王正桓，張超鋒，陸菁，李偉力

基于深度學(xué)習(xí)的軟鋼力學(xué)特性

王正桓1a，張超鋒1b，陸菁1c，李偉力2

（1.江南大學(xué) a.信息化建設(shè)與管理中心 b.機械工程學(xué)院 c.設(shè)計學(xué)院，江蘇 無錫 214122； 2.無錫開放大學(xué)，江蘇 無錫 214011）

針對機械工程中軟鋼材料在大塑性拉伸載荷下力學(xué)特性分析的問題，提出一種基于深度學(xué)習(xí)的分析方法來預(yù)測其力學(xué)特性。首先對軟鋼材料不同臺階角度展開拉伸實驗，并將采集到的實驗數(shù)據(jù)利用智能技術(shù)進行預(yù)測分析。實驗?zāi)Ｐ驮O(shè)計為雙層結(jié)構(gòu)，第1層結(jié)構(gòu)采用共享全連接層特征輸入，第2層使用極端隨機樹和長短時記憶網(wǎng)絡(luò)做聯(lián)合深度訓(xùn)練，并對訓(xùn)練結(jié)果經(jīng)過激活函數(shù)計算后統(tǒng)一輸出。采用聯(lián)合訓(xùn)練模型在實驗測試集上能較好地反映出應(yīng)變與應(yīng)力的變化趨勢、速度和數(shù)值關(guān)系。實驗結(jié)果顯示，利用聯(lián)合訓(xùn)練模型比單一ET和LSTM預(yù)測技術(shù)在擬合效果上分別提高了28.3%和63.5%。利用新模型取得較好的預(yù)測效果，這為分析金屬阻尼器大塑性拉伸載荷下軟鋼材料力學(xué)特性的分析提供了重要的參考。

機械設(shè)計；力學(xué)特性；機器學(xué)習(xí)；極端隨機樹；長短時記憶網(wǎng)絡(luò)

金屬阻尼器是以提供運動阻力，耗減運動能量的裝置，作為一種十分重要的耗能構(gòu)件，在機械工程應(yīng)用和設(shè)計，以及抗震工程中應(yīng)用十分廣泛[1]。機械工程中的耗能結(jié)構(gòu)在設(shè)計中充分利用金屬材料的塑性變形能力，從而優(yōu)化提高金屬阻尼器的耗能。在實際使用中有剪切[2]、張力[3]、彎曲和組合[4]等多種類型的阻尼器，采用不同的金屬耗能機制，在不同工況下采用不同的變形方式耗散能量。

機械工程中軟鋼材料在張力[5—6]、彎曲[7]、剪 切[8—9]等不同載荷下表現(xiàn)出不同的特性。同時，軟鋼材料在不同的圓角高度[10]、圓角長度[11]和肩部圓角等形狀系數(shù)也會表現(xiàn)出不同的性能[12]。目前，關(guān)于塑性形變下軟鋼材料應(yīng)力集中及其對阻尼器變形性能影響的研究還較少。通過人工智能方法進行科學(xué)預(yù)測與分析，可以提高系統(tǒng)評估的科學(xué)性和可靠性，對實際應(yīng)用有著積極的指導(dǎo)意義。

金屬材料的力學(xué)性能研究是機械設(shè)計中研究的熱點問題之一?？梢圆捎枚喾N技術(shù)來分析金屬材料力學(xué)性能，如有限元模型[13]、模態(tài)結(jié)構(gòu)[14]等。隨著人工智能技術(shù)的廣泛應(yīng)用，將人工智能技術(shù)方法用于金屬材料力學(xué)性能研究已成為一種重要的技術(shù)手段。如將神經(jīng)網(wǎng)絡(luò)[15]、支持向量機[16]等技術(shù)應(yīng)用于該領(lǐng)域，以及在包裝機械設(shè)備的故障識別[17]、包裝缺陷檢測[18]中都有著重要的應(yīng)用。

