CN114388076B 基于深度学习的物体宏观物理属性预测方法及系统 （山东大学）

号基于深度学习的物体宏观物理属性预测方本公开提供了一种基于深度学习的物体宏深度学习模型及获取的变形后的等效基材料属所述深度学习模型基于U-Net网络结构，包括顺2基于给定的变形方式及几何微结构，获得变形后的等效基材料属性以 使用各向同性材料c(E,v)作为基材料，通过杨氏模量E及泊松比v计算得到材料属性材料的属性设置为(E=1,v=0.3)，软材料的属性设置为(E=10-6,v=0.3)，通过基材料G=F-1表示变形矩阵的逆,通过对网络输出结果进行变换，求得实际输入观材料物理性质；基于预先训练的深度学习模型及获取的变形后的等效基材料属性和体素化微结构单基于获得的位移，计算与之对应的均质化本构矩阵，获得变形几构建训练数据集，所述数据集中的样本包括每个变形3CH=rc其中，u为预测的位移，uT为位移矩阵的转置，K为刚度矩阵，f为载荷，其中下标。数据获取单元，其用于基于给定的变形方式及几何微结构，获得使用各向同性材料c(E,v)作为基材料，通过杨氏模量E及泊松比v计算得到材料属性材料的属性设置为(E=1,v=0.3)，软材料的属性设置为(E=10-6,v=0.3)，通过基材料G=F-1表示变形矩阵的逆,通过对网络输出结果进行变换，求得实际输入观材料物理性质；应变位移获取单元，其用于基于预先训练的深度学习模型及获取4现如权利要求1-7任一项所述的一种基于深度学习的物体宏观物10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程5[0002]本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技[0008]基于预先训练的深度学习模型及获取的变形后的等效基材料属性和体素化微结6[0012]构建训练数据集，所述数据集中的样本包括每个变形微结构的体素化表达矩阵、对应的变形参数表达矩阵以及描述基材料性H为变换前微结构的弹性张量，F表示立方体单元到六面体单元的映射关7[0031](1)本公开提供了一种基于深度学习的物体宏观物理属性预测方法及系统，所述[0032](2)所述方案提供了一种无须数据集标签的机器学习训练方法，节省获得数据集[0033](3)所述方案提供了一个更具泛化性的网络训练思路，在预测宏观尺度弹性张量[0036]图1为本公开实施例一中所述的基于深度学习的物体宏观物理属性预测方法流程8[0048]基于预先训练的深度学习模型及获取的变形后的等效基材料属性和体素化微结样本数据为每个变形微结构的体素化表达矩阵与对应的变形参数表达矩阵以及描述基材基本的微结构单元，在基本的微结构单元上应用变形矩阵从而获得62500个变形微结构单9[0072]为了将变形的几何微结构更好地放入深度学习网络(否则卷积神经网络的卷积代替存储变形后的几何微结构。我们将未变形立方体微结构以特定分辨率的体素张量存通过基材料的材料迁移方法提供的变换公式bb习网络中进行训练时，需要将本应作用于立方体微结构的变形转换为对基材料属性的变[0077]我们使用MATLAB版本的均质化代码作为网络生成结果的真实值",与深度学习网[0078]在训练过程中，我们将样本随机打乱，并按8:2划分训练集与测试集。训练使用[0081]2)通过公式=ccn计算硬材料对应的弹性张量和软材料对应的弹性张量is,以构造网络输入，其中a为使用体素化矩阵表示的微[0087]通过公式CH=F还原为变形几何微结构的弹性张量矩阵CH；Liu,Peiqing,etal."Mechanicalpropertyprofilesofmicrostructuresviaasymptotichomogenization."Computers&Graphics中描[0090]进一步的，如图4(a)至图4(c)所示为本公开实施例一中[0103]本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步[0104]上述实施例提供的基于深度