[发明专利]基于深度学习的物体宏观物理属性预测方法及系统

权利要求书

1.一种基于深度学习的物体宏观物理属性预测方法，其特征在于，包括：

基于给定的变形方式及几何微结构，获得变形后的等效基材料属性以及体素化微结构单元；

基于预先训练的深度学习模型及获取的变形后的等效基材料属性和体素化微结构单元，获得每个微结构单元体素在受到多方向单位应变下的位移；

基于获得的位移，计算与之对应的均质化本构矩阵，获得变形几何微结构的物理性质指标；

其中，所述深度学习模型基于U-Net网络结构，包括顺序连接的卷积块、上采样块以及卷积层，所述卷积块包括顺序连接的第一卷积层、第一归一化处理模块、激活函数、第二卷积层、第二归一化处理模块及激活函数；所述模型的输入为四维向量，第一维为变形后的等效基材料属性，其余三维为体素化微结构单元。

2.如权利要求1所述的一种基于深度学习的物体宏观物理属性预测方法，其特征在于，所述深度学习模型的训练，具体为：

构建训练数据集，所述数据集中的样本包括每个变形微结构的体素化表达矩阵、对应的变形参数表达矩阵以及描述基材料性质的弹性张量矩阵；

基于所述训练数据集对构建的深度学习模型进行训练，获得训练好的深度学习模型。

3.如权利要求1所述的一种基于深度学习的物体宏观物理属性预测方法，其特征在于，对于变形后的几何微结构，利用立方体微结构与变形矩阵组成的二元组进行表示，所述立方体微结构基于迭代最近点算法，从变形六面体中确定与之匹配的最优平行六面体。

4.如权利要求1所述的一种基于深度学习的物体宏观物理属性预测方法，其特征在于，选择各向同性材料作为基材料，并基于材料的杨氏模量和泊松比获得基材料属性，基于获得的基材料属性进行等效变换，获得变形后的等效基材料属性。

5.如权利要求1所述的一种基于深度学习的物体宏观物理属性预测方法，其特征在于，所述等效变换具体表示如下：

其中，C^H为变换前微结构的弹性张量，F表示立方体单元到六面体单元的映射关系，为变换后变形微结构的等效弹性张量。

6.如权利要求1所述的一种基于深度学习的物体宏观物理属性预测方法，其特征在于，所述深度学习模型训练过程，采用的损失函数基于最小势能原理进行构造，具体表示如下：

其中，u为预测的位移，u^T为位移矩阵的转置，K为刚度矩阵，f为载荷，其中下标i＝1,2…6。

7.如权利要求1所述的一种基于深度学习的物体宏观物理属性预测方法，其特征在于，所述物理性质指标包括但不限于应力与应变关系、应力应变分布、屈服强度及剪切强度。

8.一种基于深度学习的物体宏观物理属性预测系统，其特征在于，包括：

数据获取单元，其用于基于给定的变形方式及几何微结构，获得变形后的等效基材料属性以及体素化微结构单元；

应变位移获取单元，其用于基于预先训练的深度学习模型及获取的变形后的等效基材料属性和体素化微结构单元，获得每个微结构单元体素在受到多方向单位应变下的位移；

物理性质获取单元，其用于基于获得的位移，计算与之对应的均质化本构矩阵，获得变形几何微结构的物理性质指标；

其中，所述深度学习模型基于U-Net网络结构，包括顺序连接的卷积块、上采样块以及卷积层，所述卷积块包括顺序连接的第一卷积层、第一归一化处理模块、激活函数、第二卷积层、第二归一化处理模块及激活函数；所述模型的输入为四维向量，第一维为变形后的等效基材料属性，其余三维为体素化微结构单元。

9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的一种基于深度学习的物体宏观物理属性预测方法。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种基于深度学习的物体宏观物理属性预测方法。