亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        一種LSTM神經(jīng)網(wǎng)絡(luò)和卡爾曼濾波相結(jié)合的復(fù)合材料承載預(yù)測方法*

        2021-05-18 05:48:18肖亞楠周偉崔杰劉亭亭肖靈
        關(guān)鍵詞:卡爾曼濾波復(fù)合材料模型

        肖亞楠,周偉,崔杰,劉亭亭,肖靈

        (1 中國科學(xué)院聲學(xué)研究所, 北京 100190; 2 中國科學(xué)院大學(xué)電子電氣與通信工程學(xué)院, 北京 100049; 3 河北大學(xué)質(zhì)量技術(shù)監(jiān)督學(xué)院, 河北 保定 071002)(2020年1月10日收稿; 2020年5月12日收修改稿)

        近年來,復(fù)合材料憑借其優(yōu)良特性被廣泛應(yīng)用于航空航天、鐵道鐵路、交通運(yùn)輸、船舶等領(lǐng)域[1-4]。已有相關(guān)研究人員對(duì)復(fù)合材料的力學(xué)性能分析方法進(jìn)行了研究:孫佳偉等[5]在探究超高韌性水泥基復(fù)合材料斷裂性能時(shí),選取3點(diǎn)彎曲梁作為研究對(duì)象,應(yīng)用ABAQUS中擴(kuò)展有限元方法分析模塊,模擬分析加載條件下3點(diǎn)彎曲梁的裂紋擴(kuò)展過程和規(guī)律;徐世烺等[6]基于HJC本構(gòu)模型,采用分離式霍普金森桿壓桿系統(tǒng),對(duì)摻有聚乙烯醇纖維的超高韌性水泥基復(fù)合材料的動(dòng)態(tài)壓縮力學(xué)性能進(jìn)行數(shù)值模擬研究,通過分析不同應(yīng)變速率下材料的動(dòng)態(tài)壓縮應(yīng)力-應(yīng)變曲線討論峰值應(yīng)力動(dòng)態(tài)增強(qiáng)因子的應(yīng)變率效應(yīng),并通過LS-DYNA軟件探討破壞過程、破壞形態(tài)與應(yīng)變率的關(guān)系;林臬和張鵬沖[7]針對(duì)復(fù)合材料層合板結(jié)構(gòu)提出的以比例邊界有限元為基礎(chǔ)的正交各向異性板的數(shù)值計(jì)算模型,可適用于各種薄板與厚板的分析;賈利勇等[8]針對(duì)復(fù)合材料層合板三維失效分析問題建立一種基于Puck失效準(zhǔn)則的分析模型,分別采用遍歷法和分區(qū)黃金分割法的一維搜索算法預(yù)測不同應(yīng)力狀態(tài)下基體失效的斷裂面角度;楊萬友等[9]基于等效夾雜方法提出一種求解分布熱載荷作用下復(fù)合材料溫升分布場的數(shù)值分析方法,并結(jié)合共軛梯度和快速傅里葉變換提升數(shù)值分析方法效率;惠新育等[10]基于平紋編織SiC/SiC復(fù)合材料的制備過程和組分材料分布的多尺度特征,考慮復(fù)合材料微觀結(jié)構(gòu)的局部近似周期特性建立纖維絲尺度和纖維束尺度單胞模型,使用有限元分析軟件對(duì)纖維絲尺度模型的彈性性能和強(qiáng)度性能進(jìn)行預(yù)測。目前對(duì)于復(fù)合材料實(shí)際服役過程中的承載預(yù)測研究比較少,而結(jié)構(gòu)件的實(shí)際服役狀態(tài)對(duì)于工程安全具有重要意義,因此本文針對(duì)復(fù)合材料結(jié)構(gòu)件在實(shí)際工程應(yīng)用中的承載預(yù)測方法展開研究。結(jié)構(gòu)件實(shí)際的服役狀態(tài)是多種因素共同決定的,在力學(xué)意義上沒有相關(guān)的經(jīng)驗(yàn)公式可以對(duì)此進(jìn)行預(yù)測。但長短期記憶深度學(xué)習(xí)網(wǎng)絡(luò)模型(long short term memory,簡稱LSTM)具有杰出的時(shí)序信息處理能力,其獨(dú)特的記憶特性使得該模型能夠?qū)⑶靶蛄袛?shù)據(jù)中蘊(yùn)含的信息存儲(chǔ)下來,并在后續(xù)處理中加以利用[11-12]。因此可以用LSTM模型對(duì)已知時(shí)刻的材料服役載荷進(jìn)行訓(xùn)練,得到未來時(shí)刻的載荷值,從而為結(jié)構(gòu)件的安全評(píng)定提供依據(jù)。