在人工智能技術(shù)中，時間序列預(yù)測作為一種重要的預(yù)測手段，在各個領(lǐng)域都有重要應(yīng)用。在機械工程阻尼器的形變中，隨著拉伸載荷的應(yīng)變變化應(yīng)力發(fā)生相應(yīng)變化，每一時刻的不同形變和上一時刻有關(guān)聯(lián)，因此可以利用長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）[19]分析不同時刻的應(yīng)變與應(yīng)力的連貫變化，以對金屬阻尼器的材料力學(xué)特性進行分析預(yù)測。LSTM是一種時間循環(huán)神經(jīng)網(wǎng)絡(luò)，是為了解決一般循環(huán)神經(jīng)網(wǎng)絡(luò)存在的長期依賴問題而設(shè)計，在時序和類時序問題中有良好的表現(xiàn)。

極端隨機樹[20]（Extremely randomized trees，ET）在使用中表現(xiàn)非常穩(wěn)定，即使數(shù)據(jù)集中出現(xiàn)了一個新的數(shù)據(jù)點，整個算法也不會受到過多影響，只會影響一棵決策樹，很難對所有決策樹產(chǎn)生影響。同時，極端隨機樹不采用隨機采樣，即每個決策樹采用原始訓(xùn)練集。通過該方法可較好提高分析軟鋼材料性能的可靠性。

文中采用深度學(xué)習(xí)中的LSTM方法，同時利用共享嵌入層結(jié)合極端隨機樹技術(shù)進行聯(lián)合訓(xùn)練。首先對帶有臺階的軟鋼性能展開研究，然后采用LSTM和ET進行聯(lián)合訓(xùn)練的方法，同時提高預(yù)測的擬合度，從而合理地評估和預(yù)測軟鋼材料的力學(xué)性能，為機械工程中阻尼器的設(shè)計提供依據(jù)。

1 研究計劃

為研究分析金屬阻尼器軟鋼結(jié)構(gòu)材料在不同塑性變形下的應(yīng)力應(yīng)變情況，設(shè)置了3種不同截面高度的突變處（稱為“臺階”）角度來展開研究，具體研究計劃見表1。

為了能更準(zhǔn)確反映該種鋼材料應(yīng)變應(yīng)力的變化狀態(tài)情況，采用聯(lián)合訓(xùn)練的方法來提高學(xué)習(xí)分析的效果，進一步減少偏差。總體思路流程見圖1。

首先采用2種基礎(chǔ)算法對軟鋼T30的實驗結(jié)果進行分析。然后建立共享嵌入層將輸入特征作為ET和LSTM等2種算法的共同輸入。利用共享層對輸入特征同時進行ET算法學(xué)習(xí)和LSTM算法學(xué)習(xí)，利用ET模型學(xué)習(xí)特征的變化關(guān)系，分析其在不斷應(yīng)變過程中的對應(yīng)應(yīng)力情況；對于LSTM模型，嵌入層將實驗數(shù)據(jù)按序列順序輸入模型，使其學(xué)習(xí)在拉伸載荷作用下的應(yīng)力隨應(yīng)變變化的序列特點，將LSTM的輸出和ET模型的輸出經(jīng)過激活函數(shù)后再輸出。最后，利用T45和T60實驗結(jié)果，通過殘差分析來驗證該優(yōu)化融合模型的合理性、準(zhǔn)確性和可靠性。

1.1 阻尼器軟鋼試樣

軟鋼阻尼器的臺階在塑性變形下的損傷比較復(fù)雜。在往復(fù)循環(huán)載荷下，臺階的損傷特性研究仍不充分。在實際工況中，T形臺階的角度不再是一個定值，而是隨著剪切振幅的變化而變化，因此，在T形臺階中設(shè)計了3個角度（=30°，45°，60°），結(jié)合智能技術(shù)研究力學(xué)性能的變化，分析及預(yù)測其在3種不同角度下的應(yīng)變應(yīng)力變化情況。軟鋼試樣見圖2。

