[發明專利]基于遷移學習-多保真度建模的介觀結構件力學性能預測方法

在審

• 申請號: 202011087261.3
• 申請日: 2020-10-13
• 公開（公告）號: CN112182938A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 劉釗;李鉬石;朱平;凌聞元
• 申請（專利權）人: 上海交通大學
• 主分類號: G06F30/23
• 分類號: G06F30/23;G06F30/27;G06N3/04;G06N3/08;G06F119/14
• 代理公司: 上海交達專利事務所 31201
• 代理人: 王毓理;王錫麟

一種基于遷移學習?多保真度建模的介觀結構件力學性能預測方法，采用包含兩個保真度數據集的初始數據庫，并基于低保真度數據集對前饋人工神經網絡(Artificial Neural Network,ANN)進行初始訓練，得到低保真度神經網絡；再進行微調(finetune)重訓練得到多保真度神經網絡；將待預測介觀結構件作為此多保真度神經網絡輸入并預測得到其力學性能。本發明嫩故以較高精度預測介觀結構件對應的力學性能，能夠融合不同保真度數據進行建模，且相比傳統協同克里金法對高保真度數據需求量較少，降低了介觀力學性能的預測成本。

技術領域

本發明涉及的是一種工程設計領域的技術，具體是一種基于遷移學習-多保真度建模的介觀結構件力學性能預測方法。

背景技術

介觀結構(Mesostructure)是指一類尺度介于宏觀和微觀之間的結構。常見基于增材制造(3D打印)的介觀結構是一類晶格、管束結構(Lattices,trusses,and cellularstructure)，可以人為設計其結構的力學性質、熱力學性質或光學性質等。這類設計問題中往往需要調用模型來預測介觀結構與力學性能之間的關系，如物理實驗，有限元分析，代理模型等。高保真度模型包含更多的物理細節，更準確可靠地描述實際情況，但需要更高的計算成本和更長的計算時間。相反地，低保真度模型具有較低的計算成本，但其反映客觀規律的能力低于高保真度模型。

發明內容

本發明針對現有技術無法以大量低保真度數據和遠少于低保真度數據的高保真度數據構建精度滿足需求的模型的問題，提出了一種基于遷移學習-多保真度建模的介觀結構件力學性能預測方法，該多保真度神經網絡可以以較高精度預測介觀結構件對應的力學性能。該方法可融合不同保真度數據進行建模，且相比傳統協同克里金法對高保真度數據需求量較少，降低了介觀力學性能的預測成本。

本發明是通過以下技術方案實現的：

本發明涉及一種基于遷移學習-多保真度建模的介觀結構件力學性能預測方法，采用包含兩個保真度數據集的初始數據庫，并基于低保真度數據集對前饋人工神經網絡(Artificial Neural Network,ANN)進行初始訓練，得到低保真度神經網絡；再進行微調(finetune)重訓練得到多保真度神經網絡；將待預測介觀結構件作為此多保真度神經網絡輸入并預測得到其力學性能。

所述的初始數據庫，采用拉丁超立方采樣方法與原型物理實驗、縮比物理實驗、不同精度的有限元分析方法構建得到，其中：兩個保真度數據集具體是指：低保真度數據集與高保真度數據集。

所述的拉丁超立方采樣方法(Latin Hypercube Sampling，LHS)通過約束隨機生成相對均勻的布滿設計空間的樣本點。進行拉丁超立方采樣時，每個設計變量的設計空間都被均勻劃分，并且每個設計變量水平只使用一次，能以較少樣本點反映整個設計空間的特性，計算量少，不受限于設計變量數量與樣本點數量，應用較為靈活。

所述的前饋人工神經網絡包括：用于構建多保真度神經網絡的低保真度神經網絡和用于最終的力學性能預測的多保真度神經網絡，其中：低保真度神經網絡與多保真度神經網絡中包含神經元的權重與閾值接近的、用于描述各自訓練數據間相似特征的隱藏層即為通用特征層；低保真度神經網絡與多保真度神經網絡中描述各自訓練數據特定特征的隱藏層即為特定特征層；低保真度神經網絡和多保真度神經網絡中均包括：用于接收介觀結構數據的輸入層、介觀結構力學性能的輸出層及設置于其間用于提取輸入數據特征的隱藏層，各層之間通過神經元進行全連接。

所述的微調重訓練是指：凍結低保真度神經網絡的通用特征層后，僅對特定特征層采用基于高保真度數據集的訓練。

所述的介觀結構件是指：在已有的介觀結構網格中填充入特定的介觀單胞結構形成的結構件，將介觀結構網格中填入的介觀單胞結構類型編號依序排列，即可作多保真度神經網絡的輸入。