基于物理信息神经网络的加筋壁板轴向压缩载荷预测方法

本发明属于加筋壁板轴向压缩载荷预测，尤其是涉及一种基于物理信息神经网络的加筋壁板轴向压缩载荷预测方法。

背景技术：

1、近年来神经网络的研究工作不断深入，各种新的算法层出不穷，已经取得了较大的进展，在图像识别、预测估计等方面解决了许多实际问题，表现出了良好的智能特性。但是在工程领域，这些新兴方法的应用推进并不顺利，主要的原因有这些领域的数据集获取成本较高，稀疏性和不确定性较大，纯粹依靠数据驱动的方法效率低且精度不高。物理信息神经网络是一种综合了数据驱动和物理信息两方面的神经网络，它将物理模型中包含的物理知识作为一项信息输入到神经网络的优化过程中，脱离了仅仅将输入输出数据进行匹配的纯数据驱动范畴。

2、加筋壁板是民用飞机上的一种典型结构件，主要应用在机身蒙皮、机翼、尾翼等部位，既可以保证结构的轻量化，也拥有良好的强度与刚度。飞机在飞行过程中会受到来自各个方向的载荷，这些载荷通过加筋壁板结构转化为拉压、弯扭和剪切的复合载荷形式维持机身平衡，尤其是机翼上方的部位，加筋壁板结构容易受到轴向压缩载荷的影响，因此，探究加筋壁板轴向压缩载荷的变化规律具有重要实际意义。

3、结合传统的神经网络模型对加筋壁板轴向压缩载荷进行预测，目前存在以下问题：一是数据集获取成本较高，同尺寸的加筋壁板结构件相较于一般的试验件来讲，试验环境要求高，需要耗费的人力物力大；二是数据的不确定性较大，对于复合材料结构来讲，进行力学试验的数据有较大波动性；三是数据的稀疏性大，主要是由上述的一二原因所导致的。

技术实现思路

1、有鉴于此，本发明旨在克服现有技术中上述问题的不足之处，提出一种基于物理信息神经网络的加筋壁板轴向压缩载荷预测方法。

2、为达到上述目的，本发明的技术方案是这样实现的：

3、一种基于物理信息神经网络的加筋壁板轴向压缩载荷预测方法，包括如下步骤：

4、步骤1：确定整个物理信息神经网络框架的输入目标和输出目标；

5、步骤2：通过拉丁超立方抽样方法对输入目标进行抽样；

6、步骤3：选取一组抽取的样本作为输入参数建立加筋壁板压缩工况的有限元模型；

7、步骤4：修改建立完成的有限元模型日志文件，将模型参数化，建立多个基于拉丁超立方抽样抽取的输入目标样本的有限元模型，并得到对应的输出参数；

8、步骤5：将输入参数和对应的输出参数分为训练集与测试集，确定输入参数与输出参数间的物理关系，构建物理信息神经网络的基本方程结构；

9、步骤6：通过训练集对建立的物理信息神经网络进行训练，然后将测试集读取到训练完成的框架中，通过网络框架运行状态不断调整参数以达到高预测精度。

10、进一步的，所述步骤1包括：

11、确定输入目标为加筋壁板的长度l、加筋壁板的宽度w、施加的位移载荷值u；

12、确定输出目标为加筋壁板在受位移载荷耦合点处的支反力f、施加位移载荷过程中加筋壁板的应变能e。

13、进一步的，所述步骤2包括：

14、基于matlab平台定义拉丁超立方抽样函数的样本数量与取值范围；

15、保证区间数量大于或等于样本数量；

16、对于每个变量，创建等距的区间边界，随机选择不重复的区间索引，使用选定的区间索引来抽取具体的样本值；

17、调用定义完成的拉丁超立方抽样函数生成多组样本。

18、进一步的，所述步骤3包括：

19、基于abaqus平台在实体模块建立加筋壁板的各个部件，将选取的一组样本作为输入参数输入到用户定义界面中；

20、在属性模块定义加筋壁板的材料参数、截面属性、铺层角度；

21、在装配模块对建立完成的实体调整空间位置，完成装配；

22、在分析步模块创建分析步，选择对应的分析步类型，调整合适的增量与质量缩放，创建合适的场输出与历程输出；

23、在相互作用模块定义壁板与筋条之间的作用关系，建立加筋壁板固定端与加载端的耦合作用点；

24、在载荷模块创捷一端固支，一端施加位移载荷的边界条件；

25、在网格模块对建立完成的实体单元指派网格控制属性并合理布种划分网格，对划分完成的网格指派单元属性和指派叠层方向；

26、在作业模块中将建立完成的有限元模型提交作业并进行计算；

27、在可视化模块中对计算完成的作业进行分析。

28、进一步的，所述步骤4包括：

29、提取建立完成的有限元模型.jnl日志文件；

30、在文件代码中找到输入参数的命令行，将其参数化；

31、将拉丁超立方抽样方法抽取的剩余输入目标的样本输入到命令行中，生成多个.py文件；

32、将.py文件在abaqus平台中运行与计算，得到多组输出参数。

33、进一步的，所述步骤5包括：

34、根据步骤4计算完成的有限元模型，将输入参数与对应的输出参数统一整理到表格中；

35、将其中100组数据划分测试集，其余划分为训练集；

36、输入参数与输出参数之间的物理关系用应变能理论进行刻画，符合应变能原理。

37、进一步的，所述步骤6包括：

38、通过步骤5的输入参数与输出参数之间的物理关系建立物理信息神经网络框架；

39、读取训练集对网络框架进行训练；

40、读取测试集对训练完成的框架进行测试；

41、根据网络框架运行状态不断调整参数以达到高预测精度。

42、进一步的，所述步骤6中，建立物理信息神经网络框架和读取训练集对网络框架进行训练包括以下步骤：

43、从excel文件中读取的输入参数与相应的输出参数；

44、将数据进行标准化与归一化并转换为pytorch张量；

45、创建数据集与加载器；

46、定义包含两个隐藏层和一个全连接层的神经网络，隐藏层使用re lu作为激活函数；

47、自定义损失函数，该函数结合均方误差损失(mse)和一个基于输入的残差损失，利用权重平衡均方误差损失与残差损失之间的关系；

48、初始化模型、损失函数和优化器，建立训练循环。

49、进一步的，所述步骤6中，读取测试集对训练完成的框架进行测试，包括以下步骤：

50、将测试集读取到训练完成的物理信息神经网络框架当中去；

51、将测试集的输入参数按照训练集的均值和标准差进行标准化和归一化并转换为pytorch张量；确保预测阶段不计算梯度；

52、对预测结果计算绝对误差与平均绝对误差(mae)。

53、进一步的，所述步骤6中，可调整的参数包括训练的批量大小、训练的周期、损失函数mse与残差项的权重、优化器的学习率；网络框架运行状态的检验标准包括激活函数与隐藏层的数据传递情况、损失函数值随训练循环的变化趋势、测试集的绝对误差与平均绝对误差(mae)、以及可视化网络的权重与梯度。

54、相对于现有技术，本发明所述的一种基于物理信息神经网络的加筋壁板轴向压缩载荷预测方法具有以下优势：

55、本发明综合了数据驱动和物理信息两方面建立了物理信息神经网络，不仅学习了加筋壁板在线弹性阶段轴向压缩载荷中数据变化的规律，而且学习了基于应变能理论的物理规律，从而使得较少的数据样本训练出的模型具有更强泛化能力。