[发明专利]一种基于卷积神经网络的颗粒体系宏观应力波动预测方法

权利要求书

1.一种基于卷积神经网络的颗粒体系宏观应力波动预测方法，其特征在于，其包括以下步骤：

基于颗粒的微观塑性行为和高斯核函数的粗粒化方法，将颗粒体系的微观塑性变形转换成规则的三维体素矩阵；

建立以所述三维体素矩阵为输入、颗粒体系的实际宏观应力波动为输出的深度学习数据集；

基于所述深度学习数据集训练卷积神经网络，建立颗粒体系的微观行为与宏观响应的定量关系的跨尺度预测模型；

所述基于颗粒的微观塑性行为和高斯核函数的粗粒化方法，将颗粒体系的微观塑性变形转换成规则的三维体素矩阵，包括：

对颗粒体系划分三维正方体网格；

根据每个颗粒的微观非仿射变形量和高斯核函数的粗粒化方法，计算每个网格节点的微观非仿射变形量，形成规则的三维体素矩阵。

2.如权利要求1所述的基于卷积神经网络的颗粒体系宏观应力波动预测方法，其特征在于，所述基于颗粒的微观塑性行为和高斯核函数的粗粒化方法，将颗粒体系的微观塑性变形转换成规则的三维体素矩阵，还包括：

计算每个颗粒的微观非仿射变形量作为颗粒的微观塑性行为。

3.如权利要求2所述的基于卷积神经网络的颗粒体系宏观应力波动预测方法，其特征在于，所述根据每个颗粒的微观非仿射变形量和高斯核函数的粗粒化方法，计算每个网格节点的微观非仿射变形量，形成规则的三维体素矩阵，包括：

根据每个网格节点与其预设邻域范围内的每个颗粒球心之间的拉格朗日距离，采用高斯核函数计算得到每个网格节点预设邻域范围内的每个颗粒到对应网格节点的权重；

将每个网格节点预设邻域范围内的每个颗粒的权重与每个颗粒对应的微观非仿射变形量的乘积之和作为每个网格节点的微观非仿射变形量。

4.如权利要求1所述的基于卷积神经网络的颗粒体系宏观应力波动预测方法，其特征在于，在建立以所述三维体素矩阵为输入、颗粒体系的实际宏观应力波动为输出的深度学习数据集之前，包括：

进行颗粒体系离散元模拟或物理实验，记录颗粒的微观塑性行为与对应颗粒体系的实际宏观应力波动。

5.如权利要求1所述的基于卷积神经网络的颗粒体系宏观应力波动预测方法，其特征在于，在基于所述深度学习数据集训练卷积神经网络，建立颗粒体系的微观行为与宏观响应的定量关系的跨尺度预测模型之前，还包括：

构建多层三维卷积神经网络，并采用贝叶斯优化算法调整所述卷积神经网络的模型超参数。

6.如权利要求1所述的基于卷积神经网络的颗粒体系宏观应力波动预测方法，其特征在于，所述基于所述深度学习数据集训练卷积神经网络，建立颗粒体系的微观行为与宏观响应的定量关系的跨尺度预测模型，包括：

将所述三维体素矩阵输入所述卷积神经网络，通过所述卷积神经网络的卷积层、池化层和全连接层得到对应颗粒体系的预测宏观应力波动；

根据颗粒体系的预测宏观应力波动与对应颗粒体系的实际宏观应力波动之间的误差，确定颗粒体系的微观行为与宏观响应的定量关系。

7.如权利要求6所述的基于卷积神经网络的颗粒体系宏观应力波动预测方法，其特征在于，所述根据颗粒体系的预测宏观应力波动与对应颗粒体系的实际宏观应力波动之间的误差，确定颗粒体系的微观行为与宏观响应的定量关系，包括：

当颗粒体系的预测宏观应力波动与对应颗粒体系的实际宏观应力波动之间的误差大于期望误差值时，将颗粒体系的预测宏观应力波动与对应颗粒体系的实际宏观应力波动之间的误差反向传回所述卷积神经网络，并依次求得所述全连接层和所述卷积层的误差，根据所述全连接层和所述卷积层的误差更新所述全连接层和所述卷积层的参数，并继续训练卷积神经网络；

当颗粒体系的预测宏观应力波动与对应颗粒体系的实际宏观应力波动之间的误差等于或者小于期望误差值时，结束训练，建立颗粒体系的微观行为与宏观响应的定量关系的跨尺度预测模型。