基于深度神经网络的力学场量代理计算模型研究

在深度学习技术的基础上,提出了一种结合深度残差网络和自编码器特征的深度神经网络代理模型;考虑到结构存在空洞或应力集中等局部场量变化急剧的情况,引入了注意力机制来强化深度神经网络对空间局部特征的描述能力。数值算例分析结果表明:在不同设计变量情况下,基于深度神经网络的代理模型不仅计算速度快,处理100个计算样本的耗时不到有限元软件的1.5%,而且能准确预测结构应力、应变等力学场量的大小与分布,平均相对误差小于2.5%,可以满足一般的工程应用要求。

超塑性恒压充模胀形过程各力学量场的影响因素及影响规律

采用刚粘塑性有限元法模拟了超塑性恒压充模胀形过程，分析了应变速率敏感性指数ｍ、厚向异性系数Ｒ、初始板厚、界面摩擦等因素对应力、应变和应变速率等力学量场的影响；