【技術實現步驟摘要】
本公開涉及計算機程序和系統領域，特別涉及用于預測多尺度材料的宏觀物理性質的方法、系統和程序。
技術介紹
1、在市場上提供了若干用于對象的設計、工程和制造的系統及程序。cad(computer-aided?design)是計算機輔助設計的首字母縮寫，例如，其涉及用于設計對象的軟件解決方案。cae(computer-aided?engineering)是計算機輔助工程的首字母縮寫，例如，其涉及用于模擬未來產品的物理行為的軟件解決方案。cam(computer-aided?manufacturing)是計算機輔助制造的首字母縮寫，例如，其涉及用于定義制造過程和操作的軟件解決方案。在這樣的計算機輔助設計系統中，圖形用戶界面在技術效率方面起重要作用。這些技術可以嵌入在產品生命周期管理(product?lifecycle?management，plm)系統內。plm是指在跨擴展企業的概念下的商業策略，其從產品概念到產品生命周期結束，幫助公司共享產品數據、應用通用流程、并采用公司知識來開發該產品。由dassault?systèmes提供的plm解決方案(采用catia、enovia和delmia等商標)提供了整合產品工程知識的工程中心(engineeringhub)、管理制造工程知識的制造中心(manufacturing?hub)、以及使企業集成并連接到工程和制造中心兩者中的企業中心(enterprise?hub)。這些系統共同遞送鏈接了產品、過程、資源的開放對象模型，以實現動態的、基于知識的產品創建和決策支持，其推動了產品定義、制造準備、生
2、為了確定在不同產品和工藝中使用的材料的力學性能，已經提出了若干解決方案和產品。這些解決方案和產品包括材料本構模型和實驗方法。由于各行業中對多尺度材料的需求日益增加，為了預測這種材料的力學性能，已經提出了若干特定的解決方案和產品。
3、liu、wu和koishi的文獻“一種用于異質材料的多尺度拓撲學習和加速非線性建模的深度材料網絡”。應用力學與工程中的計算機方法，345，1138-1168，2019教導了基于代表性體積元素(representative?volume?element，rve)的力學均勻化理論和高級機器學習技術的數據驅動的多尺度材料建模方法。該方法使用具有分析均化方案的連接機械構建塊的集合來描述復雜的整體材料響應。
4、基于此，仍然需要對多尺度材料宏觀物理性質的預測進行改進。
技術實現思路
1、基于此，此處提供了一種用于訓練基于深度材料網絡(deep?material?network，dmn)的神經網絡的計算機實現方法，該神經網絡被配置為預測多尺度材料的宏觀物理性質。多尺度材料包括一種或多種組成部分。該方法包括：獲取數據集，該數據集的每個條目對應于相應的多尺度材料對象。該條目包括張量，所述張量在宏觀層面上描述所述多尺度材料對象的物理性質。該條目包括一個或多個張量，每個張量在微觀層面上描述所述多尺度材料對象的組成部分的物理性質。該條目進一步包括一個或多個形態參數，每個形態參數描述所述多尺度材料對象的形態。該方法還包括基于獲取的數據集來訓練神經網絡，以基于對象的一個或多個張量以及對象的一個或多個形態參數來預測在宏觀層面上描述多尺度材料對象的物理性質的張量。
2、該方法可以包括以下一者或多者：
3、所述基于深度材料網絡dmn的神經網絡包括第一塊和第二塊；其中第一塊被配置為接收對象的一個或多個形態參數作為輸入，并輸出多個網絡參數的值；第二塊被配置為接收多個網絡參數的值和對象的一個或多個張量作為輸入，并輸出在宏觀層面上對多尺度材料對象的物理性質的預測；
4、第一塊包括前饋神經網絡；和/或，第二塊包括具有多個網絡參數的dmn架構；
5、-第一塊是全連接神經網絡；
6、所述第一塊包括第一子塊和第二子塊；其中：所述第一子塊被配置為接收所述一個或多個形態參數的第一子集的值作為輸入，并輸出所述多個網絡參數的相應子集的值；所述第二子塊被配置為接收所述一個或多個形態參數的第二子集的值作為輸入，并且輸出所述多個網絡參數的相應子集的值；
7、所述一個或多個形態參數的所述第一子集包括每個組成部分的體積分數的集合；和/或，所述一個或多個形態參數的所述第二子集包括一個或多個取向參數。
8、所述訓練包括：最小化損失函數，所述損失函數針對每個條目對以下兩者之間的差異進行懲罰：獲取的張量，其在宏觀層面上描述所述多尺度材料對象的物理性質；以及，預測的張量，其在宏觀層面上描述所述多尺度材料對象的物理性質；和/或
9、所述損失函數還懲罰：不滿足所述多尺度材料對象的體積分數約束，和/或，不滿足所述多尺度材料對象的材料取向約束。
10、還提供了可根據訓練方法進行訓練(即，可學習)的神經網絡，即計算機實現的神經網絡數據結構，其具有通過該方法訓練的神經網絡的權重。所提供的神經網絡例如可以通過該方法直接學習，其權重已經通過該方法的訓練步驟固定。