已有相關(guān)研究驗(yàn)證了LSTM模型處理時(shí)序信息的優(yōu)良特性:Gers和Schtmidhuber等[13]針對(duì)樣本訓(xùn)練序列進(jìn)行規(guī)則語言學(xué)習(xí)的研究,結(jié)果表明LSTM模型優(yōu)于傳統(tǒng)的遞歸神經(jīng)網(wǎng)絡(luò);Greff等[14]基于語音識(shí)別、手寫識(shí)別和復(fù)調(diào)音樂3個(gè)任務(wù)系統(tǒng)分析8個(gè)LSTM模型的變體,驗(yàn)證了遺忘門和輸出激活函數(shù)在LSTM模型中的關(guān)鍵作用;Alahi等[15]構(gòu)建LSTM模型來預(yù)測人體未來運(yùn)動(dòng)軌跡,并且在公開數(shù)據(jù)集上演示了模型性能;Turkoglu等[16]基于LSTM網(wǎng)絡(luò)和預(yù)先訓(xùn)練的CNN模型,提出一種基于LSTM的多模型預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)MLP-CNNs作為植物病蟲害檢測的集合多數(shù)投票分類器;Qi等[17]針對(duì)日入庫流量數(shù)據(jù)的非線性和日入庫流量的特點(diǎn)提出一種基于長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的日入庫流量分解-集成學(xué)習(xí)模型,采用基于對(duì)數(shù)變換的預(yù)處理方法處理流入數(shù)據(jù)的非平穩(wěn),然后將流入數(shù)據(jù)分解,對(duì)每個(gè)分解項(xiàng)建立基于LSTM神經(jīng)網(wǎng)絡(luò)的回歸模型得到相應(yīng)的預(yù)測結(jié)果。關(guān)于LSTM模型與實(shí)際工程的結(jié)合,國內(nèi)也有學(xué)者進(jìn)行了研究:楊甲甲等[18]在對(duì)電力系統(tǒng)的工業(yè)負(fù)荷進(jìn)行短期預(yù)測時(shí)引入LSTM模型,通過數(shù)據(jù)仿真將基于LSTM模型的預(yù)測算法和已有的短期負(fù)荷預(yù)測算法結(jié)果進(jìn)行對(duì)比,結(jié)果表明LSTM模型的引入能夠很好地控制預(yù)測誤差;楊國田等[19]在研究NOX排放量時(shí)將LSTM模型與主成分分析法相結(jié)合,將主成分分析法獲取到的特征作為LSTM模型的輸入進(jìn)行排放量預(yù)測,該研究對(duì)比LSTM模型與RNN模型的預(yù)測結(jié)果驗(yàn)證了LSTM模型的優(yōu)良性能。因此本文也通過LSTM模型進(jìn)行復(fù)合材料結(jié)構(gòu)件實(shí)際服役時(shí)的受載預(yù)測,但考慮LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果受到數(shù)據(jù)序列長度影響[20],而Kalman濾波可以根據(jù)系統(tǒng)的觀測值對(duì)系統(tǒng)的內(nèi)部狀態(tài)進(jìn)行最優(yōu)估計(jì)[21-22],因此本文將其與Kalman濾波相結(jié)合來提高預(yù)測精度。利用LSTM架構(gòu)準(zhǔn)確捕捉輸入輸出之間的狀態(tài)轉(zhuǎn)移關(guān)系,結(jié)合Kalman濾波的狀態(tài)空間模型對(duì)載荷值進(jìn)行預(yù)測,既可以在一定程度上克服訓(xùn)練數(shù)據(jù)序列長度對(duì)傳統(tǒng)LSTM神經(jīng)網(wǎng)絡(luò)的影響,又能擺脫傳統(tǒng)Kalman濾波對(duì)動(dòng)力學(xué)模型的依賴使得模型可以從數(shù)據(jù)中學(xué)習(xí)。

        1 LSTM神經(jīng)網(wǎng)絡(luò)

        LSTM網(wǎng)絡(luò)具有杰出的時(shí)序信息處理能力,該模型能夠?qū)⑶靶蛄袛?shù)據(jù)中蘊(yùn)含的信息存儲(chǔ)下來,并在后續(xù)處理中加以利用。LSTM模型的結(jié)構(gòu)如圖1所示,主要有遺忘門、輸入門和輸出門3個(gè)部分。