1.2 算法研究

1.2.1 LSTM算法

長短記憶神經(jīng)網(wǎng)絡(luò)（LSTM）是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，能夠?qū)W習(xí)長期依賴關(guān)系，在各種時序問題上表現(xiàn)良好，現(xiàn)已被廣泛使用。一個典型的 LSTM 網(wǎng)絡(luò)由不同的單元或記憶塊組成，LSTM單元一般會輸出2種狀態(tài)到下一個單元，即單元狀態(tài)和隱藏狀態(tài)。記憶塊則負責(zé)記憶各個隱藏狀態(tài)或前面時間步的事件。典型單元結(jié)構(gòu)見圖3。

圖2 軟鋼試樣

圖3 LSTM單元結(jié)構(gòu)

在每個時間點n，都會有一個對應(yīng)的狀態(tài)C，C記錄了之前的信息。在每個時間點，都可以通過調(diào)節(jié)權(quán)重的輸入、遺忘等方式去修正t的狀態(tài)。通過使用sigmoid門來控制每個輸入因素對于C的影響值，一般使用遺忘門、輸入門、輸出門等3個門的控制來實現(xiàn)對長短時記憶的分析。LSTM由3個主要組成部分構(gòu)成，即遺忘門、輸入門、輸出門。通過遺忘門、輸入門、輸出門對狀態(tài)的影響，最終決定每個時間點的輸出狀態(tài)，最后把這個狀態(tài)一直傳遞下去，從而達到控制長短時記憶的目的。LSTM主要構(gòu)成部件見表2。

表2 LSTM主要構(gòu)成部件

LSTM在時刻輸入x，首先取上個階段的輸出h?1，通過sigmoid函數(shù)來控制時刻的狀態(tài)。然后創(chuàng)建1個備選的，用tanh函數(shù)控制部分，再把這2個部分相乘。同時，再加上遺忘門的輸出，構(gòu)成當(dāng)前時刻的C，即：

(1)

式中：f為遺忘門的輸出。

(2)

式中：W表示遺忘門輸出時在h-1和輸入下所對應(yīng)的權(quán)重值。在得到C的狀態(tài)輸出后，由輸出門控制可以看到，通過sigmoid函數(shù)處理信號的輸出，輸出門控制C的哪部分被輸出，即：

(3)

式中：o表示輸出門輸出時在h-1和輸入下所對應(yīng)的權(quán)重值。由輸出門的結(jié)構(gòu)可以看出，C輸出經(jīng)過tanh函數(shù)激活，再與O相乘，得到最后的輸 出，即：

(4)

得到時刻的最后輸出h，完成了LSTM序列處理?？梢钥吹?，LSTM通過遺忘門、輸入門、輸出門對于狀態(tài)的影響，最終決定每個時間點的狀態(tài)并傳遞下去，從而達到長短時記憶控制的作用。

1.2.2 極端隨機樹算法

極端隨機樹算法是一種多棵決策樹集成的分類器，與隨機森林類似。主要區(qū)別在于隨機森林采用的是隨機采樣bootstrap方式來選擇采樣集作為每個決策樹的訓(xùn)練集，而極端隨機樹算法一般不采用隨機采樣，每個決策樹采用原始訓(xùn)練集。隨機森林應(yīng)用Bagging模型，極端隨機樹使用的所有樣本，只有特征是隨機選取。極端隨機樹算法見圖4。

