(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202010415084.0
(22)申请日 2020.05.15
(71)申请人 北京航空航天大学
地址 100191 北京市海淀区学院路37号
(72)发明人 王田 邵明启 李嘉锟 左颖
陶飞
(74)专利代理机构 北京康思博达知识产权代理
事务所(普通合伙) 11426
代理人 范国锋 刘冬梅
(51)Int.Cl.
G06F 30/23(2020.01)
G06N 3/04(2006.01)
G16C 20/70(2019.01)
G16C 60/00(2019.01)
(54)发明名称
(57)摘要
本发明公开了一种基于深度学习的材料性
型，使用有限元模型的结果来训练深度学习模
型，获得材料性能预测模型。本发明所述的基于
深度学习的材料性能预测方法，能够快速、准确
的完成材料性能的预测。权利要求书2页 说明书8页 附图5页CN 111651916 A 2020.09.11
C N 111651916
A
1.一种基于深度学习的材料性能预测方法，通过建立有限元模型和深度学习模型，使用有限元模型的结果来训练深度学习模型，获得材料性能预测模型。
2.根据权利要求1所述的基于深度学习的材料性能预测方法，其特征在于，
包括以下步骤：
S1、建立有限元模型；
S2、使用有限元模型生成材料性能关系表；
S3、建立深度学习模型；
S4、训练深度学习模型，获得材料性能预测模型。
3.根据权利要求2所述的基于深度学习的材料性能预测方法，其特征在于，
在步骤S1中，所述有限元模型建立过程包括：确定几何模型、单元特性定义、网络划分、边界条件定义；
所述边界条件定义中包含环境变量，所述环境变量为影响材料性能的参数；
所述材料性能是指材料在特定结构或环境下的响应属性，其值随结构、环境变化。
4.根据权利要求2所述的基于深度学习的材料性能预测方法，其特征在于，
在步骤S2中，在有限元模型中输入涉及材料的多个材料固有属性的数值和环境变量的数值，通过有限元模型的计算，得到材料性能，
所述材料固有属性为能够通过标准试验获得的材料参数，
材料固有属性的数值为随机生成，将输入的材料固有属性数值、环境变量数值以及有限元模型计算出的
对应的材料性能数值关联，得到一组材料性能关系数据；
将多组材料性能关系数据整理成材料性能关系表。
5.根据权利要求4所述的基于深度学习的材料性能预测方法，其特征在于，
将材料性能数据简化，挑选其中的一个或几个最具代表性的数据表征材料性能，这些数据称为材料性能表征值；
所述材料固有属性的数值和环境变量的数值从设计参数范围内随机生成，所述设计参数范围为满足产品设计要求的参数范围。
6.根据权利要求5所述的基于深度学习的材料性能预测方法，其特征在于，
在步骤S2中，设置有样本生成模块，其能够从设计参数范围中随机的选择涉及材料的材料固有属性数值和环境变量数值，输入到有限元模型中，并在有限元模型计算后挑选出材料性能表征值，生成材料性能关系表。
7.根据权利要求2所述的基于深度学习的材料性能预测方法，其特征在于，
在步骤S3中，所述深度学习模型包括卷积神经网络，所述卷积神经网络包括输入层、卷积层、池化层和输出；
在卷积神经网络的输入层之前，设置有图像化层，通过图像化层将设计参数转换为输入图像。
8.根据权利要求7所述的基于深度学习的材料性能预测方法，其特征在于，
所述图像化层包括序列延展和矩阵转换过程，
所述序列延展为：将材料性能关系数据中的多个材料固有属性数值和环境变量数值排列成序列，对序列进行周期延展后得到延展序列；
所述矩阵转换为：选取延展序列中的连续元素，将其变换成矩阵，形成图像样式。
9.根据权利要求8所述的基于深度学习的材料性能预测方法，其特征在于，
所述矩阵的大小为8×8～64×64。
10.根据权利要求7所述的基于深度学习的材料性能预测方法，其特征在于，
所述特征图具有两层，输入图像到第一层特征图之间通过尺寸为3×3的特征提取实现，第一层特征图到
第二层特征图之间通过最大池化实现，池化尺寸为2×2。
一种基于深度学习的材料性能预测方法
技术领域
[0001]本发明涉及一种材料性能预测方法，尤其是一种基于深度学习的材料性能预测方法，属于材料性能预测领域。
背景技术
[0002]材料性能是材料的宏观属性，是设计各种工程结构选用材料的主要依据。材料性能的好坏，决定了它的使用范围与使用寿命，在工程结构的设计中，需要对材料性能进行预测，以确定其是否满足设计要求。
[0003]传统的材料性能预测，常采用实验方法和计算模拟方法进行，此种方法虽然预测精确度高，但计算模拟过程需要大量的时间，在实际的工业生产中实用性差，设计人员在计算材料性能方面花费大量时间，耽误设计进度。
