本申請涉及機器學習，特別是涉及一種屈曲預測方法、裝置、電子設備及存儲介質(zhì)。

背景技術(shù)：

1、在工程計算中，“屈曲”通常指的是結(jié)構(gòu)或材料受到外部壓力或彎曲力作用下發(fā)生的穩(wěn)定性失效現(xiàn)象。這種失效通常發(fā)生在長柱、梁或薄壁結(jié)構(gòu)等受壓元件上，當受到足夠大的壓力或彎曲力時，這些結(jié)構(gòu)可能會因為屈曲而產(chǎn)生不可逆的形變或破壞。因此，對材料或結(jié)構(gòu)在不同載荷作用下的屈曲性能進行預測是至關(guān)重要的。

2、現(xiàn)有技術(shù)中，屈曲預測一般依賴于計算機輔助工程(computeraidedengineering，cae)仿真來實現(xiàn)，這種仿真方式需要依次執(zhí)行如下流程：建立有限元模型；特征值屈曲分析；施加一階模態(tài)初始缺陷；求解穩(wěn)定極限載荷；后處理。

3、然而，上述仿真過程中的每個執(zhí)行流程都是費時費力的，且在每一次結(jié)構(gòu)或者材料改動時，每次仿真都需要重新計算前述所有執(zhí)行流程，這需要耗費巨大的時間成本，導致屈曲預測效率低下。

技術(shù)實現(xiàn)思路

1、本申請公開了一種屈曲預測方法、裝置、電子設備及存儲介質(zhì)，解決現(xiàn)有屈曲預測方法面臨的時間成本高，導致的屈曲預測效率低下的問題。

2、第一方面，本申請實施例提供了一種屈曲預測方法，方法包括：

3、獲取第一對象對應的3d模型數(shù)據(jù)；

4、對3d模型數(shù)據(jù)進行特征提取，得到包括靜態(tài)特征值和幾何特征值的第一特征值數(shù)據(jù)；其中，靜態(tài)特征值用于表征第一對象的材料屬性，幾何特征值用于表征第一對象的幾何特性；

5、將第一特征值數(shù)據(jù)輸入屈曲預測模型，進行屈曲預測，得到第一對象的屈曲預測值。

6、第二方面，本申請實施例提供了一種屈曲預測裝置，裝置包括：

7、獲取模塊，用于獲取第一對象對應的3d模型數(shù)據(jù)；

8、提取模塊，用于對3d模型數(shù)據(jù)進行特征提取，得到包括靜態(tài)特征值和幾何特征值的第一特征值數(shù)據(jù)；其中，靜態(tài)特征值用于表征第一對象的材料屬性，幾何特征值用于表征第一對象的幾何特性；

9、預測模塊，將第一特征值數(shù)據(jù)輸入屈曲預測模型，進行屈曲預測，得到第一對象的屈曲預測值。

10、可選的，獲取模塊用于：

11、建立第一對象對應的有限元模型；

12、基于有限元模型，對第一對象進行仿真，得到3d模型數(shù)據(jù)，3d模型數(shù)據(jù)的格式類型為文本文件。

13、可選的，提取模塊用于：

14、對3d模型數(shù)據(jù)進行靜態(tài)特征提取，得到靜態(tài)特征值；其中，靜態(tài)特征值包括密度、材料的彈性模量、材料的泊松比、以及屈服塑性值中的至少一種；

15、對3d模型數(shù)據(jù)進行幾何特征提取，得到幾何特征值；其中，幾何特征值的數(shù)據(jù)類別包括距離、角度、體積中的至少一種；

16、基于靜態(tài)特征值以及幾何特征值，得到第一特征值數(shù)據(jù)。

17、可選的，提取模塊用于：

18、在3d模型數(shù)據(jù)中，確定出第一特征點和第二特征點；

19、按照預設關(guān)聯(lián)規(guī)則，在3d模型數(shù)據(jù)中，確定出與第一特征點及第二特征點相關(guān)聯(lián)的第三特征點，以及第一特征點、第二特征點、第三特征點分別對應的點云團；

20、基于點云團，對3d模型數(shù)據(jù)進行幾何特征提取。

21、可選的，提取模塊用于：

22、將第一特征點及第二特征點分別作為目標特征點，針對目標特征點執(zhí)行如下操作：

23、在點云團中，確定出與目標特征點距離最遠的第四特征點；

24、計算第四特征點與目標特征點之間的連線，相對于第一特征點與第二特征點之間的連線，所形成的角度信息；

25、將角度信息、點云團的體積、第一特征點與第二特征點之間的距離、以及目標特征點與第四特征點之間的距離，作為3d模型數(shù)據(jù)的幾何特征值進行提取。

26、可選的，裝置還包括：

27、訓練模塊，用于基于第二對象對應的第二特征值數(shù)據(jù)，對預設模型進行屈曲預測訓練，得到屈曲預測模型；其中，第二特征值數(shù)據(jù)包括靜態(tài)特征值和幾何特征值。