1.2.3 聯(lián)合訓(xùn)練模型

金屬阻尼器由于在拉伸載荷的不斷作用下，應(yīng)力會隨著應(yīng)變的增加而同時增加，但當(dāng)應(yīng)變到一定程度后，應(yīng)力會隨著應(yīng)變的增加而減小，直至為零，即此時金屬材料發(fā)生了斷裂。如果只按照序列順序進行機器學(xué)習(xí)，不能充分學(xué)習(xí)到該問題的數(shù)據(jù)特點，為充分學(xué)習(xí)數(shù)據(jù)特點，利用共享嵌入層采用ET模型和LSTM模型同時學(xué)習(xí)的方法，以達到充分學(xué)習(xí)特征變化的目的，還可以兼顧應(yīng)力應(yīng)變序列變化過程中的數(shù)據(jù)變化情況。聯(lián)合訓(xùn)練結(jié)構(gòu)見圖5。

2 結(jié)果與分析

2.1 實驗結(jié)果

經(jīng)過對不同T型臺階角度的拉伸載荷，隨著不斷地施加載荷直至發(fā)生斷裂破壞，得到的實驗結(jié)果見圖6。

圖4 極端隨機樹算法

從實驗結(jié)果可以看出，塑性變形主要集中在中間區(qū)域。在拉伸載荷作用下，當(dāng)臺階高度一定，不同臺階角度都具有較好的強化效果。

2.2 聯(lián)合訓(xùn)練算法

聯(lián)合訓(xùn)練算法首先對T30進行拉伸實驗，通過對T30實驗劃分不同的訓(xùn)練集，及其訓(xùn)練結(jié)果來確定訓(xùn)練集的劃分比例。實驗按90%，80%，70%，60%來劃定拉伸載荷數(shù)據(jù)集中的訓(xùn)練集比例，分別考察在不同比例情況下模型的融合預(yù)測分析效果，見表3。

表3分析了不同訓(xùn)練集劃分（90%，80%，70%，60%共4種比例）下3種算法對應(yīng)的預(yù)測效果，實驗采用經(jīng)典的均方誤差（Mean Squared Error,MSE）指標(biāo)來衡量。由表3可知，當(dāng)訓(xùn)練集比例為90%時，3種算法模型對應(yīng)的MSE指標(biāo)數(shù)值優(yōu)于其他比例的對應(yīng)值，ET模型MSE指標(biāo)為0.2547，LSTM模型MSE指標(biāo)為0.4955，融合模型效果的MSE指標(biāo)為0.1833。通過縱向和橫向比較，實驗按照90%來劃定訓(xùn)練集比例預(yù)測效果最好。在確定好數(shù)據(jù)比例劃分后，針對聯(lián)合訓(xùn)練算法模型（圖5），采用算法實現(xiàn)流程（見圖7），進行基于LSTM和ET的聯(lián)合訓(xùn)練。

圖5 聯(lián)合訓(xùn)練結(jié)構(gòu)

圖6 拉伸載荷實驗結(jié)果

表3 不同訓(xùn)練集比例劃分對比

圖7 聯(lián)合訓(xùn)練算法流程

實驗對T45和T60分別進行測試，將T45和T60的應(yīng)力應(yīng)變測試和預(yù)測值進行分析對比，為了有效地評估應(yīng)力應(yīng)變變化，將整個形變過程按應(yīng)力變化分為上升和下降2個過程，每個過程又分為兩端作細致考察，并對3種模型的應(yīng)變應(yīng)力預(yù)測進行比較分析。對ET，LSTM和聯(lián)合訓(xùn)練等3種模型分別用預(yù)測1、預(yù)測2和預(yù)測3表示，預(yù)測變化曲線結(jié)果見圖8。