11、還提供了一種使用可根據訓練方法訓練的神經網絡的計算機實現方法。該使用方法包括獲得一個或多個張量和一個或多個形態參數，每個張量在微觀層面上描述多尺度材料對象的組成部分的物理性質，每個形態參數描述多尺度材料對象的形態。該使用方法還包括：通過對所述一個或多個張量和所述一個或多個參數應用神經網絡來預測所述多尺度材料對象的宏觀物理性質。
12、還提供了一種使用可根據訓練方法訓練的神經網絡的計算機實現方法。該使用方法包括獲取張量，所述張量在宏觀層面上描述所述多尺度材料對象的物理性質。該方法進一步包括確定一個或多個張量和一個或多個形態參數，每個張量在微觀層面上描述多尺度材料對象的組成部分的物理性質，每個形態參數描述多尺度材料對象的形態。所述確定包括：最小化所述獲取的張量與所述獲取的張量的候選預測值之間的差異，所述候選預測值通過將所述神經網絡應用于候選的一個或多個張量和候選的一個或多個形態參數來確定。
13、在使用方法中，差異的最小化可以包括計算所述候選預測值相對于所述一個或多個張量中的每個相應候選張量的梯度，以及所述候選預測值相對于所述一個或多個形態參數中的每個相應候選形態參數的梯度。
14、還提供了多尺度材料的數據庫。數據集的每個條目對應于相應的多尺度材料。該條目包括一個或多個形態參數，每個形態參數描述多尺度材料對象的形態；以及根據所述訓練方法訓練的神經網絡，用于預測多尺度材料的宏觀物理性質。
15、還提供了一種計算機程序，其包括用于執行所述方法和/或使用方法的指令。
16、還提供了一種計算機可讀存儲介質，其上記錄有計算機程序和/或神經網絡和/或數據庫。
17、還提供了一種系統，該系統包括耦合到存儲器的處理器，以及圖形用戶界面，存儲器上記錄有計算機程序和/或神經網絡和/或數據庫。
18、還提供了一種設備，包括計算機可讀存儲介質，所述計算本文檔來自技高網...
【技術保護點】
1.一種用于訓練基于深度材料網絡DMN的神經網絡的計算機實現方法，所述神經網絡被配置為預測多尺度材料的宏觀物理性質，所述多尺度材料包括一種或多種組成部分，所述方法包括：
2.根據權利要求1所述的方法，其中，所述基于深度材料網絡DMN的神經網絡包括第一塊和第二塊；其中
3.根據權利要求2所述的方法，其中，
4.根據權利要求2或3所述的方法，其中，所述第一塊包括全連接神經網絡。
5.根據權利要求2或3所述的方法，其中，所述第一塊包括第一子塊和第二子塊；其中：
6.根據權利要求5所述的方法，其中，
7.根據權利要求1-6中任一項所述的方法，其中，所述訓練包括：最小化損失函數，所述損失函數針對每個條目對以下兩者之間的差異進行懲罰：
8.根據權利要求7所述的方法，其中，所述損失函數還懲罰：不滿足所述多尺度材料對象的體積分數約束，和/或，不滿足所述多尺度材料對象的材料取向約束。
9.一種根據前述權利要求中任一項所述的可訓練的神經網絡。
10.一種使用根據權利要求9所述的神經網絡的計算機
11.根據權利要求10所述的方法，其中，所述最小化差異包括計算：
12.一種多尺度材料的數據庫，所述數據集的每個條目對應于相應的多尺度材料，所述條目包括：
13.一種計算機程序，包括指令，用于執行根據權利要求1-8和/或10-11中任一項所述的方法。
14.一種計算機可讀存儲介質，其上記錄有根據權利要求13所述的計算機程序，和/或，根據權利要求9所述的神經網絡，和/或，根據權利要求12所述的數據庫。
15.一種系統，包括耦合到存儲器的處理器，所述存儲器記錄有根據權利要求13所述的計算機程序，和/或，根據權利要求9所述的神經網絡，和/或，根據權利要求12所述的數據庫。
...【技術特征摘要】
1.一種用于訓練基于深度材料網絡dmn的神經網絡的計算機實現方法，所述神經網絡被配置為預測多尺度材料的宏觀物理性質，所述多尺度材料包括一種或多種組成部分，所述方法包括：
2.根據權利要求1所述的方法，其中，所述基于深度材料網絡dmn的神經網絡包括第一塊和第二塊；其中
3.根據權利要求2所述的方法，其中，
4.根據權利要求2或3所述的方法，其中，所述第一塊包括全連接神經網絡。
5.根據權利要求2或3所述的方法，其中，所述第一塊包括第一子塊和第二子塊；其中：
6.根據權利要求5所述的方法，其中，
7.根據權利要求1-6中任一項所述的方法，其中，所述訓練包括：最小化損失函數，所述損失函數針對每個條目對以下兩者之間的差異進行懲罰：
8.根據權利要求7所述的方法，其中，所述損失函數還懲罰：不滿足所述多尺度材料對象的體積分數約束，和/或，不滿足...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。