CN111881601B - 一种基于深度学习的土石坝材料本构模型构建方法 - Google Patents
一种基于深度学习的土石坝材料本构模型构建方法 Download PDFInfo
- Publication number
- CN111881601B CN111881601B CN202010615929.0A CN202010615929A CN111881601B CN 111881601 B CN111881601 B CN 111881601B CN 202010615929 A CN202010615929 A CN 202010615929A CN 111881601 B CN111881601 B CN 111881601B
- Authority
- CN
- China
- Prior art keywords
- sigma
- stress
- strain
- epsilon
- finite element
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000000463 material Substances 0.000 title claims abstract description 48
- 239000011435 rock Substances 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 239000002689 soil Substances 0.000 title claims abstract description 17
- 238000010276 construction Methods 0.000 title claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000012669 compression test Methods 0.000 claims abstract description 10
- 238000013136 deep learning model Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 238000006073 displacement reaction Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000011423 initialization method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 102100021503 ATP-binding cassette sub-family B member 6 Human genes 0.000 description 1
- 101100000375 Homo sapiens ABCB6 gene Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开一种基于深度学习的土石坝材料本构模型构建方法,属于人工智能和材料本构模型技术领域,包括根据土石坝材料试件大小建立有限元模型,输入压缩试验得到的应力‑应变曲线进行有限元计算,提取模型真实应力、应变及其增量数据,组成数据集;采用深度学习对数据集进行学习,输出深度学习模型参数;根据深度学习模型参数,编写材料本构子程序,构建基于深度学习与有限单元法的土石坝材料本构模型,本发明土石坝材料本构模型构建方法,使用的深度神经网络能够无限逼近任意连续函数,能够用于对复杂非线性土石坝材料本构模型的构建,且深度神经网络本构模型仅基于试验数据,没有作出任何假设,模型不受应力应变曲线形状的影响,模型更客观。
Description
技术领域
本发明涉及一种基于深度学习和有限单元法的材料本构模型,属于人工智能和材料本构模型技术领域。
背景技术
土石坝在设计时需要通过数值分析来预测坝体应力和变形,从而确保大坝能够安全运行,在坝体应力和变形分析中,坝体材料本构模型对计算结果影响较大,因此,必须选用合适的本构模型。
有限元方法作为分析工程问题的有力工具得到了广泛应用,在有限元分析中,往往将实际材料的行为近似于根据某些本构关系变形的理想材料行为。因此,选择合适的本构模型去充分描述材料的行为,对数值预测的准确性和可靠性起着重要作用。土在荷载作用下所表现出非线性应力-应变关系由土体的组构和加载方式共同决定,如颗粒组成、应力状态、应力历史和应力路径等,因此,土体本构关系较为复杂。在传统方法中,一般采用简化假设和经验关系构建显式函数拟合试验数据去构建土体本构关系。但是,拟合出的本构函数将不可避免地丢失数据中蕴含的部分信息,引入误差和不确定性,同时这些模型大多涉及材料参数的确定,但其中许多没有物理意义。