由圖8可知，隨著拉伸應(yīng)力增長，該種阻尼器軟鋼材料的應(yīng)變也呈正比例變化。在前半段應(yīng)變過程中，應(yīng)力預(yù)測變化隨著拉伸載荷的增加也逐步增加，變化趨于平穩(wěn)，基本與實際應(yīng)力值變化接近。在拉伸載荷的上升段，當(dāng)應(yīng)力達到峰值時開始進入下降段，預(yù)測應(yīng)力變化值和真實變化值有一段變化較快。在這一段的快速變化中，預(yù)測值和真實值的變化趨勢和速度保持一致，但數(shù)值上有一定的偏差，這主要是由于此時拉伸載荷較大，形變突然加速，機器學(xué)習(xí)此時在這種情況下學(xué)習(xí)有一定的困難，使此段存在一定的差別。在實際應(yīng)變過程中，此段一直處于加速狀態(tài)，應(yīng)力變化激烈而快速。造成此段應(yīng)力在短時間內(nèi)迅速降為0，即此時該種軟鋼材料發(fā)生了斷裂。綜上所述，聯(lián)合訓(xùn)練模型較好地反映了應(yīng)變應(yīng)力的變化情況，能較為準(zhǔn)確地反映變化趨勢和數(shù)量。為檢驗?zāi)Ｐ偷挠行耘c殘差，可做進一步分析。

2.3 模型檢驗分析

為了檢驗融合模型的有效性，通過殘差做進一步分析。通過方檢驗來分析，見表4。

表4中表示擬合優(yōu)度，是用來衡量估計模型對觀測值的擬合程度。值接近1，說明該模型擬合性越好。由表4可知，調(diào)整后的方為0.989，擬合較好，且在3個模型中擬合效果都較好。誤差估算結(jié)果顯示，聯(lián)合模型比ET和LSTM算法分別提高了73.2%和80.9%。

為了能更好地判別模型分析的有效性，采用Anova進行分析判斷，見表5。

由表5可知，方差分析的結(jié)果是對整個回歸方程的總體檢驗。根據(jù)該分析所對應(yīng)的顯著性來判斷整個回歸方程的使用價值，當(dāng)顯著性小于0.05，表明該模型的分析有效。通過比較表5模型的殘差平方和大小來判斷擬合效果，殘差平方和越小，擬合效果越好。擬合結(jié)果顯示，融合模型比ET和LSTM算法分別提高了28.3%和63.5%。

通過分析殘差統(tǒng)計，可進一步判斷模型的預(yù)測有效性，殘差統(tǒng)計見表6。

圖8 拉伸載荷應(yīng)力應(yīng)變

表4 R方檢驗

注：a表示自由度調(diào)整

表5 Anova分析

注：b表示顯著性標(biāo)識

表6 殘差統(tǒng)計

由表6可知，3個模型的標(biāo)準(zhǔn)化殘差均值為0，偏差為1，說明該模型預(yù)測值的標(biāo)準(zhǔn)化殘差接近標(biāo)準(zhǔn)正態(tài)分布，實驗所采用的模型預(yù)測無偏估計。聯(lián)合訓(xùn)練模型的標(biāo)準(zhǔn)偏差最小，聯(lián)合訓(xùn)練模型預(yù)測穩(wěn)定性優(yōu)于ET和LSTM。

綜上所述，聯(lián)合訓(xùn)練預(yù)測模型是無偏有效的預(yù)測，能較好地預(yù)測和反映軟鋼力學(xué)的特性。聯(lián)合訓(xùn)練模型的預(yù)測效果優(yōu)于單個模型的預(yù)測能力，并且能充分發(fā)揮各個模型的優(yōu)勢，在實際應(yīng)用中具有積極的參考意義。

3 結(jié)語

針對機械工程中軟鋼材料在大塑性拉伸載荷下力學(xué)特性分析的問題，采用融合模型對其進行分析和研究。該模型利用共享嵌入層的方式將ET和LSTM算法進行聯(lián)合訓(xùn)練，通過不同角度的拉伸載荷，對軟鋼材料相應(yīng)的應(yīng)變應(yīng)力情況進行了實驗分析。實驗結(jié)果顯示，模型預(yù)測值和真實值之間在變化趨勢和變化速度上都保持一致，預(yù)測數(shù)值在拉伸上升階段和下降段的后半段預(yù)測較為準(zhǔn)確，而在形變突然加速的下降前半段的預(yù)測分析還需進一步深入研究。通過對比3種模型的擬合效果可以看出，融合模型比ET和LSTM算法分別提高了28.3%和63.5%，這表明改進后的模型對于軟鋼材料在大塑性形變下的設(shè)計和研究方面具有積極的參考意義。