        圖1 LSTM結(jié)構(gòu)圖Fig.1 Structure of LSTM

        遺忘門結(jié)構(gòu)用來篩選上一時(shí)刻的細(xì)胞狀態(tài),決定上一時(shí)刻的狀態(tài)信息ct-1有哪些要保留到當(dāng)前時(shí)刻的狀態(tài)信息ct中。這一過程通過Sigmoid函數(shù)對(duì)上一時(shí)刻狀態(tài)ht-1和當(dāng)前時(shí)刻輸入xt進(jìn)行處理得到一個(gè)0~1之間的數(shù)值ft,將這個(gè)權(quán)重作用到ct-1,此結(jié)構(gòu)對(duì)狀態(tài)信息執(zhí)行的計(jì)算可表示為

        ft=σ(Wfhht-1+Wfxxt-1+bf).

        (1)

        輸入門結(jié)構(gòu)用來篩選當(dāng)前時(shí)刻的輸入信息,決定這些輸入信息中有哪些可以存放到當(dāng)前時(shí)刻的狀態(tài)信息中。這一過程通過Sigmoid函數(shù)輸出一個(gè)0~1之間的數(shù)值作用于當(dāng)前時(shí)刻的輸入信息來完成,此結(jié)構(gòu)對(duì)信息執(zhí)行的計(jì)算為

        it=σ(Wihht-1+Wixxt-1+bi).

        (2)

        (3)

        (4)

        輸出門結(jié)構(gòu)用來控制信息輸出,讀取ht-1和xt,經(jīng)σ函數(shù)處理輸出0~1之間的數(shù)值ot,將ot與tanh(Ct)的乘積作為輸出信息ht。此結(jié)構(gòu)能夠確定哪些信息可以傳遞給下一個(gè)時(shí)刻,對(duì)信息執(zhí)行的計(jì)算為

        ot=σ(Wohht-1+Woxxt-1+b0),

        (5)

        ht=ot·tanh(Ct).

        (6)

        2 卡爾曼濾波

        卡爾曼濾波的基本模型是狀態(tài)空間模型,此模型描述系統(tǒng)內(nèi)部因素的發(fā)展變化,同時(shí)也對(duì)系統(tǒng)內(nèi)部狀態(tài)和觀測值之間的關(guān)聯(lián)進(jìn)行了表達(dá)。狀態(tài)空間模型實(shí)際上是一個(gè)隱藏的馬爾可夫模型,系統(tǒng)當(dāng)前時(shí)刻的狀態(tài)僅依賴于上一時(shí)刻的狀態(tài),此模型建立在系統(tǒng)線性和高斯白噪聲的基礎(chǔ)上。

        2.1 卡爾曼濾波的狀態(tài)空間模型

        假設(shè)系統(tǒng)的狀態(tài)為Xn,觀測值為Yn,下標(biāo)n(n取1,2,3,…)表示系統(tǒng)所處時(shí)刻,則系統(tǒng)的狀態(tài)空間模型為:

        Xn=AXn-1+Wn,Wn~N(0,Q),

        (7)

        Yn=HYn-1+Vn,Vn~N(0,P),

        (8)

        卡爾曼濾波器通過一個(gè)迭代反饋環(huán)實(shí)現(xiàn)最優(yōu)估計(jì),該反饋環(huán)包含兩個(gè)過程:預(yù)測過程和校正過程。

        2.2 卡爾曼濾波的預(yù)測過程

        因此預(yù)測過程得到

        (9)

        (10)

        2.3 卡爾曼濾波的校正過程

        =proj{Y1,Y2,…,Yn-1}Xn+proj{Zn}Xn

        根據(jù)n時(shí)刻系統(tǒng)狀態(tài)預(yù)測的協(xié)方差得到系統(tǒng)狀態(tài)的協(xié)方差

        因此校正過程得到3個(gè)關(guān)系式:

        (11)

        (12)

        (13)

        3 LSTM-KF模型搭建

        LSTM-KF模型結(jié)構(gòu)如圖2所示,其狀態(tài)空間模型可表示為

        Xn=f(Xn-1)+Wn,Wn~N(0,Q),

        (14)

        Yn=Xn+Vn,Vn~N(0,P).

