[发明专利]用于应力分布预测的复合神经网络架构

说明书

用于确定结构应力的神经网络架构和方法。神经网络架构包括第一神经网络和第二神经网络。第一神经网络的最后一个隐藏层的神经元连接到第二神经网络的最后一个隐藏层的神经元。第一数据集被输入到第一神经网络。第二数据集被输入到第二神经网络。来自第一神经网络的最后一个隐藏层的数据与来自第二神经网络的最后一个隐藏层的数据被组合。由组合的数据确定结构的应力。

技术领域

本公开涉及神经网络架构，其用于在固体结构经受机械、热、电磁或其它形式的载荷时快速而准确地预测应力或任何其他数值分析值或被测输出，例如位移、应变、温度、磁通量等，具体涉及用于预测承载结构部件中的应力分布的神经网络架构。

背景技术

FEA(有限元分析)是一种数值分析技术，由结构分析工程师利用用于计算结构中的应力分布并查找可能的失效位置。可以将von-Mises应力与材料的屈服强度进行比较以评估失效。同样，可以通过将各种应力参数(例如最大主应力、最大剪切应力、最大变化应力或应力参数的任意组合)与材料特性(例如屈服强度、极限强度、疲劳极限或材料特性的组合)进行比较来评估失效。由于固有的工作流程涉及对结构进行网格划分和求解控制微分方程，因此有限元分析过程对于复杂的结构非常耗时。

与此不同，机器学习技术提供了针对应力分析的对于FEA的快速和准确替代，其可用于快速探索和优化设计空间。但是，对于三维结构，由于物理的复杂性以及充分捕获复杂应力分布及其与输入参数的关系所需的模拟数据量，用于预测应力分布的机器学习替代模型不实际。因此，期望提供一种可以在三维结构中有效预测应力的机器学习架构。

发明内容

在一个示例性实施例中，公开了一种确定结构的应力的方法。第一数据集被输入到第一神经网络。第二数据集被输入到第二神经网络。来自第一神经网络的最后一个隐藏层的数据与来自第二神经网络的最后一个隐藏层的数据被组合。从组合数据确定结构的应力。

除了本文所述的一个或多个特征之外，组合数据还包括将来自第一神经网络的最后一个隐藏层的第i个神经元的数据与来自第二神经网络的最后一个隐藏层的第i个神经元的数据进行组合。组合数据还包括标量数学运算和/或矩阵运算中的至少一个。在各种实施例中，将第三数据集输入到第三神经网络中，并且将来自第一神经网络的最后一个隐藏层的数据与来自第二神经网络的最后一个隐藏层的数据以及来自第三神经网络的最后一个隐藏层的数据进行组合。该方法还包括：获得结构的应力；将应力分为依赖于空间坐标的第一应力分量和依赖于几何形状和载荷的第二应力分量，以及将第一应力输入第一神经网络，将第二应力输入第二神经网络。第一数据集和第二数据集是相交数据集和非相交数据集之一。可以通过机械载荷、热载荷和电磁载荷中的至少一种加载该结构。该方法还包括确定结构的应变、结构的位移、结构的温度、结构的热通量、结构的磁通量、结构的数值分析和结构的测量输出中的至少一项。在各实施例中，第一数据集和第二数据集中的一个是图像或视频数据集，并且第一数据集和第二数据集中的另一个是测量或数值数据集。在各种实施例中，第一神经网络和第二神经网络中的至少一个是卷积神经网络(CNN)、人工神经网络(ANN)和递归神经网络(RNN)中的至少一个。结构的应力从单个输出和多个输出之一确定。

在另一个示例性实施例中，公开了一种用于确定结构的应力的神经网络架构。该神经网络架构包括配置为接收该结构的第一数据集的第一神经网络和配置为接收该结构的第二数据集的第二神经网络。第一神经网络的最后一个隐藏层的神经元连接到第二神经网络的最后一个隐藏层的神经元，以组合来自各神经元的数据以确定结构的应力。