本发明涉及结构缺陷动应力预测领域,尤其涉及一种基于bp神经网络的结构缺陷处动应力预测方法及装置。
背景技术:
1、在天然材料或工程材料中或多或少存在不同类型的缺陷,材料可以形成不同类型的结构,或不同材料组成不同类型的复合材料结构。结构承载动态载荷作用时,缺陷处会出现动应力集中现象。结构中局部的动应力集中会加速结构的破坏,最终影响结构的使用寿命。例如在地震工程领域中,地下孔洞在地震时会有坍塌的可能;复合材料结构中夹杂缺陷会影响结构的力学性能;复合材料结构界面v型缺口处的动应力集中会引起界面开裂问题等。利用波动理论进行解析计算,可以得到缺陷处的动应力强度因子(dynamic stressintensity factor,简称dsif)或动应力集中系数(dynamic stress concentrationfactor,dscf),dsif或dscf能够以数值来表示缺陷处的动应力集中程度。
2、由于在实际工程中,结构和缺陷的种类有很多,可能会遇到不同结构与不同缺陷的组合问题,并且结构的材料介质参数、缺陷类型及缺陷参数是随机的,构建具体问题的有限元模型进行仿真求解或对解析模型进行参数化计算,最终获得结构缺陷处的动应力预测模型。现有的这种预测方式,需采集的参数多、计算量大,而且一旦结构、材料及缺陷类型发生改变就得推导重来,甚至基于不成熟的计算模型导致整体计算周期被不可避免地拉长,导致预测过程费时费力。
3、因此,研究一种能实现对多种参数、多种结构及材料缺陷形式普遍适用且精准省时的结构缺陷处动应力预测方法便是当务之急。
技术实现思路
1、本发明提供了一种基于bp神经网络的结构缺陷处动应力预测方法及装置,旨在有效解决现有技术中面临多种参数计算耗时长,面对不同结构、材料及缺陷形式时适用性差蛮,导致的时间及人力成本居高不下的技术问题。
2、根据本发明的第一方面,本发明提供一种基于bp神经网络的结构缺陷处动应力预测方法,包括以下步骤:
3、获取结构缺陷处的参数集;
4、利用波动理论计算结构中不同缺陷处的动应力强度因子数据和动应力集中系数数据;
5、将所述参数集、所述动应力强度因子数据和所述动应力集中系数数据作为输入输出数据集,将所述输入输出数据集随机地划分为训练集和测试集;
6、构建bp神经网络预测模型;
7、利用所述训练集对所述bp神经网络预测模型进行初始训练,获得结构缺陷处的初始动应力预测模型;
8、利用所述测试集对所述初始动应力预测模型进行验证,获得结构缺陷处的最终动应力预测模型;
9、输入待预测结构缺陷处的待预测参数,利用所述最终动应力预测模型预测出待预测结构缺陷处的动应力强度因子数据和动应力集中系数数据。
10、除了上述公开的一个或多个特征之外,或者作为替代,所述参数集包括结构特征参数、缺陷特征参数及波场参数。
11、除了上述公开的一个或多个特征之外,或者作为替代,所述构建bp神经网络预测模型的过程包括以下步骤:
12、步骤s1:网络初始化,根据输入输出数据集确定网络输入层节点数n、隐含层节点数l、输出层节点数m、学习效率η、隐含层激励函数f;初始化输入层、隐含层和输出层神经元之间的连接权值wij、wjk;初始化隐含层阈值a、输出层阈值b;给定学习速率和神经元激励函数;
13、步骤s2:隐含层输出计算,根据输入变量x,输入层和隐含层间连接权值wij以及隐含层阈值aj,计算隐含层输出hj,其中,j=1,2,…,l;
14、步骤s3:输出层输出计算,根据隐含层输出hj,连接权值wjk和阈值bk,计算bp神经网络预测输出ok,其中,k=1,2,…,m;
15、步骤s4:误差计算,根据网络预测输出ok和期望输出yk,计算网络预测误差ek,其中,ek=yk-ok,k=1,2,…,m;
16、步骤s5:权值更新,根据网络预测误差ek更新网络连接权值wij、wjk,其中,i=1,2,…,n,j=1,2,…,l;wjk=wjk+ηhjek,j=1,2,…,l,k=1,2,…,m;
17、步骤s6:阈值更新,根据网络预测误差ek更新网络节点阈值aj,bk,其中,j=1,2,…,l;bk=bk+ek,k=1,2,…,m;
18、步骤s7:判断算法迭代是否结束,若迭代没有结束则重新执行步骤s2,若迭代结束则输出所述bp神经网络预测模型。
19、除了上述公开的一个或多个特征之外,或者作为替代,所述利用所述训练集对所述bp神经网络预测模型进行训练包括以下步骤:
20、步骤t1:随机将训练集样本的输入参数提供给初始化bp神经网络的输入层神经元,然后逐层将信号前传,直到产生输出结果;
21、步骤t2:根据输出结果与实际值进行对比计算误差,将误差逆向传播给隐含层神经元,并更新隐含层到输出层之间的权值和阈值;
22、步骤t3:将误差信号再传递到输入层,并更新输入层与隐含层之间的权值;
