[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

说明书

本发明涉及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。本发明涉及的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，能够建立颗粒体系从颗粒微观塑性行为到宏观力学响应的定量关系，为颗粒物质的宏观应力波动预测和宏微观跨尺度研究提供了一条崭新且有效的途径。

技术领域

本发明涉及颗粒物质力学研究领域，特别涉及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。

背景技术

颗粒材料是大量离散的固体颗粒相互作用而组成的复杂体系，其普遍存在于工程建设、工业生产和自然界的方方面面，自然界中广泛存在的泥石流及堰塞体、土木工程中所用的块石状材料、工业生产中的煤炭及砂石等均涉及颗粒材料的堆积和运动等过程。颗粒材料存在从离散到连续、从微观到宏观、从无序到有序和从流动到堵塞等特性，是物理、材料、力学等基础学科中的重点研究对象之一。

相关技术中，颗粒材料在准静态剪切条件下会产生粘滑运动，处于粘滞阶段时，体系宏观应力呈缓慢上升，体系积蓄弹性应变能；体系达到临界状态时，宏观应力发生骤降，体系处于滑动阶段并释放出粘滞阶段储存的应变能，随后体系将进入下一个粘滑循环。鉴于此，大量地球物理学家将颗粒材料作为研究浅源地震或滑坡相关机理的模型体系。

但是，目前建立的宏微观联系大都是定性的，无法定量考虑体系微观层面的动力学行为和宏观力学响应的关系。

因此，有必要设计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，以克服上述问题。

发明内容

本发明实施例提供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，以解决相关技术中建立的宏微观联系大都是定性的，无法定量考虑体系微观层面的动力学行为和宏观力学响应关系的问题。

第一方面，提供了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。

一些实施例中，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：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；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。

一些实施例中，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。

一些实施例中，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。

一些实施例中，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。