        (15)

        圖2 LSTM-KF結(jié)構(gòu)Fig.2 Structure of LSTM-KF

        (16)

        (17)

        結(jié)合式(11)~式(13)LSTM-KF的校正過程表示為

        (18)

        (19)

        (20)

        (21)

        4 LSTM-KF模型訓(xùn)練結(jié)果分析

        針對(duì)LSTM-KF模型用MATLAB進(jìn)行仿真,訓(xùn)練數(shù)據(jù)集選取玻璃纖維增強(qiáng)復(fù)合材料試件承載過程的載荷值,存取1 109個(gè)時(shí)刻的載荷值,將前80%作為訓(xùn)練數(shù)據(jù)去預(yù)測后20%的載荷值。

        4.1 訓(xùn)練數(shù)據(jù)集獲取

        本文制備玻璃纖維增強(qiáng)復(fù)合材料試件,對(duì)其施加4點(diǎn)彎曲載荷進(jìn)行訓(xùn)練數(shù)據(jù)集獲取,試件制備原材料及試驗(yàn)用儀器設(shè)備如表1所示。

        表1 試件制備原材料試驗(yàn)用儀器設(shè)備Table 1 Materials of specimen and equipment for test

        本研究制備的玻璃纖維增強(qiáng)復(fù)合材料試件,其尺寸依據(jù)ASTM D6272—2000標(biāo)準(zhǔn)確定。預(yù)先剪裁玻璃纖維單軸布尺寸為200 mm×200 mm,每個(gè)試件鋪設(shè)12層玻璃纖維單軸布,環(huán)氧樹脂和環(huán)氧樹脂固化劑以100∶34質(zhì)量比混合配置膠黏劑,對(duì)玻璃纖維復(fù)合材料層板進(jìn)行真空灌注。最后按照尺寸使用切割機(jī)將制備好的玻璃纖維增強(qiáng)復(fù)合材料層板切割成160 mm×25 mm的試驗(yàn)試件,如圖3所示。

        本研究在萬能拉伸試驗(yàn)機(jī)上進(jìn)行玻璃纖維增強(qiáng)復(fù)合材料試件的4點(diǎn)彎曲載荷加載試驗(yàn),萬能拉伸試驗(yàn)機(jī)選擇“材料室溫壓縮試驗(yàn)”模式,采用位移控制加載,加載速率為5 mm/min。試件加載過程中利用聲發(fā)射儀對(duì)試件承載信號(hào)進(jìn)行采集,加載前需要將聲發(fā)射傳感器(頻率范圍為100~450 kHz,中心頻率為150 kHz)均勻涂抹真空油脂并用膠帶固定在試件兩端,力學(xué)性能測試系統(tǒng)如圖4所示。

        圖4 試件載荷加載試驗(yàn)系統(tǒng)Fig.4 Load test system for specimen

        4.2 LSTM-KF模型與LSTM模型性能比較

        通過仿真分別得到LSTM與LSTM-KF模型的預(yù)測載荷值,將這2種模型得到的預(yù)測值與實(shí)際值作比較做出模型性能分析,如圖5所示。

        從圖5(a)可以看出數(shù)據(jù)訓(xùn)練過程中隨著數(shù)據(jù)規(guī)模的不斷擴(kuò)大,均方誤差值以及損失函數(shù)值都呈下降趨勢,最后趨近于零。分析圖5(b)中的訓(xùn)練曲線:LSTM-KF模型的性能優(yōu)于獨(dú)立的LSTM模型,LSTM-KF的預(yù)測曲線更接近后20%加載期間的實(shí)際載荷值;定量分析LSTM-KF與LSTM模型所預(yù)測的玻璃纖維增強(qiáng)復(fù)合材料試件承載值發(fā)現(xiàn)LSTM-KF模型的預(yù)測誤差將LSTM模型的預(yù)測誤差從0.033 kN減小到0.016 kN,降幅為51.52%。

        圖5 仿真過程及結(jié)果Fig.5 Simulation process and results

        4.3 模型穩(wěn)定性分析

        改變神經(jīng)網(wǎng)絡(luò)的初始參數(shù),規(guī)定不同的神經(jīng)網(wǎng)絡(luò)隱藏單元數(shù)以及學(xué)習(xí)速率下降因子,模型性能分析如圖6和表2、表3所示。

        圖6 基于不同參數(shù)的模型性能分析Fig.6 Performance analysis of model based on different parameters

