寸為16；每個線性變換有input?size×16+16個參數(shù)；第二層線性變換將16個隱藏單元映射到1個輸出；

63、步驟s54、使用adam優(yōu)化器進行優(yōu)化，學習率設(shè)定為0.001；

64、步驟s55、確定損失函數(shù)，損失函數(shù)由兩部分組成，一部分為模型損失，另一部分為物理損失。

65、優(yōu)選的，模型損失：使用均方誤差損失函數(shù)，計算模型預(yù)測值和真實目標值之間的差異，如下所示：

66、

67、其中，modelloss表示模型損失；ypred表示cnn-bpnn神經(jīng)網(wǎng)絡(luò)模型預(yù)測值；ytrue表示真實目標值；

68、物理損失：通過比較模型的預(yù)測結(jié)果與根據(jù)物理公式計算的預(yù)測值來計算，目的是使得模型輸出與物理規(guī)律一致，如下所示：

69、

70、其中，physicsloss表示物理損失；physicspred表示僅用物理公式的預(yù)測值；

71、總損失是模型損失和物理損失的加權(quán)和，如下所示：

72、totalloss＝modelloss+λphysics×physicsloss；

73、其中，totalloss表示總損失；λphysics是物理損失的權(quán)重，控制物理約束對模型訓練的影響程度。

74、因此，本發(fā)明采用上述一種基于gan和cnn-bpnn的濕顆粒介質(zhì)力學特性預(yù)測方法，有益效果如下：

75、(1)基于實物實驗所得數(shù)據(jù)和vof模型建立高保真的多相流耦合仿真：基于vof模型建立了流-固-顆粒耦合仿真環(huán)境，采用多相流耦合仿真測試對飽和濕顆粒介質(zhì)中rft模型微元法和慣性力模型的適用條件進行了研究，明確了足部在飽和濕顆粒介質(zhì)地面阻力模型研究的關(guān)鍵因素；

76、(2)gan神經(jīng)網(wǎng)絡(luò)加強數(shù)據(jù)集分布：使用基于gan的回歸數(shù)據(jù)生成方法，通過構(gòu)建適合回歸任務(wù)的生成器和判別器，并對生成結(jié)果進行后處理和評估，生成與真實數(shù)據(jù)分布相似的高質(zhì)量合成數(shù)據(jù)，解決小數(shù)據(jù)集預(yù)測問題，減少部依靠實物試驗導致的試驗周期長、試驗成本高的問題；

77、(3)cnn-bpnn神經(jīng)網(wǎng)絡(luò)模型：將cnn與bpnn結(jié)合，使cnn-bpnn神經(jīng)網(wǎng)絡(luò)模型同時具有cnn強大的特征提取能力和bpnn優(yōu)秀的非線性映射能力和自適應(yīng)性和學習能力，大大提高模型預(yù)測的準確性和效率；

78、(4)融合物理知識：將物理信息以損失函數(shù)的方式添加到cnn-bpnn神經(jīng)網(wǎng)絡(luò)模型中，使模型具備物理可解釋性，提高了預(yù)測精確度。

79、下面通過附圖和實施例，對本發(fā)明的技術(shù)方案做進一步的詳細描述。