[发明专利]一种基于BP人工神经网络的材料动态力学性能预测方法

说明书

技术领域

本发明属于材料动态力学性能测试领域，具体涉及一种基于BP人工神经网络的材料动态力学性能预测方法。

背景技术

随着汽车持有量的日益增加，汽车的安全事故显著增多，汽车的被动安全技术也越来越受到人们的关注。有限元仿真技术是研究汽车被动安全的主要方式之一。为保证仿真的精度及有效性，除对仿真几何模型、接触边界条件和实际碰撞工况有严格的要求外，还应建立准确的材料模型。对碰撞仿真分析而言，材料模型主要涉及材料在不同应变速率条件下的动态力学性能。

目前，采用传统的高速拉伸试验可以测量有限应变速率条件下材料的动态力学性能，但试验周期长、成本高，试验获得的不同应变速率条件下的力学数据有限。例如测试一组材料在5个应变速率条件下的动态力学性能就需要2周的试验周期。除此之外，通过材料在若干应变速率条件下的力学特征，采用一定的本构方程拟合可获得材料在任意应变速率条件下的力学性能数据，但该拟合方法获得的力学曲线与实测的力学曲线之间存在一定偏差。

这就亟需本领域技术人员解决相应的技术问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于BP人工神经网络的材料动态力学性能预测方法。

为了实现本发明的上述目的，本发明提供了一种一种基于BP人工神经网络的材料动态力学性能预测方法，其包括如下步骤：

S1，采集材料应力应变数据，经归一化预处理后得到训练样本集；

S2，通过设计输入层、隐含层和输出层构建BP神经网络模型，并选择传递函数、训练函数和学习函数；

S3，使用训练样本集对BP人工神经网络进行迭代训练得到最佳的预测网络；

S4对训练得到最佳的预测网络，应用在材料动态力学性能预测中，获取该材料在任意应变速率条件下的动态力学性能。

所述的基于BP人工神经网络的材料动态力学性能预测方法，优选的，所述S1包括：

S1-1，材料的动态力学性能应包含三个参数：应力、应变及应变速率，采集材料在若干不同应变速率条件下的应力、应变数据对；样本数据是由样本输入和期望输出组成的样本对；

S1-2，为了避免网络系统误差过大及防止部分神经元达到过饱和状态，对样本数据进行归一化处理，使所有的样本数据都归一为[-11]之间，而网络的输出向量通过反归一化处理后，即可得到原物理空间的值；采用的数据归一化处理计算公式为：

p_n＝2×(p-p_min)/(p_max-p_min)-1，

式中，p_n，p，p_min和p_max分别为归一化后样本数据，原始样本数据，原始样本数据的最小值和最大值。

所述的基于BP人工神经网络的材料动态力学性能预测方法，优选的，所述S2包括：

S2-1，用于材料动态力学性能预测的BP人工神经网络由输入层、隐含层和输出层构成；其中，输入层包括应变速率和应变2个神经元，输出层为应力1个神经元；通过进行确定一个隐含层神经元数量范围，随后对该范围内各数量神经元条件下的网络进行预训练，通过比较BP人工神经网络收敛精度及收敛速度，确定最优的隐含层的神经元数量；

式中，n₁为隐含层单元数，m为输出单元数，a为(1，10)之间的常数；

S2-2，创建上述的神经网络；

S2-3，创建BP人工神经网络后，为该网络选择传递函数、训练函数和学习函数，用于激活整个网络的学习、反馈和最终的预测功能；根据收敛精度分析，分别选择线性-对数形式的传递函数、Levenberg-Marguart训练函数和梯度下降动量学习函数learngdm。

所述的基于BP人工神经网络的材料动态力学性能预测方法，优选的，所述S2-1包括：

预训练过程为：预设训练函数trainlm，设定训练目标，设定训练步数，分别对具有不同隐含层的网络训练，检查网络性能，根据结果确定最佳的隐含层神经元个数。

所述的基于BP人工神经网络的材料动态力学性能预测方法，优选的，所述S2-2包括：

调用格式为：Net＝newff(PR，[S1 S2…Si… SN1]，{TF1 TF2…TFi… TFN1}，BTF，BLF，PF)，其中，表述从1到N1，即向量内的元素总个数为N1个。