        圖6中4個(gè)圖分別描述不同隱藏層數(shù)和不同學(xué)習(xí)速率下降因子對(duì)應(yīng)的數(shù)據(jù)序列預(yù)測結(jié)果,從圖中可以看出改變神經(jīng)網(wǎng)絡(luò)隱藏層數(shù)和學(xué)習(xí)速率下降因子,LSTM-KF模型對(duì)應(yīng)的預(yù)測結(jié)果相互之間較為接近,其預(yù)測穩(wěn)定性高于LSTM模型。結(jié)合表2和表3數(shù)據(jù)可以看到對(duì)應(yīng)不同隱藏層數(shù)和學(xué)習(xí)速率下降因子時(shí),LSTM-KF模型的預(yù)測性能較LSTM模型穩(wěn)定提升約50%。由此驗(yàn)證了LSTM神經(jīng)網(wǎng)絡(luò)和Kalman濾波相結(jié)合的復(fù)合材料承載預(yù)測方法的可行性。

        表2 基于不同神經(jīng)網(wǎng)絡(luò)隱藏層數(shù)的模型性能分析Table 2 Performance analysis of model based on different hidden layers of neural networks

        表3 基于不同學(xué)習(xí)速率下降因子的模型性能分析Table 3 Performance analysis of model based on different learning rate degradation factors

        5 結(jié)論

        本文提出一種LSTM神經(jīng)網(wǎng)絡(luò)和Kalman濾波相結(jié)合的復(fù)合材料承載預(yù)測方法,利用LSTM架構(gòu)準(zhǔn)確捕捉輸入輸出之間的狀態(tài)轉(zhuǎn)移關(guān)系,結(jié)合Kalman濾波的狀態(tài)空間模型對(duì)載荷值進(jìn)行預(yù)測。仿真結(jié)果表明,本文提出的預(yù)測方法表現(xiàn)出優(yōu)良的性能:LSTM-KF模型的預(yù)測性能優(yōu)于獨(dú)立的LSTM,LSTM-KF的預(yù)測曲線更接近后20%加載期間的實(shí)際載荷值;定量分析LSTM-KF與LSTM所預(yù)測的玻璃纖維增強(qiáng)復(fù)合材料試件受力載荷值發(fā)現(xiàn):LSTM-KF模型的預(yù)測誤差將LSTM模型的預(yù)測誤差從0.033 0 kN減小到0.016 0 kN,降幅為51.52%;對(duì)應(yīng)不同隱藏層數(shù)和學(xué)習(xí)速率下降因子時(shí),LSTM-KF模型的預(yù)測性能較LSTM模型穩(wěn)定提升約50%。由此驗(yàn)證了LSTM神經(jīng)網(wǎng)絡(luò)和Kalman濾波相結(jié)合的復(fù)合材料承載預(yù)測方法的可行性。

        猜你喜歡
        卡爾曼濾波復(fù)合材料模型
        一半模型
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        民機(jī)復(fù)合材料的適航鑒定
        基于遞推更新卡爾曼濾波的磁偶極子目標(biāo)跟蹤
        復(fù)合材料無損檢測探討
        電子測試(2017年11期)2017-12-15 08:57:13
        3D打印中的模型分割與打包
        基于模糊卡爾曼濾波算法的動(dòng)力電池SOC估計(jì)
        基于擴(kuò)展卡爾曼濾波的PMSM無位置傳感器控制
        TiO2/ACF復(fù)合材料的制備及表征
        一区二区三区美女免费视频| 色婷婷丁香综合激情| 福利视频自拍偷拍视频| 亚洲av无一区二区三区| 女女女女女裸体处开bbb| 国产人妻黑人一区二区三区| 18禁国产美女白浆在线| 日本一区二区在线播放视频| 国产黄色看三级三级三级| 偷拍一区二区三区四区| 少妇久久久久久被弄高潮| 久久精品99久久香蕉国产色戒| 亚洲区日韩精品中文字幕| av免费在线观看在线观看| 国产网站一区二区三区| 强行无套内谢大学生初次| 天天狠天天透天干天天| 亚洲国产精品成人一区二区三区| 成人免费自拍视频在线观看 | 国产精品成人av大片| 国产精品兄妹在线观看麻豆| 亚洲人成无码网站久久99热国产| 91久久精品国产性色tv| 久久一区二区三区久久久| 国产亚洲日韩在线一区二区三区| 看全色黄大色大片免费久久| 亚洲色欲Aⅴ无码一区二区| 亚洲女同av一区二区在线观看| 成人av片在线观看免费| 无遮挡又黄又刺激又爽的视频| 亚洲公开免费在线视频| 国产人妻久久精品二区三区老狼 | 国产精品免费av片在线观看| 麻豆AⅤ无码不卡| 日本女优中文字幕在线观看| 视频在线国产一区二区| 麻豆精品久久久久久久99蜜桃 | 夜夜综合网| 国产无套粉嫩白浆内精| 亚洲av综合色区无码专区桃色| 久久精品国产亚洲av麻|