[0004]此外，由于传统的材料性能预测需要大量的时间，在新产品研发过程中，设计人员在挑选需要的
材料时，往往仅能够根据经验选择几种可能的材料，并对材料性能进行预测，以观察材料是否满足设计要求，而无法遍历材料数据库，从中筛选出性能最好的材料。[0005]因此，亟待设计一种能够快速准确预测材料性能的方法。
发明内容
[0006]为了克服上述问题，本发明人进行了锐意研究，设计出一种基于深度学习的材料性能预测方法，通过建立有限元模型和深度学习模型，使用有限元模型的结果来训练深度学习模型，获得材料性能预测模型。所述基于深度学习的材料性能预测方法包括以下步骤：[0007]S1、建立有限元模型；
[0008]S2、使用有限元模型生成材料性能关系表；
[0009]S3、建立深度学习模型；
[0010]S4、训练深度学习模型，获得材料性能预测模型。
[0011]在步骤S1中，所述有限元模型建立过程包括：确定几何模型、单元特性定义、网络划分、边界条件定义；
[0012]所述边界条件定义中包含环境变量，所述环境变量为影响材料性能的参数；[0013]所述材料性能
是指材料在特定结构或环境下的响应属性，其值随结构、环境变化。[0014]在步骤S2中，在有限元模型中输入涉及材料的多个材料固有属性的数值和环境变量的数值，通过有限元模型的计算，得到材料性能，
[0015]所述材料固有属性为能够通过标准试验获得的材料参数，
[0016]材料固有属性的数值为随机生成，将输入的材料固有属性数值、环境变量数值以及有限元模型计算出的对应的材料性能数值关联，得到一组材料性能关系数据；
[0017]将多组材料性能关系数据整理成材料性能关系表。
[0018]将材料性能数据简化，挑选其中的一个或几个最具代表性的数据表征材料性能，这些数据称为材料性能表征值；
[0019]所述材料固有属性的数值和环境变量的数值从设计参数范围内随机生成，所述设计参数范围为满足产品设计要求的参数范围。
[0020]在步骤S2中，设置有样本生成模块，其能够从设计参数范围中随机的选择涉及材料的材料固有属性数值和环境变量数值，输入到有限元模型中，并在有限元模型计算后挑选出材料性能表征值，生成材料性能关系表。
[0021]在步骤S3中，所述深度学习模型包括卷积神经网络，所述卷积神经网络包括输入层、卷积层、池化层和输出；
[0022]在卷积神经网络的输入层之前，设置有图像化层，通过图像化层将设计参数转换为输入图像。
[0023]所述图像化层包括序列延展和矩阵转换过程，
[0024]所述序列延展为：将材料性能关系数据中的多个材料固有属性数值和环境变量数值排列成序列，对序列进行周期延展后得到延展序列；
[0025]所述矩阵转换为：选取延展序列中的连续元素，将其变换成矩阵，形成图像样式。[0026]所述矩阵的大小为8×8～64×64。
[0027]所述特征图具有两层，输入图像到第一层特征图之间通过尺寸为3*3的特征提取实现，第一层特征图到第二层特征图之间通过最大池化实现，池化尺寸为2*2。
[0028]本发明所述的基于深度学习的材料性能预测方法，具有的有益效果包括：[0029](1)根据本发明提供的基于深度学习的材料性能预测方法，能够快速完成材料性能的预测；
[0030](2)根据本发明提供的基于深度学习的材料性能预测方法，预测结果准确；[0031](3)根据本发明提供的基于深度学习的材料性能预测方法，可实现材料库遍历挑选，以选出最优材料。
附图说明
[0032]图1示出一种优选实施方式的基于深度学习的材料性能预测方法流程示意图；[0033]图2示出一种优选实施方式的小球和平板碰撞模型网络划分示意图；
[0034]图3示出一种优选实施方式的深度学习模型结构示意图；
[0035]图4示出一种优选实施方式的图像化层结构示意图；
[0036]图5示出矩阵转换时不同矩阵大小下预测准确率与预测时间关系图；
[0037]图6示出实施例1中图像化层输出的图像；
[0038]图7示出实施例1中预测结果与验证组对比结果图。
具体实施方式
[0039]下面通过附图对本发明进一步详细说明。通过这些说明，本发明的特点和优点将变得更为清楚明确。
[0040]本发明提供了一种基于深度学习的材料性能预测方法，通过建立有限元模型和建立深度学习模型，
使用有限元模型的结果来训练深度学习模型，使得深度学习模型能够预测材料性能，获得材料性能预测模型，包括以下步骤，如图1所示。
[0041]S1、建立有限元模型；
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议