[發明專利]一種基于機器學習的點陣結構單元性能預測方法及裝置

在審

• 申請號: 202211519943.6
• 申請日: 2022-11-30
• 公開（公告）號: CN115859806A
• 公開（公告）日: 2023-03-28
• 發明（設計）人: 吳奕潤;毛忠發;馮毅慶
• 申請（專利權）人: 汕頭大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/17;G06N3/08;G06N20/00
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 葉潔勇

1.一種基于機器學習的點陣結構單元性能預測方法，其特征在于，所述方法包括：

獲取訓練好的神經網絡模型，所述神經網絡模型以D2向量為輸入和以吸收能量為輸出；

對待測點陣結構單元的三維模型進行表面點云分析，得到所述待測點陣結構單元關聯的待測D2分布，再獲取對應的待測D2向量；

將所述待測D2向量輸入至所述神經網絡模型進行求解，得到所述待測點陣結構單元的吸收能量。

2.根據權利要求1所述的基于機器學習的點陣結構單元性能預測方法，其特征在于，所述神經網絡模型的訓練過程為：

獲取若干個點陣結構單元對應的若干個三維模型，所述若干個點陣結構單元的形狀類型不同；

對所述若干個三維模型進行表面點云分析，得到所述若干個點陣結構單元關聯的若干個D2分布，再獲取對應的若干個D2向量；

按照既定壓縮進給量對所述若干個三維模型進行單軸壓縮仿真，得到所述若干個點陣結構單元對應的若干個力位移曲線，再獲取對應的若干個吸收能量；

根據所述若干個D2向量和所述若干個吸收能量，構建訓練數據集；

搭建包含有輸入層、隱藏層和輸出層的神經網絡模型，將所述訓練數據集輸入至所述神經網絡模型中進行迭代訓練。

3.根據權利要求2所述的基于機器學習的點陣結構單元性能預測方法，其特征在于，所述既定壓縮進給量為1mm。

4.根據權利要求2所述的基于機器學習的點陣結構單元性能預測方法，其特征在于，所述若干個吸收能量中的每個吸收能量是通過將對應的力位移曲線進行積分處理得到的。

5.根據權利要求1所述的基于機器學習的點陣結構單元性能預測方法，其特征在于，所述待測D2分布的獲取過程為：

從所述待測點陣結構單元的三維模型上隨機獲取若干個點云數據對，再對每個點云數據對進行兩點間距離計算，進而得到對應的若干個距離值；

根據所述若干個距離值和既定分區數量構建出頻數直方圖，所述頻數直方圖即為待測D2分布。

6.根據權利要求5所述的基于機器學習的點陣結構單元性能預測方法，其特征在于，所述待測D2向量的獲取過程為：

將所述待測D2分布中的每個距離區間內所包含的距離值數量與所述既定分區數量進行求商運算，進而得到待測D2向量。

7.根據權利要求5所述的基于機器學習的點陣結構單元性能預測方法，其特征在于，所述既定分區數量為1000。

8.一種基于機器學習的點陣結構單元性能預測裝置，其特征在于，所述裝置包括：

獲取模塊，用于獲取訓練好的神經網絡模型，所述神經網絡模型以D2向量為輸入和以吸收能量為輸出；

分析模塊，用于對待測點陣結構單元的三維模型進行表面點云分析，得到所述待測點陣結構單元關聯的待測D2分布，再獲取對應的待測D2向量；

求解模塊，用于將所述待測D2向量輸入至所述神經網絡模型進行求解，得到所述待測點陣結構單元的吸收能量。

9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序以實現如權利要求1至7任一項所述的基于機器學習的點陣結構單元性能預測方法。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1至7中任一項所述的基于機器學習的點陣結構單元性能預測方法。