发明内容
本发明的主要目的是提供一种基于深度学习和有限单元法的土石坝材料本构模型构建方法以克服背景技术中描述的现有技术存在的不足。
一种基于深度学习与有限元单元法的土石坝材料本构模型构建方法,包含以下步骤:
(1)根据土石坝材料试件大小建立有限元模型,输入压缩试验得到的应力-应变曲线进行有限元计算,提取模型真实应力、应变及其增量数据,组成数据集;
(2)采用深度学习对数据集进行学习,输出深度学习模型参数;
(3)根据深度学习模型参数,编写材料本构子程序,构建基于深度学习与有限单元法的土石坝材料本构模型。
进一步地,所述的步骤(1)包括以下步骤:
步骤1-1根据土石坝材料压缩试验,计算土石坝材料的真实应力和塑性应变,计算公式如下:
式中:σtrue为真实应力;εtrue为真实应变;σnom为工程应力;εnom为工程应变;εpl为塑性应变;εel为弹性应变;E为弹性模量;Δl为试样的长度变化量;l0为试样的初始长度;l为试样的当前长度;F为荷载;A0试样的初始界面面积;A为试样变形后的界面面积。
步骤1-2建立有限元模型,输入步骤1-1得到的应力-应变(σtrue~εpl)曲线进行有限元计算,其中模型底部和左侧施加固定约束,为构建深度学习的本构模型,需要大量的输入数据和输出数据,数据集的数量和质量决定了本构模型的准确性。因此,为反映土石坝材料在不同荷载作用下的应力-应变关系,有限元模型需施加σ=[σ1,σ3]不同种荷载组合,其中上部施加大小为的均布力,右侧施加/>的均布力,荷载组合如下式:
式中σ表示σ1和σ3的n×m种不同荷载组合。
步骤1-3根据有限元计算结果,提取有限元模型上部和右侧的反力和位移,并计算应力应变,计算公式如下:
εx=ln(1+ux/lx)
εy=ln(1+uy/ly)
εxy=ln(1+uxy/ly)
式中:εx为x方向的正应变;εy为y方向的正应变;εxy为xy方向的切应变;σx为x方向的正应力;σy为y方向的正应力;σxy为xy方向的切应力;ux为x方向位移;uy为x方向位移;uxy为xy方向位移;lx为x方向有限元模型的长度;ly为y方向有限元模型的长度;RFx为x方向反力;RFy为y方向反力。
步骤1-4计算有限元模型应力增量Δσ和应变增量Δε,其计算方法如下:
Δσ=σt-σt-1
Δε=εt-εt-1
式中:σt和εt为当前分析步的有限元模型的应力和应变;σt-1和εt-1为上一分析步的有限元模型的应力和应变;
步骤1-5更新荷载组合σ1和σ3,重复步骤1-2至1-5,直到全部荷载组合计算完成;
步骤1-6组装和输出数据集,其数据集Dataset格式为:
Dataset=[σx,σy,σxy,εx,εy,εxy,Δσx,Δσy,Δσxy,Δεx,Δεy,Δεxy]。
进一步地,所述的步骤(2)包括以下步骤:
步骤2-1数据集预处理,将数据集分为输入和输出数据集,其数据集格式为:
输入数据集:
InputDataset=[εx,εy,εxy,σx,σy,σxy,Δεx,Δεy,Δεxy]
输出数据集:
OutputDataset=[Δσx,Δσy,Δσxy]
步骤2-2将输入数据集InputDataset和输出数据集OutputDataset分为训练和测试集,训练集占80%,测试集占20%;
步骤2-3将数据集进行归一化处理,将数据转换到[0,1]范围,其计算方法如下:
式中:X{σ,ε,Δσ,Δε}为数据集;X{σ,ε,Δσ,Δε}min为数据集中各类型数据的最小值;X{σ,ε,Δσ,Δε}max为数据集中各类型数据的最大值;
步骤2-4初始化神经网络,隐藏层权重初始化采用He初始化方法,偏置项初始化采用随机分布初始化,采用激活函数进行激活,常用的激活函数有,sigmoid激活函数、tanh激活函数、Relu激活函数、leakyrelu激活函数、ELU激活函数等,优选的,隐藏层激活函数采用ReLu激活函数;输出层权重初始化采用He初始化方法,偏置项初始化采用随机分布初始化,优选的,激活函数采用Tanh激活函数;网络优化器采用Adam,其计算方法如下:
He初始化
ReLu激活函数
Tanh激活函数
步骤2-5采用训练集训练土石坝材料本构模型,对训练得到的本构模型采用测试集测试,输出最终本构模型的权重项{W}和偏置项{b},其中
式中:k为有限元分析中增量步的数量;n为神经网络输入节点数;m为神经网络输出节点数。
进一步地,所述的步骤(3)包括以下步骤:
步骤3-1读取步骤(2)中训练得到的本构模型的权重项{W}和偏置项{b};
步骤3-2根据起始应变增量计算应力增量,其计算公式如下:
{Δσ′}=f(Wx+b)
式中:{Δσ′}=[Δσx′,Δσy′,Δσxy′]T;{x}=[εx,εy,εxy,σx,σy,σxy,Δεx,Δεy,Δεxy]T;
步骤3-3反归一化,计算真实的应力增量,计算公式如下:
{Δσ}={Δσ′}×(X{Δσ}max-X{Δσ}min)+X{Δσ}min
步骤3-4更新应力分量,其计算公式如下:
{σ}={σ0}+{Δσ}
步骤3-5以终点应力状态确定切线刚度矩阵[D],赋值给雅阁比矩阵[DDSDDE],其计算方法如下:
式中:σi和εi为第i增量步的应力和应变。
本发明土石坝材料本构模型构建方法,使用的深度神经网络能够无限逼近任意连续函数,因此能够用于对复杂非线性土石坝材料本构模型的构建,且深度神经网络本构模型仅基于试验数据,没有作出任何假设,因此模型不受应力应变曲线形状的影响,模型更客观;随着更多试验数据的可用,深度神经网络本构模型将能够存储和训练与材料特性相关的更全面的信息;另外,深度神经网络本构模型不需要计算材料参数,因此,对比传统本构模型,神经网络本构模型更加简便、有效和稳健。
附图说明
图1是基于深度学习和有限元单元法的土石坝材料本构模型构建流程;
图2是土体压缩试验的应力~应变曲线;
图3是输入有限元程序的真实应力~塑性应变曲线;
图4是材料几何模型和有限元网格模型;
图5是神经网络结构图;
图6是基于深度学习和有限元法的本构模型分析流程;
图7是神经网络学习过程中训练集正确率;
图8是神经网络学习过程中测试集正确率;
图9是基于深度学习与有限元方法的本构模型预测结果与土体压缩试验结果对比图;
图10是采用深度神经网络本构模型对土石坝进行有限元模拟的位移结果图。
具体实施方式
下面以某一均质土石坝工程为例,其中土石坝高12.0m,坝顶宽4.0m,上下游坝坡比为1:2,坝顶长度48.0m。结合附图对本发明作进一步描述。以下实施例仅用于清楚说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明提高了一种基于深度学习与有限元单元法的土石坝材料本构模型构建方法,其构建流程如图1,包括以下步骤:
步骤1、根据土石坝材料试件大小建立有限元模型,输入压缩试验得到的应力-应变曲线进行有限元计算,提取模型真实应力、应变及其增量数据,组成数据集。具体步骤如下:
步骤1.1、根据土石坝材料压缩试验,试验结果见图2,计算土石坝材料的真实应力和塑性应变。其中土体试样直径40mm,高80mm,弹性模量为10000kPa,泊松比为0.3,围压为100kPa。计算公式如下:
式中:σtrue为真实应力;εtrue为真实应变;εnom为工程应变;σnom为工程应力;εpl为塑性应变;εel为弹性应变;E为弹性模量;Δl为试样的长度变化量;l0为试样的初始长度;l为试样的当前长度;F为荷载;A0试样的初始界面面积;A为试样变形后的界面面积。计算结果如图3和表1。
表1输入ABAQUS有限元软件的土体材料数据
塑性应变 | 真实应力(kPa) |
0.0000 | 211.4492 |
0.0018 | 280.0221 |
0.0095 | 303.4644 |
0.0161 | 324.0303 |
0.0247 | 340.6150 |
0.0331 | 351.4245 |
0.0507 | 367.6893 |
0.0674 | 380.8642 |
0.0847 | 381.8847 |
步骤1.2、采用有限元软件ABAQUS建立有限元模型,模型如图4所示,模型长1.0m,宽1.0m。模型底部和左侧施加固定约束,顶部和右侧施加均布荷载,其中顶部为σ1,右侧为σ3,其中σ1=[0,50,100,150,200,250,300,350,400]kPa,σ3=100kPa。计算增量步采用固定步长,增量步数量k=100。输入步骤1.1得到的真实应力~塑性应变曲线进行有限元计算。
步骤1.3、根据有限元计算结果,提取有限元模型上部和右侧的反力和位移,并计算应力应变,计算公式如下:
εx=ln(1+ux/lx)=ln(1+ux/1.0)
式中:εx为x方向的正应变;εy为y方向的正应变;εxy为xy方向的切应变;σx为x方向的正应力;σy为y方向的正应力;σxy为xy方向的切应力;ux为x方向位移;uy为x方向位移;uxy为xy方向位移;lx为x方向有限元模型的长度;ly为y方向有限元模型的长度;RFx为x方向反力;RFy为y方向反力。
步骤1.4、计算应力增量Δσ和应变增量Δε,其计算方法如下:
Δσ=σt-σt-1 (公式8)
Δε=εt-εt-1 (公式9)
式中:σt和εt为当前分析步的有限元模型的应力和应变;σt-1和εt-1为上一分析步的有限元模型的应力应变;
步骤1-5更新荷载组合σ1和σ3,重复步骤1-2~步骤1~5,直到全部荷载组合计算完成。
步骤1.6、组装和输出数据集,其数据集Datasets格式为:
Dataset=[σx,σy,σxy,εx,εy,εxy,Δσx,Δσy,Δσxy,Δεx,Δεy,Δεxy] (公式5)
步骤2采用深度学习对数据集进行学习,输出深度学习模型参数,具体步骤如下:
步骤2.1、数据集预处理,将数据集分为输入和输出数据集,其数据集格式为:
输入数据集:
InputDataset=[εx,εy,εxy,σx,σy,σxy,Δεx,Δεy,Δεxy] (公式6)
输出数据集:
OutputDataset=[Δσx,Δσy,Δσxy] (公式7)
步骤2.2、将输入数据集InputDataset和输出数据集OutputDataset分为训练集和测试集,训练集占80%,测试集占20%。
步骤2.3、将数据集进行归一化处理,将数据转换到[0,1]范围,其计算方法如下:
式中:X{σ,ε,Δσ,Δε}为数据集;X{σ,ε,Δσ,Δε}min为数据集中各类型数据的最小值;Xmax为数据集中各类型数据的最大值。
步骤2.4、初始化神经网络,网络包括1个输入层、5个隐藏层和1个输出层,其中输入层节点数为9,隐藏层节点数为32,输出层节点数为3。隐藏层权重初始化采用He初始化方法,偏置项初始化采用随机分布初始化,激活函数采用ReLu激活函数;输出层权重初始化采用He初始化方法,偏置项初始化采用随机分布初始化,激活函数采用Tanh激活函数;网络优化器采用Adam。Epochs取10000,Batch_size取4000,学习率取0.006。具体模型结构见图5。
步骤2.5、采用训练集训练土石坝材料本构模型,图为神经网络学习过程,通过10000epochs学习,网络训练集正确率达到86.7%。对训练得到的本构模型采用测试集测试,测试集正确率达到85.5%。图9是深度神经网络本构模型预测结果与土体压缩试验结果对比图,从图中深度神经网络能够非常精准的反映土体的本构关系。模型训练结束后,输出最终本构模型的权重项{W}和偏置项{b},计算结果数据格式如下:
步骤3根据深度学习模型参数,编写材料本构子程序,构建基于深度学习与有限单元法的土石坝材料本构模型。具体步骤如下:
步骤3-1读取步骤(2)中训练得到的本构模型的权重项{W}和偏置项{b};
步骤3-2根据起始应变增量计算应力增量,其计算公式如下:
{Δσ′}=f(Wx+b) (公式17)
式中:{Δσ′}=[Δσx′,Δσy′,Δσxy′]T;{x}=[εx,εy,εxy,σx,σy,σxy,Δεx,Δεy,Δεxy]T;
步骤3-3反归一化,计算真实的应力增量,计算公式如下:
{Δσ}={Δσ′}×(X{Δσ}max-X{Δσ}min)+X{Δσ}min (公式18)
步骤3-4更新应力分量,其计算公式如下:
{σ}={σ0}+{Δσ}(公式19)
步骤3-5以终点应力状态确定切线刚度矩阵[D],赋值给雅阁比矩阵[DDSDDE]。
最后采用以上步骤训练得到的本构模型编制的UMAT子程序采用ABAQUS对土石坝进行模拟计算。为反映深度神经网络本构模型正确性,同时采用目前土石坝中常用的邓肯张本构模型对土石坝进行模拟分析。
基于深度学习和有限元的本构模型具体分析流程见图所示。图10是采用深度神经网络本构模型对土石坝模拟位移结果图,从图中可以看出采用深度神经网络本构模型与采用邓肯张本构模型的计算结果分布规律相似,数值结果较为接近。结合图9和图10可以看出深度神经网络的本构模型具有的准确性和正确性,因此本发明提出的一种基于深度学习与有限元单元法的土石坝材料本构模型构建方法取得了较好的效果。
综上所述,本发明针对目前本构模型存在的问题,在无需对模型进行任何假设的情况下,能够快速构建有效和稳健的土石坝本构模型,同时本构模型能够快速嵌入有限元程序中对土石坝进行仿真计算。
Claims (4)
1.一种基于深度学习的土石坝材料本构模型构建方法,其特征在于,包含以下步骤:
(1)根据土石坝材料试件大小建立有限元模型,输入压缩试验得到的应力-应变曲线进行有限元计算,提取模型真实应力、应变及其增量数据,组成数据集;
(2)采用深度学习对数据集进行学习,输出深度学习模型参数;
(3)根据深度学习模型参数,编写材料本构子程序,构建基于深度学习与有限单元法的土石坝材料本构模型;
所述的步骤(1)包括以下步骤:
步骤1-1根据土石坝材料压缩试验,计算土石坝材料的真实应力和塑性应变得到应力-应变曲线,计算公式如下:
式中:σtrue为真实应力;εtrue为真实应变;εnom为工程应变;σnom为工程应力;εpl为塑性应变;εel为弹性应变;E为弹性模量;Δl为试样的长度变化量;l0为试样的初始长度;l为试样的当前长度;F为荷载;A0试样的初始界面面积;A为试样变形后的界面面积;
步骤1-2建立有限元模型,输入步骤1-1得到的应力-应变(σtrue~εpl)曲线进行有限元计算,其中模型底部和左侧施加固定约束,有限元模型施加的不同种荷载组合σ=[σ1,σ3],其中上部施加大小为的均布力,右侧施加/>的均布力,荷载组合如下式:
式中σ表示σ1和σ3的m×n种不同荷载组合;
步骤1-3根据有限元计算结果,提取有限元模型上部和右侧的反力和位移,并计算应力应变,计算公式如下:
εx=ln(1+ux/lx);
εy=ln(1+uy/ly);
εxy=ln(1+uxy/ly);
式中:εx为x方向的正应变;εy为y方向的正应变;εxy为xy方向的切应变;σx为x方向的正应力;σy为y方向的正应力;σxy为xy方向的切应力;ux为x方向位移;uy为x方向位移;uxy为xy方向位移;lx为x方向有限元模型的长度;ly为y方向有限元模型的长度;RFx为x方向反力;RFy为y方向反力;
步骤1-4计算有限元模型应力增量Δσ和应变增量Δε,其计算方法如下:
Δσ=σt-σt-1;
Δε=εt-εt-1;
式中:σt和εt为当前分析步的有限元模型的应力和应变;σt-1和εt-1为上一分析步的有限元模型的应力和应变;
步骤1-5更新荷载组合σ1和σ3,重复步骤1-2至1-5,直到全部荷载计算完成;
步骤1-6组装和输出数据集,其数据集Datasets格式为:
Datasets=[σx,σy,σxy,εx,εy,εxy,Δσx,Δσy,Δσxy,Δεx,Δsy,Δεxy]。
2.根据权利要求1所述的一种基于深度学习的土石坝材料本构模型构建方法,其特征在于,所述的步骤(2)包括以下步骤:
步骤2-1数据集预处理,将数据集分为输入和输出数据集,其数据集格式为:
输入数据集:
InputDataset=[εx,εy,εxy,σx,σy,σxy,Δεx,Δεy,Δεxy]
输出数据集:
OutputDataset=[Δσx,Δσy,Δσxy]
步骤2-2将输入数据集InputDataset和输出数据集OutputDataset分为训练和测试集,训练集占80%,测试集占20%;
步骤2-3将数据集进行归一化处理,将数据转换到[0,1]范围,其计算方法如下:
式中:X{σ,ε,Δσ,Δε}为数据集;X{σ,ε,Δσ,Δε}min为数据集中各类型数据的最小值;X{σ,ε,Δσ,Δε}max为数据集中各类型数据的最大值;
步骤2-4初始化神经网络,输出层和隐藏层分别进行初始化操作,权重初始化均采用He初始化方法,偏置项初始化均采用随机分布初始化,使用激活函数激活,并进行网络优化;
步骤2-5采用训练集训练土石坝材料本构模型,对训练得到的本构模型采用测试集测试,输出最终本构模型的权重项{W}和偏置项{b},其中
式中:k为有限元分析中增量步的数量;n′为神经网络输入节点数;m′为神经网络输出节点数。
3.根据权利要求2所述的一种基于深度学习的土石坝材料本构模型构建方法,其特征在于,步骤2-4中,隐藏层中激活函数采用ReLu激活函数;输出层激活函数采用Tanh激活函数;网络优化器采用Adam。
4.根据权利要求1所述的一种基于深度学习的土石坝材料本构模型构建方法,其特征在于,所述的步骤(3)包括以下步骤:
步骤3-1读取步骤(2)中训练得到的本构模型的权重项{w}和偏置项{b};
步骤3-2根据起始应变增量计算神经网络中的应力增量{Δσ′},其计算公式如下:
{Δσ′}=f(Wx+b)
式中:{x}=[εx,εy,εxy,σx,σy,σxy,Δεx,Δεy,Δεxy]T;{Δσ′}=,Δσx′,Δσy′,Δσxy′]T;
步骤3-3反归一化,计算真实的应力增量,计算公式如下:
{Δσ}={Δσ′}×(X{Δσ}max-X{Δσ}min)+X{Δσ}min
步骤3-4更新应力分量,其计算公式如下:
{σ}={σ0}+{Δσ}
步骤3-5以终点应力状态确定切线刚度矩阵[D],赋值给雅阁比矩阵[DDSDDE],其计算方法如下:
式中:σi′和εi′为第i′增量步的应力和应变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010615929.0A CN111881601B (zh) | 2020-07-01 | 2020-07-01 | 一种基于深度学习的土石坝材料本构模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010615929.0A CN111881601B (zh) | 2020-07-01 | 2020-07-01 | 一种基于深度学习的土石坝材料本构模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111881601A CN111881601A (zh) | 2020-11-03 |
CN111881601B true CN111881601B (zh) | 2023-08-15 |
Family