23、步骤t4:重复步骤t1至t3,直到训练集样本的训练误差总和达到预先设定的误差容限或达到预先设定的最大迭代次数,训练即停止,此时得到所述初始动应力预测模型。
24、除了上述公开的一个或多个特征之外,或者作为替代,所述利用所述测试集对所述初始动应力预测模型进行验证包括以下步骤:
25、保持所述初始动应力预测模型的各个参数不变,将测试集中每一个测试样本运用到所述初始动应力预测模型之中进行验证;
26、若测试集各个样本测试误差的总和达到预先设定的误差容限,则表明所述初始动应力预测模型具有良好的泛化能力,测试通过;若测试误差总和过大,出现欠拟合或过拟合情况,则测试失败,重新利用所述训练集对所述bp神经网络预测模型进行初始训练。
27、根据本发明的第二方面,本发明还提供了一种基于bp神经网络的结构缺陷处动应力预测装置,包括:
28、数据获取单元,用于获取结构缺陷处的参数集;
29、数据计算单元,利用波动理论计算结构中不同缺陷处的动应力强度因子数据和动应力集中系数数据;
30、数据预处理单元,用于将所述参数集、所述动应力强度因子数据和所述动应力集中系数数据作为输入输出数据集;
31、数据分组单元,用于将所述输入输出数据集随机地划分为训练集和测试集;
32、神经网络构建单元,用于构建bp神经网络预测模型;
33、神经网络训练单元,利用所述训练集对所述bp神经网络预测模型进行训练,获得结构缺陷处的初始动应力预测模型;
34、神经网络验证单元,利用所述测试集对所述初始动应力预测模型进行验证,获得结构缺陷处的最终动应力预测模型;
35、预测执行单元,用于输入待预测结构缺陷处的待预测参数,利用所述最终动应力预测模型预测出待预测结构缺陷处的动应力强度因子数据和动应力集中系数数据。
36、除了上述公开的一个或多个特征之外,或者作为替代,所述神经网络构建单元用于通过以下步骤构建所述bp神经网络预测模型:
37、步骤s1:网络初始化,根据输入输出数据集确定网络输入层节点数n、隐含层节点数l、输出层节点数m,学习效率η,隐含层激励函数f;初始化输入层、隐含层和输出层神经元之间的连接权值wij、wjk;初始化隐含层阈值a、输出层阈值b;给定学习速率和神经元激励函数;
38、步骤s2:隐含层输出计算,根据输入变量x,输入层和隐含层间连接权值wij以及隐含层阈值aj,计算隐含层输出hj,其中,j=1,2,…,l;
39、步骤s3:输出层输出计算,根据隐含层输出hj,连接权值wjk和阈值bk,计算bp神经网络预测输出ok,其中,k=1,2,…,m;
40、步骤s4:误差计算,根据网络预测输出结果ok和期望输出y,计算网络预测误差ek,其中,ek=yk-ok,k=1,2,…,m;
41、步骤s5:权值更新,根据网络预测误差ek更新网络连接权值wij、wjk,其中,i=1,2,…,n,j=1,2,…,l;wjk=wjk+ηhjek,j=1,2,…,l,k=1,2,…,m;
42、步骤s6:阈值更新,根据网络预测误差ek更新网络节点阈值aj,bk,其中,j=1,2,…,l;bk=bk+ek,k=1,2,…,m;
43、步骤s7:判断算法迭代是否结束,若没有结束则返回步骤s2。
44、除了上述公开的一个或多个特征之外,或者作为替代,所述神经网络训练单元用于通过调整权值和阈值,使得预测结果不断逼近期望输出,直到迭代结束。
45、除了上述公开的一个或多个特征之外,或者作为替代,所述神经网络训练单元用于执行以下步骤:
46、步骤t1:随机将训练集样本的输入参数提供给初始化bp神经网络的输入层神经元,然后逐层将信号前传,直到产生输出结果;
47、步骤t2:根据输出结果与实际值进行对比计算误差,将误差逆向传播给隐含层神经元,并更新隐含层到输出层之间的权值和阈值;
48、步骤t3:将误差信号再传递到输入层,并更新输入层与隐含层之间的权值;
49、步骤t4:重复步骤t1至t3,直到训练集样本的训练误差总和达到预先设定的误差容限或达到预先设定的最大迭代次数,训练即停止,此时得到所述初始动应力预测模型。
50、除了上述公开的一个或多个特征之外,或者作为替代,所述神经网络验证单元用于:
51、保持所述初始动应力预测模型的各个参数不变,将测试集中每一个测试样本运用到所述初始动应力预测模型之中进行验证;
52、若测试集各个样本测试误差的总和达到预先设定的误差容限,则表明所述初始动应力预测模型具有良好的泛化能力,测试通过;若测试误差总和过大,出现欠拟合或过拟合情况,则测试失败,重新利用所述训练集对所述bp神经网络预测模型进行初始训练。
53、上述技术方案中的一个技术方案具有如下优点或有益效果:
54、本发明将不同结构和不同缺陷问题进行组合,将结构类型、缺陷类型、材料参数、入射参数等作为输入数据集,缺陷处dsif或dscf作为输出数据集,运用到bp神经网络模型之中,得到预测模型,在遇到具体缺陷问题时运用预测模型进行准确预测,避免了复杂的计算流程。