一種基于bp人工神經(jīng)網(wǎng)絡(luò)的材料動態(tài)力學(xué)性能預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于材料動態(tài)力學(xué)性能測試領(lǐng)域，具體涉及一種基于BP人工神經(jīng)網(wǎng)絡(luò)的 材料動態(tài)力學(xué)性能預(yù)測方法。
【背景技術(shù)】
[0002] 隨著汽車持有量的日益增加，汽車的安全事故顯著增多，汽車的被動安全技術(shù)也 越來越受到人們的關(guān)注。有限元仿真技術(shù)是研究汽車被動安全的主要方式之一。為保證仿 真的精度及有效性，除對仿真幾何模型、接觸邊界條件和實際碰撞工況有嚴(yán)格的要求外，還 應(yīng)建立準(zhǔn)確的材料模型。對碰撞仿真分析而言，材料模型主要涉及材料在不同應(yīng)變速率條 件下的動態(tài)力學(xué)性能。
[0003] 目前，采用傳統(tǒng)的高速拉伸試驗可以測量有限應(yīng)變速率條件下材料的動態(tài)力學(xué)性 能，但試驗周期長、成本高，試驗獲得的不同應(yīng)變速率條件下的力學(xué)數(shù)據(jù)有限。例如測試一 組材料在5個應(yīng)變速率條件下的動態(tài)力學(xué)性能就需要2周的試驗周期。除此之外，通過材 料在若干應(yīng)變速率條件下的力學(xué)特征，采用一定的本構(gòu)方程擬合可獲得材料在任意應(yīng)變速 率條件下的力學(xué)性能數(shù)據(jù)，但該擬合方法獲得的力學(xué)曲線與實測的力學(xué)曲線之間存在一定 偏差。
[0004] 這就亟需本領(lǐng)域技術(shù)人員解決相應(yīng)的技術(shù)問題。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題，特別創(chuàng)新地提出了一種基于BP 人工神經(jīng)網(wǎng)絡(luò)的材料動態(tài)力學(xué)性能預(yù)測方法。
[0006] 為了實現(xiàn)本發(fā)明的上述目的，本發(fā)明提供了一種一種基于BP人工神經(jīng)網(wǎng)絡(luò)的材 料動態(tài)力學(xué)性能預(yù)測方法，其包括如下步驟：
[0007] S1，采集材料應(yīng)力應(yīng)變數(shù)據(jù)，經(jīng)歸一化預(yù)處理后得到訓(xùn)練樣本集；
[0008] S2,通過設(shè)計輸入層、隱含層和輸出層構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，并選擇傳遞函數(shù)、訓(xùn) 練函數(shù)和學(xué)習(xí)函數(shù)；
[0009] S3,使用訓(xùn)練樣本集對BP人工神經(jīng)網(wǎng)絡(luò)進行迭代訓(xùn)練得到最佳的預(yù)測網(wǎng)絡(luò)；
[0010] S4對訓(xùn)練得到最佳的預(yù)測網(wǎng)絡(luò)，應(yīng)用在材料動態(tài)力學(xué)性能預(yù)測中，獲取該材料在 任意應(yīng)變速率條件下的動態(tài)力學(xué)性能。
[0011] 所述的基于BP人工神經(jīng)網(wǎng)絡(luò)的材料動態(tài)力學(xué)性能預(yù)測方法，優(yōu)選的，所述Sl包 括：
[0012] Sl-I，材料的動態(tài)力學(xué)性能應(yīng)包含三個參數(shù)：應(yīng)力、應(yīng)變及應(yīng)變速率，采集材料在 若干不同應(yīng)變速率條件下的應(yīng)力、應(yīng)變數(shù)據(jù)對；樣本數(shù)據(jù)是由樣本輸入和期望輸出組成的 樣本對；
[0013] S1-2,為了避免網(wǎng)絡(luò)系統(tǒng)誤差過大及防止部分神經(jīng)元達到過飽和狀態(tài)，對樣本數(shù) 據(jù)進行歸一化處理，使所有的樣本數(shù)據(jù)都?xì)w一為[-11]之間，而網(wǎng)絡(luò)的輸出向量通過反歸 一化處理后，即可得到原物理空間的值；采用的數(shù)據(jù)歸一化處理計算公式為：
