公开(公告)号：CN115762675A

公开(公告)日：2023-03-07

申请号：CN202211312327.3

申请日：2022-10-25

申请人： 北京理工大学

发明人： 王扬卫 ,  姜炳岳 ,  牛海燕 ,  程兴旺 ,  范群波 ,  马壮 ,  褚庆国

IPC分类号： G16C60/00 ,  G06F30/27 ,  G06N3/0464 ,  G06N3/08

摘要： 本发明涉及一种桁架式点阵结构力学性能预测方法及系统，包括：获取目标桁架式点阵结构的胞元的图；目标桁架式点阵结构由多个胞元进行周期性排列得到；图的图节点为胞元的胞元节点；图的边为胞元的杆件；将图的节点信息和边信息输入至训练好的图神经网络模型中，得到目标桁架式点阵结构的力学性能预测值；节点信息包括胞元节点在胞元内的位置信息；边信息包括胞元的杆件的直径信息、横截面面积信息和/或横截面形状信息；本发明能够将不同胞元基本形状下，具有不同杆件几何特征的胞元基于图论的方式表示为图；采用训练好的图神经网络模型对目标桁架式点阵结构的力学性能进行预测，提高了桁架式点阵结构力学性能预测的普适性和速度。

公开(公告)号：CN114186442A

公开(公告)日：2022-03-15

申请号：CN202010963821.0

申请日：2020-09-14

申请人： 北京理工大学 ,  中国人民解放军63963部队

发明人： 王扬卫 ,  姜炳岳 ,  赵平洛 ,  程兴旺 ,  牛海燕 ,  邹永显

IPC分类号： G06F30/23 ,  G06T17/00 ,  G06F17/16 ,  G06N3/08 ,  G06N3/04

摘要： 本发明涉及一种基于神经网络模型和数值模拟的点阵材料参数优化方法，属于点阵材料结构设计技术领域。所述方法包括：利用随机算法得到点阵材料在特定点阵模式下的多组结构参数，并对结构参数进行三维建模；利用数值模拟方法获得所关注的点阵材料的性能数据；基于神经网络模型搭建预测模型，并对预测模型进行训练；使用参数优化算法，计算出能够使训练好的预测模型输出最优性能的一组或若干组参数。本发明中基于神经网络模型所建立的预测模型，不仅可通过设定期望性能，得到最优的材料结构参数，实现对点阵材料结构参数的优化，获取性能最优的点阵材料结构；还可对点阵材料参数的性能进行预测，大量减少样品制备、试验与模拟的工作量。

公开(公告)号：CN114186442B

公开(公告)日：2023-06-16

申请号：CN202010963821.0

申请日：2020-09-14

申请人： 北京理工大学 ,  中国人民解放军63963部队

发明人： 王扬卫 ,  姜炳岳 ,  赵平洛 ,  程兴旺 ,  牛海燕 ,  邹永显

IPC分类号： G16C60/00 ,  G06F30/23 ,  G06F30/27 ,  G06F17/16 ,  G06N3/048 ,  G06N3/0499 ,  G06N3/084 ,  G06N3/0985 ,  G06F111/04 ,  G06F111/10 ,  G06F119/14

摘要： 本发明涉及一种基于神经网络模型和数值模拟的点阵材料参数优化方法，属于点阵材料结构设计技术领域。所述方法包括：利用随机算法得到点阵材料在特定点阵模式下的多组结构参数，并对结构参数进行三维建模；利用数值模拟方法获得所关注的点阵材料的性能数据；基于神经网络模型搭建预测模型，并对预测模型进行训练；使用参数优化算法，计算出能够使训练好的预测模型输出最优性能的一组或若干组参数。本发明中基于神经网络模型所建立的预测模型，不仅可通过设定期望性能，得到最优的材料结构参数，实现对点阵材料结构参数的优化，获取性能最优的点阵材料结构；还可对点阵材料参数的性能进行预测，大量减少样品制备、试验与模拟的工作量。

公开(公告)号：CN112133373B

公开(公告)日：2022-11-25

申请号：CN202010963824.4

申请日：2020-09-14

申请人： 北京理工大学 ,  中国人民解放军63963部队

发明人： 王扬卫 ,  赵平洛 ,  姜炳岳 ,  程兴旺 ,  牛海燕 ,  史辉

IPC分类号： G16C10/00 ,  G16C60/00 ,  G16C20/70 ,  G06N3/04

摘要： 本发明涉及一种基于机器学习的钛合金本构关系预测方法，属于金属材料的本构行为预测技术领域。所述预测方法包括：获取多种钛合金分别在不同温度和应变率条件下的应力应变曲线并进行预处理；制作单独用于VAE‑GAN模型训练的曲线数据集；基于VAE‑GAN模型搭建预测模型部分一,并进行训练；基于多项式回归模型搭建预测模型部分二，实现由实验条件预测应力应变曲线的编码；将预测编码输入VAE‑GAN译码器，输出最终预测应力应变曲线。本发明所述预测方法实现了同时预测钛合金材料应力随应变的变化过程和失效应变，克服了传统本构模型不能预测合金材料失效应变的缺点，为合金材料本构关系预测提供了新方法。

公开(公告)号：CN112133373A

公开(公告)日：2020-12-25

申请号：CN202010963824.4

申请日：2020-09-14

申请人： 北京理工大学 ,  中国人民解放军63963部队

发明人： 王扬卫 ,  赵平洛 ,  姜炳岳 ,  程兴旺 ,  牛海燕 ,  史辉

IPC分类号： G16C10/00 ,  G16C60/00 ,  G16C20/70 ,  G06N3/04

摘要： 本发明涉及一种基于机器学习的钛合金本构关系预测方法，属于金属材料的本构行为预测技术领域。所述预测方法包括：获取多种钛合金分别在不同温度和应变率条件下的应力应变曲线并进行预处理；制作单独用于VAE‑GAN模型训练的曲线数据集；基于VAE‑GAN模型搭建预测模型部分一,并进行训练；基于多项式回归模型搭建预测模型部分二，实现由实验条件预测应力应变曲线的编码；将预测编码输入VAE‑GAN译码器，输出最终预测应力应变曲线。本发明所述预测方法实现了同时预测钛合金材料应力随应变的变化过程和失效应变，克服了传统本构模型不能预测合金材料失效应变的缺点，为合金材料本构关系预测提供了新方法。