ID=73158349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010615929.0A Active CN111881601B (zh) | 2020-07-01 | 2020-07-01 | 一种基于深度学习的土石坝材料本构模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881601B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011073B (zh) * | 2021-04-28 | 2022-04-29 | 清华大学 | 基于深度学习的一维复杂滞回关系构建与结构模拟方法 |
CN114417650B (zh) * | 2021-12-08 | 2023-04-07 | 中国华能集团有限公司江西分公司 | 一种坝体安全监测方法和*** |
CN114021414B (zh) * | 2022-01-05 | 2022-04-08 | 北京科技大学 | 一种基于深度学习的优化有限元迭代过程方法及装置 |
CN114943170B (zh) * | 2022-06-01 | 2024-06-14 | 大连理工大学 | 一种高效的超深覆盖层土石坝防渗墙应力变形的精细化分析方法 |
CN117558381B (zh) * | 2024-01-12 | 2024-03-22 | 四川大学 | 一种金属材料温度与应变速率相关塑性硬化模型计算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107742018A (zh) * | 2017-09-30 | 2018-02-27 | 交通运输部公路科学研究所 | 基于路面材料模量应力和应变依赖模型的沥青路面结构分析增量方法 |
CN109614678A (zh) * | 2018-11-30 | 2019-04-12 | 南京航空航天大学 | 用于计算合金表面划伤缺陷底部应力集中系数的方法 |
CN111144039A (zh) * | 2019-12-04 | 2020-05-12 | 东南大学 | 一种基于深度学习的列车动态称重***及称重方法 |
CN111241736A (zh) * | 2020-01-16 | 2020-06-05 | 东南大学 | 一种天线罩力热电一体化分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130289953A1 (en) * | 2012-01-24 | 2013-10-31 | The University Of Akron | Self-optimizing, inverse analysis method for parameter identification of nonlinear material constitutive models |
-
2020
- 2020-07-01 CN CN202010615929.0A patent/CN111881601B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107742018A (zh) * | 2017-09-30 | 2018-02-27 | 交通运输部公路科学研究所 | 基于路面材料模量应力和应变依赖模型的沥青路面结构分析增量方法 |
CN109614678A (zh) * | 2018-11-30 | 2019-04-12 | 南京航空航天大学 | 用于计算合金表面划伤缺陷底部应力集中系数的方法 |
CN111144039A (zh) * | 2019-12-04 | 2020-05-12 | 东南大学 | 一种基于深度学习的列车动态称重***及称重方法 |
CN111241736A (zh) * | 2020-01-16 | 2020-06-05 | 东南大学 | 一种天线罩力热电一体化分析方法 |
Non-Patent Citations (1)
Title |
---|
港口大型机械金属结构应力在线监测与诊断***研究;徐志刚;《万方数据知识服务平台学位论文库》;第1-177页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111881601A (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111881601B (zh) | 一种基于深度学习的土石坝材料本构模型构建方法 | |
Im et al. | Surrogate modeling of elasto-plastic problems via long short-term memory neural networks and proper orthogonal decomposition | |
Zarringol et al. | Application of ANN to the design of CFST columns | |