[0014] Pn= 2 X (p-pnin)/(Pnax-Pnin)-L
[0015] 式中，pn，p，？_和p _分別為歸一化后樣本數(shù)據(jù)，原始樣本數(shù)據(jù)，原始樣本數(shù)據(jù)的 最小值和最大值。
[0016] 所述的基于BP人工神經(jīng)網(wǎng)絡(luò)的材料動態(tài)力學(xué)性能預(yù)測方法，優(yōu)選的，所述S2包 括：
[0017] S2-1，用于材料動態(tài)力學(xué)性能預(yù)測的BP人工神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出 層構(gòu)成；其中，輸入層包括應(yīng)變速率和應(yīng)變2個神經(jīng)元，輸出層為應(yīng)力1個神經(jīng)元；通過
進行確定一個隱含層神經(jīng)元數(shù)量范圍，隨后對該范圍內(nèi)各數(shù)量神經(jīng)元條件 下的網(wǎng)絡(luò)進行預(yù)訓(xùn)練，通過比較BP人工神經(jīng)網(wǎng)絡(luò)收斂精度及收斂速度，確定最優(yōu)的隱含層 的神經(jīng)元數(shù)量；
[0018]
[0019] 式中，Ii1為隱含層單元數(shù)，m為輸出單元數(shù)，a為（1，10)之間的常數(shù)；
[0020] S2-2,創(chuàng)建上述的神經(jīng)網(wǎng)絡(luò)；
[0021] S2-3,創(chuàng)建BP人工神經(jīng)網(wǎng)絡(luò)后，為該網(wǎng)絡(luò)選擇傳遞函數(shù)、訓(xùn)練函數(shù)和學(xué)習(xí)函數(shù)，用 于激活整個網(wǎng)絡(luò)的學(xué)習(xí)、反饋和最終的預(yù)測功能；根據(jù)收斂精度分析，分別選擇線性-對數(shù) 形式的傳遞函數(shù)、Levenberg-Marguart訓(xùn)練函數(shù)和梯度下降動量學(xué)習(xí)函數(shù)learngdm。
[0022] 所述的基于BP人工神經(jīng)網(wǎng)絡(luò)的材料動態(tài)力學(xué)性能預(yù)測方法，優(yōu)選的，所述S2-1包 括：
[0023] 預(yù)訓(xùn)練過程為：預(yù)設(shè)訓(xùn)練函數(shù)trainlm，設(shè)定訓(xùn)練目標(biāo)，設(shè)定訓(xùn)練步數(shù)，分別對具 有不同隱含層的網(wǎng)絡(luò)訓(xùn)練，檢查網(wǎng)絡(luò)性能，根據(jù)結(jié)果確定最佳的隱含層神經(jīng)元個數(shù)。
[0024] 所述的基于BP人工神經(jīng)網(wǎng)絡(luò)的材料動態(tài)力學(xué)性能預(yù)測方法，優(yōu)選的，所述S2-2包 括：
[0025] 調(diào)用格式為：Net = newff(PR，[SI S2...Si... SN1]，{TF1 TF2…TFi... TFN1}，BTF， BLF，PF)，其中，表述從1到NI，即向量內(nèi)的元素總個數(shù)為NI個。
[0026] 其中，net = newff :用于在對話框中創(chuàng)建一個BP人工神經(jīng)網(wǎng)絡(luò)；PR :由每組輸入 元素的最大值和最小值組成的RX 2維的矩陣，其中共有R組輸入，R為正整數(shù)；Si為第i層 的長度，共計Nl層；TFi :第i層的傳遞函數(shù)，共計Nl層，默認(rèn)為"tansig" ;BTF :BP網(wǎng)絡(luò)的 訓(xùn)練函數(shù)，默認(rèn)為"trainlm" ;BLF :權(quán)值和閥值的BP學(xué)習(xí)函數(shù)，默認(rèn)為" learngdm" ;PF :網(wǎng) 絡(luò)的性能函數(shù)，默認(rèn)為"mse"。