28、可選的，訓練模塊用于：

29、獲取第二對象對應的第二特征值數(shù)據(jù)及屈曲力標簽值；其中，屈曲力標簽值表征第二對象的真實屈曲力數(shù)據(jù)；

30、將第二特征數(shù)據(jù)及屈曲力標簽值輸入隨機森林回歸模型，對隨機森林回歸模型進行屈曲預測訓練，得到屈曲預測模型。

31、第三方面，本申請?zhí)峁┝艘环N電子設備，包括：

32、存儲器，用于存放計算機程序；

33、處理器，用于執(zhí)行所述存儲器上所存放的計算機程序時，實現(xiàn)上述屈曲預測的方法。

34、第四方面，本申請?zhí)峁┝艘环N計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)內(nèi)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述屈曲預測的方法。

35、本申請有益效果如下：

36、本申請實施例提供的屈曲預測方法、裝置、電子設備及存儲介質(zhì)，獲取第一對象對應的3d模型數(shù)據(jù)，對3d模型數(shù)據(jù)進行特征提取，得到包括靜態(tài)特征值和幾何特征值的第一特征值數(shù)據(jù)，其中，靜態(tài)特征值用于表征第一對象的材料屬性，幾何特征值用于表征第一對象的幾何特性。如此，通過第一特征數(shù)據(jù)，可以對第一對象的材質(zhì)及幾何結(jié)構(gòu)等物理屬性進行準確表達。在此基礎(chǔ)上，將第一特征值數(shù)據(jù)輸入屈曲預測模型，進行屈曲預測，得到第一對象的屈曲預測值。這種利用屈曲預測模型來進行屈曲預測的技術(shù)方案，可以充分發(fā)揮機器學習的優(yōu)勢，使得屈曲預測方式與傳統(tǒng)技術(shù)方案相比，無需執(zhí)行仿真過程中繁瑣的有限元分析工作，并且能夠適用于第一對象的結(jié)構(gòu)或者材料改動時的應用場景，在時間性能上有很大提升，提高了屈曲預測效率。

技術(shù)特征：

1.一種屈曲預測方法，其特征在于，所述方法包括：

2.如權(quán)利要求1所述方法，其特征在于，所述獲取第一對象對應的3d模型數(shù)據(jù)，包括：

3.如權(quán)利要求1所述方法，其特征在于，所述對所述3d模型數(shù)據(jù)進行特征提取，得到包括靜態(tài)特征值和幾何特征值的第一特征值數(shù)據(jù)，包括：

4.如權(quán)利要求3所述方法，其特征在于，所述對所述3d模型數(shù)據(jù)進行幾何特征提取，包括：

5.如權(quán)利要求4所述方法，其特征在于，所述基于所述點云團，對所述3d模型數(shù)據(jù)進行幾何特征提取，包括：

6.如權(quán)利要求1所述方法，其特征在于，在將所述第一特征值數(shù)據(jù)輸入屈曲預測模型之前，還包括：

7.如權(quán)利要求6所述方法，其特征在于，所述基于第二對象對應的第二特征值數(shù)據(jù)，對預設模型進行屈曲預測訓練，得到所述屈曲預測模型，包括：

8.一種屈曲預測裝置，其特征在于，所述裝置包括：

9.一種電子設備，其特征在于，包括：

10.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)內(nèi)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1-7中任一項所述的方法步驟。

技術(shù)總結(jié)
本申請公開了一種屈曲預測方法、裝置、電子設備及存儲介質(zhì)，涉及機器學習技術(shù)領(lǐng)域，通過獲取第一對象對應的3D模型數(shù)據(jù)，對3D模型數(shù)據(jù)進行特征提取，得到包括靜態(tài)特征值和幾何特征值的第一特征值數(shù)據(jù)，通過第一特征數(shù)據(jù)，可以對第一對象的材質(zhì)及幾何結(jié)構(gòu)等物理屬性進行準確表達。在此基礎(chǔ)上，將第一特征值數(shù)據(jù)輸入屈曲預測模型，進行屈曲預測，得到第一對象的屈曲預測值。這種利用屈曲預測模型來進行屈曲預測的技術(shù)方案，可以充分發(fā)揮機器學習的優(yōu)勢，使得屈曲預測方式與傳統(tǒng)技術(shù)方案相比，無需執(zhí)行仿真過程中繁瑣的有限元分析工作，并且能夠適用于第一對象的結(jié)構(gòu)或者材料改動時的應用場景，在時間性能上有很大提升，提高了屈曲預測效率。

技術(shù)研發(fā)人員：何正義,何浩,黃勇波,曾婭琴,鄧平,曾鑫,吳濤,唐賽
受保護的技術(shù)使用者：重慶賽力斯新能源汽車設計院有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/10