Banimahd et al. | Artificial neural network for stress–strain behavior of sandy soils: Knowledge based verification | |
CN112163328B (zh) | 一种基于深度学习和数据驱动的岩土颗粒材料本构建模方法 | |
CN107563067A (zh) | 基于自适应代理模型的结构可靠性分析方法 | |
CN111950180B (zh) | 一种缆索承重桥梁结构体系可靠度分析方法及*** | |
Sepasdar et al. | A data-driven approach to full-field nonlinear stress distribution and failure pattern prediction in composites using deep learning | |
Qu et al. | Deep active learning for constitutive modelling of granular materials: From representative volume elements to implicit finite element modelling | |
CN109446731B (zh) | 一种基于abaqus的岩土工程数值模拟方法 | |
CN105259331A (zh) | 一种节理岩体单轴强度预测方法 | |
Eghbalian et al. | A physics-informed deep neural network for surrogate modeling in classical elasto-plasticity | |
Shafighfard et al. | Chained machine learning model for predicting load capacity and ductility of steel fiber–reinforced concrete beams | |
Ma et al. | A predictive deep learning framework for path-dependent mechanical behavior of granular materials | |
Guan et al. | A machine learning-based multi-scale computational framework for granular materials | |
Gharehbaghi et al. | Prediction of seismic damage spectra using computational intelligence methods | |
Guan et al. | Hybrid deep learning model for prediction of monotonic and cyclic responses of sand | |
CN106909738A (zh) | 一种模型参数辨识方法 | |
Elbahy et al. | Artificial neural network model for deflection analysis of superelastic shape memory alloy reinforced concrete beams | |
Wang et al. | A deep learning-aided seismic fragility analysis method for bridges | |
Nayak et al. | Assessing compressive strength of concrete with extreme learning machine | |
MolaAbasi et al. | Use of GMDH-type neural network to model the mechanical behavior of a cement-treated sand | |
CN117034699A (zh) | 一种基于拉伸试验的金属疲劳s-n曲线预测方法 | |
Hu et al. | Mode shape prediction based on convolutional neural network and autoencoder | |
Kucerová et al. | Back analysis of microplane model parameters using soft computing methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |