本發(fā)明屬于雙曲板成形回彈預測，具體涉及一種基于本構關系的雙曲板回彈預測深度學習方法。

背景技術：

1、現(xiàn)階段隨著科技發(fā)展，在各種工業(yè)領域?qū)τ诎宀某尚蔚囊笠搽S之提升，同時針對不同結構有不同的要求，可以通過不同的材料來實現(xiàn)不同的需求。但是對于目前所應用的許多復合材料或其他先進材料的材料屬性比較復雜，因此，在選擇材料來滿足其他需求時使得提高板材成形的精度變得困難。

2、目前，深度學習應用在板材成形領域進行回彈預測有著不錯的成效，但是由于許多復合材料的材料本構關系比較復雜，在應用這些不同材料所提取的成形三維特征信息進行回彈預測時，預測精度降低，嚴重影響板材的成形精度。

技術實現(xiàn)思路

1、本發(fā)明的目的在于，提供一種基于本構關系的雙曲板回彈預測深度學習方法，可以有效克服現(xiàn)有算法無法考慮材料特性的問題，通過嵌入大量材料本構模型，實現(xiàn)多種新型材料、復合材料板材的回彈預測。

2、為解決上述技術問題，本發(fā)明的技術方案為：一種基于本構關系的雙曲板回彈預測深度學習方法，包括以下步驟：

3、s1、取多種材料成形板材試件進行拉伸試驗，得到對應材料的拉伸力位移曲線，根據(jù)對應材料的拉伸力位移曲線得到對應材料的應力應變曲線，采集成形實驗和數(shù)值模擬中各種材料成形板材試件的回彈量，將各種材料的應力應變曲線以及回彈量作為樣本數(shù)據(jù)的組成部分，將多種材料的樣本數(shù)據(jù)匯總形成樣本數(shù)據(jù)集；樣本數(shù)據(jù)至少包括各種材料的回彈量、應力應變曲線、板材厚度和成形變化量；對樣本數(shù)據(jù)集進行預處理，得到訓練數(shù)據(jù)集；

4、s2、基于卷積神經(jīng)網(wǎng)絡，構建端到端的多種材料板材成形回彈預測的深度卷積神經(jīng)網(wǎng)絡；

5、s3、在深度卷積神經(jīng)網(wǎng)絡中加入本構關系自定義層，以映射材料的本構關系，根據(jù)訓練數(shù)據(jù)集對基于材料本構關系的深度卷積神經(jīng)網(wǎng)絡進行訓練，得到板材成形回彈預測模型；

6、s4、向板材成形回彈預測模型輸入預處理后的回彈預測輸入樣本，選取回彈預測輸入樣本對應的應力應變曲線，根據(jù)該材料的應力應變曲線調(diào)整雙曲板回彈預測模型的權重和偏置參數(shù)，輸出預測回彈數(shù)據(jù)。

7、s1中預處理的具體方法為：

8、將雙曲板平面設為xoy平面，垂直板面方向為z方向，將xoy平面離散化為n×n的灰度圖，灰度值范圍為[0,n-1],對應材料的板材厚度最大值對應n-1，最小值對應0，對應材料的板材厚度進行比例縮放，將板材厚度數(shù)據(jù)寫入厚度文件；

9、在rgb彩色模式下，對應材料的成形變化量以及回彈量最大值分別對應n-1，最小值對應0，對應材料的成形變化量并進行比例縮放，將對應材料的成形變化量數(shù)據(jù)以及回彈量數(shù)據(jù)分別寫入輸入文件和輸出文件；其中，厚度文件、輸入文件和輸出文件均以相同預設格式進行存儲；

10、將厚度文件轉(zhuǎn)換為灰度圖，將輸入文件和輸出文件轉(zhuǎn)換為rgb圖，作為輸入和輸出數(shù)據(jù)集；將輸入數(shù)據(jù)集和輸出數(shù)據(jù)集按預設比例隨機劃分為訓練集、驗證集和測試集，并作為訓練數(shù)據(jù)集；其中，輸入數(shù)據(jù)包括板材厚度和成形變化量，輸出數(shù)據(jù)包括回彈量。

11、s2中深度卷積神經(jīng)網(wǎng)絡的結構為：包括卷積層、激活層、最大池化層、轉(zhuǎn)置卷積層；其中，卷積層用于線性乘積求和，激活層為校正線性激活函數(shù)，最大池化層用于非線性降采樣，轉(zhuǎn)置卷積層用于上采樣。

12、s3具體為：對訓練數(shù)據(jù)集中的rgb圖像添加材料標記，在深度卷積神經(jīng)網(wǎng)絡完成第一次池化之后，加入本構關系自定義層，在本構關系自定義層通過材料標記識別對應材料的應力應變曲線進行逐元素相乘，輸出傳遞給后續(xù)的卷積層及池化層，在根據(jù)訓練數(shù)據(jù)集的每輪訓練后，根據(jù)訓練精度反饋更新本構關系自定義層的權重，在經(jīng)過預設輪次的訓練后確定本構關系自定義層的最佳權重以及板材成形回彈預測模型的偏置參數(shù)，得到板材成形回彈預測模型。

13、在s4中，輸入預處理后的回彈預測輸入樣本，根據(jù)其材料選取其對應的應力應變曲線，根據(jù)該材料的應力應變曲線調(diào)整板材成形回彈預測模型的權重和偏置參數(shù)，板材成形回彈預測模型輸出一張像素大小為n×n的rgb圖像，以表征回彈預測輸入樣本的回彈量大小，將該rgb圖像按照預處理的方式進行反向映射，將該rgb圖像的rgb值轉(zhuǎn)換為實際回彈量數(shù)值并以預設格式進行存儲，并將其作為預測回彈數(shù)據(jù)。

14、n取256。

15、訓練集、驗證集和測試集劃分的預設比例為8：1：1。

16、深度卷積神經(jīng)網(wǎng)絡設置為42層。

17、厚度文件、輸入文件、輸出文件以及實際回彈量數(shù)值均以.xlsx文件格式進行存儲。

18、還提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上述任一項所述方法的步驟

19、與現(xiàn)有技術相比，本發(fā)明的有益效果為：

20、本發(fā)明通過嵌入材料曲線深度卷積神經(jīng)網(wǎng)絡算法，將深度學習應用在雙曲板成形領域，適用于更多種復合材料、先進材料船體板加工預測，與現(xiàn)有的深度學習的差異在于，可以同時預測多種材料以及更復雜材料板材的回彈；采用了深度卷積神經(jīng)網(wǎng)絡算法，對板材的回彈量預測時，可以考慮到材料的本構關系對成形和回彈的影響，通過將板材的形狀輸入特征和板材材料特征進行對應的標記匹配，使得不同材料的形狀特征和對應的材料特征進行逐元素相乘，把材料特征帶到后續(xù)訓練中。充分考慮了復合材料、先進材料的本構關系復雜對船體板加工成形的影響。

技術特征：

1.一種基于本構關系的雙曲板回彈預測深度學習方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的一種基于本構關系的雙曲板回彈預測深度學習方法，其特征在于，s1中預處理的具體方法為：

3.根據(jù)權利要求2所述的一種基于本構關系的雙曲板回彈預測深度學習方法，其特征在于，s2中深度卷積神經(jīng)網(wǎng)絡的結構為：包括卷積層、激活層、最大池化層、轉(zhuǎn)置卷積層；其中，卷積層用于線性乘積求和，激活層為校正線性激活函數(shù)，最大池化層用于非線性降采樣，轉(zhuǎn)置卷積層用于上采樣。

4.根據(jù)權利要求3所述的一種基于本構關系的雙曲板回彈預測深度學習方法，其特征在于，s3具體為：對訓練數(shù)據(jù)集中的rgb圖像添加材料標記，在深度卷積神經(jīng)網(wǎng)絡完成第一次池化之后，加入本構關系自定義層，在本構關系自定義層通過材料標記識別對應材料的應力應變曲線進行逐元素相乘，輸出傳遞給后續(xù)的卷積層及池化層，在根據(jù)訓練數(shù)據(jù)集的每輪訓練后，根據(jù)訓練精度反饋更新本構關系自定義層的權重，在經(jīng)過預設輪次的訓練后確定本構關系自定義層的最佳權重以及板材成形回彈預測模型的偏置參數(shù)，得到板材成形回彈預測模型。

5.根據(jù)權利要求4所述的一種基于本構關系的雙曲板回彈預測深度學習方法，其特征在于，在s4中，輸入預處理后的回彈預測輸入樣本，根據(jù)其材料選取其對應的應力應變曲線，根據(jù)該材料的應力應變曲線調(diào)整板材成形回彈預測模型的權重和偏置參數(shù)，板材成形回彈預測模型輸出一張像素大小為n×n的rgb圖像，以表征回彈預測輸入樣本的回彈量大小，將該rgb圖像按照預處理的方式進行反向映射，將該rgb圖像的rgb值轉(zhuǎn)換為實際回彈量數(shù)值并以預設格式進行存儲，并將其作為預測回彈數(shù)據(jù)。

6.根據(jù)權利要求5所述的一種基于本構關系的雙曲板回彈預測深度學習方法，其特征在于，n取256。

7.根據(jù)權利要求2所述的一種基于本構關系的雙曲板回彈預測深度學習方法，其特征在于，訓練集、驗證集和測試集劃分的預設比例為8：1：1。

8.根據(jù)權利要求3所述的一種基于本構關系的雙曲板回彈預測深度學習方法，其特征在于，深度卷積神經(jīng)網(wǎng)絡設置為42層。

9.根據(jù)權利要求5所述的一種基于本構關系的雙曲板回彈預測深度學習方法，其特征在于，厚度文件、輸入文件、輸出文件以及實際回彈量數(shù)值均以.xlsx文件格式進行存儲。

10.一種計算機可讀存儲介質(zhì)，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(zhí)行時實現(xiàn)如權利要求1-9任一項所述方法的步驟。

技術總結
本發(fā)明公開了一種基于本構關系的雙曲板回彈預測深度學習方法，包括：采集多種材料成形板材試件的雙曲板回彈量樣本數(shù)據(jù)，將多種材料的雙曲板回彈量樣本數(shù)據(jù)匯總形成樣本數(shù)據(jù)集；構建深度卷積神經(jīng)網(wǎng)絡；在深度卷積神經(jīng)網(wǎng)絡中加入本構關系自定義層；根據(jù)訓練數(shù)據(jù)集對深度卷積神經(jīng)網(wǎng)絡進行訓練，得到板材成形回彈預測模型；向板材成形回彈預測模型輸入預處理后的回彈預測輸入樣本，選取回彈預測輸入樣本對應的應力應變曲線，根據(jù)該材料的應力應變曲線調(diào)整雙曲板回彈預測模型的權重和偏置參數(shù)，輸出預測回彈數(shù)據(jù)。本發(fā)明可以有效克服現(xiàn)有算法無法考慮材料特性的問題，通過嵌入大量材料本構模型，實現(xiàn)多種新型材料、復合材料板材的回彈預測。

技術研發(fā)人員：梁棋鈺,張龍
受保護的技術使用者：武漢理工大學
技術研發(fā)日：
技術公布日：2025/1/6