[0027] 所述的基于BP人工神經(jīng)網(wǎng)絡(luò)的材料動態(tài)力學(xué)性能預(yù)測方法，優(yōu)選的，所述S3包 括：
[0028] S3-1，對網(wǎng)絡(luò)的訓(xùn)練參數(shù)進行適當(dāng)?shù)脑O(shè)置，參數(shù)包括初始權(quán)值、學(xué)習(xí)速率、動量因 子、訓(xùn)練步數(shù)、訓(xùn)練目標(biāo)及性能函數(shù)；取初始權(quán)值在[0 1]之間的隨機數(shù)，學(xué)習(xí)速率選取范 圍在0. 01-0. 8之間，動量因子通常在0-1之間且比學(xué)習(xí)率要大，訓(xùn)練步數(shù)及目標(biāo)根據(jù)實際 需求進行設(shè)置；性能函數(shù)從MATLAB軟件中提供的均方誤差性能函數(shù)mse和均方誤差規(guī)范化 函數(shù)msereg間選取；
[0029] S3-2,在BP人工神經(jīng)網(wǎng)絡(luò)生成和初始化以后，利用現(xiàn)有的輸入-輸出樣本數(shù)據(jù)對 網(wǎng)絡(luò)進行訓(xùn)練；神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，是輸入變量正向計算與誤差逆向傳播的各層權(quán)值和 閥值矩陣周而復(fù)始地調(diào)整，使得誤差函數(shù)小于要求精度的過程。
[0030] 所述的基于BP人工神經(jīng)網(wǎng)絡(luò)的材料動態(tài)力學(xué)性能預(yù)測方法，優(yōu)選的，所述S3-2包 括：
[0031] 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練時，首先隨機抽取輸入樣本，在系統(tǒng)默認(rèn)的網(wǎng)絡(luò)層連接權(quán)值 及神經(jīng)元閥值條件下，初始時通過正向傳播，由輸入層-隱含層-輸出層進行計算，判斷輸 出層的實際輸出與期望輸出之間的誤差，并判斷網(wǎng)絡(luò)誤差是否滿足要求，當(dāng)誤差達到預(yù)設(shè) 精度或?qū)W習(xí)次數(shù)大于設(shè)定的最大次數(shù)，則結(jié)束算法，若未達到精度，系統(tǒng)將誤差反向傳播， 按照一定規(guī)律對權(quán)值和閥值進行調(diào)整，極限計算輸出值與期望值間的誤差并進行誤差判 斷，若滿足，則訓(xùn)練結(jié)束，若不滿足，則再次反向傳播，調(diào)整閥值計算，直到滿足要求或者達 到設(shè)定的最大次數(shù)。
[0032] 所述的基于BP人工神經(jīng)網(wǎng)絡(luò)的材料動態(tài)力學(xué)性能預(yù)測方法，優(yōu)選的，所述S4包 括：
[0033] S4-1，利用獲取的若干不同應(yīng)變速率條件的材料動態(tài)力學(xué)性能數(shù)據(jù)對，按Sl進行 材料數(shù)據(jù)采集及預(yù)處理，隨后將其輸入S3中得到的預(yù)測網(wǎng)絡(luò)模型進行預(yù)測得到該材料在 任意應(yīng)變速率條件下的動態(tài)力學(xué)性能。
[0034] 綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是：
[0035] 為滿足仿真的精度要求，本發(fā)明提供了一種基于BP人工神經(jīng)網(wǎng)絡(luò)的材料動態(tài)力 學(xué)性能預(yù)測方法，基于材料的在有限應(yīng)變速率條件下的動態(tài)力學(xué)性能，可對材料在任意應(yīng) 變速率條件下的力學(xué)性能進行預(yù)測，為仿真分析提供準(zhǔn)確的材料模型。彌補高速拉伸試驗 測量的數(shù)據(jù)有限、測量周期長、費用高等不足。
[0036] 1.采用BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測材料動態(tài)力學(xué)性能，可以取代傳統(tǒng)的擬合法作為材 料的動態(tài)力學(xué)性能輸入，提高仿真精度。<