[1] ZHANG Chao-feng, CHEN Shi-xi, LIN Xu-chuan, et al. Effect of T-Shape Shoulder Fillet on the Plastic Deformation Properties of SS400 and LYS160 Steel[J]. Materials (Basel, Switzerland), 2020, 13(7): 1528- 1535.

[2] YU Jin-guang, LIU Li-ming, LI Bo, et al. Comparative Study of Steel Plate Shear Walls with Different Types of Unbonded Stiffeners[J]. Journal of Constructional Steel Research, 2019(159): 384-396.

[3] RAMAZAN Ozcelik, YAGMUR Dikiciasik, ELIF FiruzeErdil. The Development of the Buckling Restrained Braces with New End Re-Strains[J]. Journalof Constructional Steel Research, 2017(138): 208-220.

[4] LI Zong-jing, SHU Gan-ping, HUANG Zhen. Development and Cyclic Testing of an Innovative Shear-Bending Combined Metallic Damper[J]. Journal of Constructional Steel Research, 2019(158): 28-40.

[5] LIU Guang-yan, ZHANG Ruo-nan, YIYa-nan, et al. Experimental and Simulation Study on Stress Concentration of Graphite Components in Tension[J]. Mechanics of Materials, 2019(130): 88-94.

[6] WALDMAN Wale, HELLER Macaulay, CHEN Gao-xin. Optimal Free-Form Shapes for Shoulder Fillets in Flat Plates Under Tension and Bending[J]. International Journal of Fatigue, 2001(23): 509-523.

[7] FRANCISCO Sanchez-marin, VICTOR Roda-casanova, ALBERTO Porras-vazquez. A New Analytical Model to Predict the Transversal Deflection Under Load of Stepped Shafts[J]. International Journal of Mechanical Sciences, 2018(147): 91-104.

[8] MEHMET Firat. A Notch Strain Calculation of a Notched Specimen Under Axial-Torsion Loadings[J]. Materials & Design 2011(32): 3876-3882.

[9] LIU Yang, MASATOSHI Shimoda. Shape Optimization of Shear Panel Damper for Improving the Deformation Ability Under Cyclic Loading[J]. Structural & Multidisciplinary Optimization, 2013(48): 427-435.

[10] HAMADA Shigeru, MORIYAMA Tsuyoshi, NOGUCHI Hiroshi. Dependence of Fatigue Limit on Step Height for Stepped 0.45% Carbon Steel with Singular Stress Field[J]. Engineering Fracture Mechanics, 2018(188): 20-35.

[11] LANSARD Rhone. Fillets without Stress Concentrations[J]. Journal of the Japan Society of Mechanical Engineers, 2015(13): 97-104.

[12] ZHANG Chao-feng, ZHU Tong-bo, WANG Long-fei, et al. Ultra-Low Cycle Fatigue Performance Evaluation of the Miniaturized Low Yield Strength Steel Shear Panel Damper[J]. Journal of Constructional Steel Research, 2017(135): 277-284.

[13] 祁荷英, 陳明明, 徐倩, 等. 基于纖維束漸進損傷性能的平紋陶瓷基復(fù)合材料拉伸力學(xué)行為預(yù)測[J]. 中國科技論文, 2018, 13(4): 444-449.

QI He-ying, CHEN Ming-ming, XU Qian, et al. Prediction of Tensile Behavior of Plain Weave Ceramic Matrix Composites From Tow Properties with Progressive Damage[J]. China Science Paper, 2018, 13(4): 444-449.

