[发明专利]基于神经网络算法的材料变形及失效预测方法及系统

说明书

本发明提供了一种基于神经网络算法的材料变形及失效预测方法及系统，包括：步骤1：获取材料力学性能的实验数据，并将实验数据分为训练集与测试集；步骤2：建立多层前馈神经网络；步骤3：根据误差逆传播算法，利用训练集对多层前馈神经网络进行训练；步骤4：利用测试集对训练结束的多层前馈神经网络进行测试；步骤5：对材料变形及失效行为进行预测，并指导制造工艺。本发明建立了全新的实验—神经网络—仿真—制造研究路线，大大降低了计算成本，提高了研发效率。

技术领域

本发明涉及材料力学行为预测领域，具体地，涉及一种基于神经网络算法的材料变形及失效预测方法及系统。

背景技术

近年来，随着计算机技术的飞速发展，软件仿真技术被越来越多地运用到工业领域，对生产制造提供可靠的指导。计算机仿真与传统力学实验相比具有许多明显的优势。如仿真更加经济，极大节省了人力与物力成本；仿真更加高效，加快设计进度，缩短生产周期；并且从仿真结果中能够提取比力学实验结果更加丰富的信息。目前，计算机仿真技术，特别是有限元法和边界元法的分析精度不断提高，在工业领域得到了十分广泛的应用。

计算机仿真技术通过构建精确的几何模型，结合动力学与力平衡普遍规律，已经成功地取代了针对弹性固体分析的力学实验。但对于弹塑性分析来说，力学实验仍然是必不可少的。这主要是由于与几何模型相比，现有的材料模型在描述非线性材料行为方面不够准确。现有的材料模型不可避免地存在缺陷，因为它们是由明确的数学形式表述的，并且大多是基于简单的唯象方法构建的，而真实的材料行为要复杂得多。迄今为止，研究者们试图通过引入更精确的模型或更好的参数识别技术来克服这一困难。然而，它们并没有解决问题的实质，因为这些模型全都受到其自身显式数学描述能力的限制。因此，要构造出能够准确描述材料在多种效应共同作用下的复杂力学行为的多因素、多尺度耦合的模型是十分困难的。

机器学习的兴起促进了一种截然不同的材料力学行为的推导和表征方法的发展。其中神经网络算法为描述材料多尺度下的力学行为提供了一种全新的计算范式。传统力学实验所获得的有关材料力学行为的数据被投入到一个自组织的神经网络中进行训练。当获得更多的实验数据时，它们可以用来进一步训练神经网络，在这个过程中，神经网络内部不断修改其状态以适应新的数据。经过足够多的实验数据训练后的神经网络不仅能够准确地表征样本数据的信息，而且还能预测未经训练的新样本条件下材料的相关力学性能。这样就能直接将经大量实验数据训练好的神经网络直接应用到计算机仿真技术中，进而对制造提供有力指导，省去了繁琐的构建材料模型与参数识别的过程。神经网络通过相互连接的节点集合捕获输入与输出物理量之间的关系，在这种关系的建立过程中没有使用任何与材料模型相关的数学规则或公式。因此，神经网络本质上是一个计算实体，它在计算力学中的应用没有技术上的障碍。

通过文献检索发现，Allaoui Abdelhalim等人2019年发表论文“ANN Approach toPredict the Flow Stress of CMn(Nb-Ti-V)Micro Alloyed Steel”(“用人工神经网络方法预测CMn(Nb-Ti-V)微合金钢的流动应力”)，构建了双隐层神经网络，基于L-M算法使用CMn(Nb-Ti-V)微合金钢在不同温度和应变率条件下的真应力-应变数据对其进行训练，但并没有测试所构建的神经网络对新样本的预测能力。J.Ghaboussi等人1991年发表论文“Knowledge-based Modeling of Material Behavior with Neural Networks”(“基于知识的材料行为的神经网络模型”)，提出一种前馈神经网络模型，通过二维应力应变状态与应力增量来预测应变增量，但由于训练集样本数量不足，该模型对复杂加载条件下材料力学行为的预测不够准确。

本发明提出的一种基于机器学习中神经网络算法的材料多尺度变形及失效预测方法使用足够丰富的实验数据，采用误差逆传播算法对多层前馈神经网络进行充分训练，使其不仅能精确反映训练集的样本信息，并且能准确预测未经训练的新样本条件下材料多尺度的变形及失效行为。