[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

说明书

本公开提供了一种基于深度学习的物体宏观物理属性预测方法及系统，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；基于所述位移，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。

技术领域

本公开属于物体宏观物理属性预测技术领域，尤其涉及一种基于深度学习的物体宏观物理属性预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

几何微结构普遍存在于自然界的物体中，几乎所有材料都具有一定规模的微观结构，以体现其特有的物理性质。通过使用不同的几何微结构，可以应用于机械、航空航天、土木工程等增材制造领域。

由于不同的几何微结构具有其特有的几何结构、体积分数等性质，对于传统的方法来说，计算的时间长，计算成本大。过去几十年中，均质化方法逐渐发展为一种多尺度的技术，它依靠微观结构的形态，通过求解微观尺度的问题来求解宏观尺度的应力与应变的关系。目前最流行的均质化计算结构是基于体素的双尺度的微结构计算结构，它首先将物体划分为粗粒度的体素网格，并用周期性的几何微结构填充到网格中，以进行模拟和优化工作。但是，发明人发现，这种双尺度的计算框架虽然在设计精度和模拟效率上取得了平衡，但仍面临边缘体素不光滑带来巨大模拟误差的巨大缺陷的问题；一种解决边界体素形状问题的方法是使用六面体代替立方体体素进行微观尺度填充，但这样的方法要求在均质化计算时考虑变形微结构的形状参数，大大增加了计算成本同时由于形状参数的引入会增加计算的误差。

发明内容

本公开为了解决上述问题，提供了一种基于深度学习的物体宏观物理属性预测方法及系统，所述方案基于构建的深度学习网络模型及变形几何微结构进行物体宏观物理属性的预测，相比传统数值均值化方法快数百倍的时间下获得宏观尺度的物理性质，实现几乎实时的材料性质预测。

根据本公开实施例的第一个方面，提供了一种基于深度学习的物体宏观物理属性预测方法，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。

进一步的，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。

进一步的，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。