[14] 鄔開, 朱林利. 雙模態(tài)納米孿晶金屬材料的力學(xué)性能研究預(yù)測[J]. 中國科技論文, 2018, 13(5): 494-498.

WU Kai, ZHU Lin-li. Mechanical Properties of Nanotwinned Metals with Bimodal Twin Spacing Distribution[J]. China Science Paper, 2018, 13(5): 494-498.

[15] 張梓煜, 曾攀, 雷麗萍. 基于機器學(xué)習(xí)的大鍛件拔長變形預(yù)測[J]. 鍛壓技術(shù), 2018, 45(10): 209-216.

ZHANG Zi-yu, ZENG Pan, LEI Li-ping. Prediction of Drawing Deformation for Heavy Forgings Based on Machine Learning[J]. Forging& Stamping Technology, 2018, 45(10): 209-216.

[16] 李志雄, 嚴(yán)新平. 獨立分量分析和流形學(xué)習(xí)在VSC-HVDC系統(tǒng)故障診斷中的應(yīng)用[J]. 西安交通大學(xué)學(xué)報, 2011, 45(2): 44-48.

LI Zhi-xiong, YAN Xin-ping. Independent Component Analysis and Manifold Learning with Applications to Fault Diagnosis of VSC-HVDC Systems[J]. Journal of Xi'anJiao Tong University, 2011, 45(2): 44-48.

[17] 馬文博, 梅磊, 劉波. 基于ICS-LSSVM的包裝機械動力機軸承的故障識別[J]. 包裝工程, 2018, 39(11): 176-181.

MA Wen-bo, MEI Lei, LIU Bo. Fault Identification of Power Machine Bearings of Packaging Machinery Based on ICS-LSSVM[J]. Packaging Engineering, 2018, 39(11): 176-181.

[18] 李建明, 楊挺, 王惠棟. 基于深度學(xué)習(xí)的工業(yè)自動化包裝缺陷檢測方法[J]. 包裝工程, 2020, 41(7): 175-184.

LI Jian-ming, YANG Ting, WANG Hui-dong. An Industrial Automation Packaging Defect Detection Method Based on Deep Learning[J]. Packaging Engineering, 2020, 41(7): 175-184.

[19] SHOTARO Minami. Predicting Equity Price with Corporate Action Events Using LSTM-RNN[J]. Journal of Mathematical Finance, 2018, 8(1): 58-63.

[20] SHI Xiu-jin, CAI Yi-fan, YANG Yang. Extreme Trees Network Intrusion Detection Framework Based on Ensemble Learning[C]// Dalian: 2020 IEEE International Conference on Advances in Electrical Engineering and Computer Applications, 2020: 246-255.

Mechanical Properties of Mild Steel Based on Deep Learning

WANG Zheng-huan1a, ZHANG Chao-feng1b, LU Jing1c, LI Wei-li2

(1a.Information Construction and Management Center b. School of Mechanical Engineering c. School of Design, Jiangnan University, Wuxi 214122, China; 2.Wuxi Open University, Wuxi 214011, China)

The work aims to propose an analysis method based on deep learning to predict the mechanical properties of mild steel, in order to analyze the mechanical properties of mild steel under large plastic tensile load in mechanical engineering. Firstly, the tensile experiments were carried out to the mild steel materials with different step angles and the collected experiment data were analyzed by intelligent technology. The experiment model was designed to be a two-layer structure. The first layer was shared full connection layer for feature input. The second layer adopted extreme random tree and long-term and short-term memory network to carry out parallel depth training, and output the training results after activation function calculation. The parallel training model could better reflect the strain and stress change trend, velocity and numerical relationship in the experimental test set. The experimental results showed that the parallel training model could improve the fitting effect by 28.3% and 63.5% respectively compared with the single ET and LSTM prediction technology. Good prediction results can be obtained through the new model, which provides an important reference for the analysis of mechanical properties of mild steel materials in the metal damper under large plastic tensile load.

mechanical design; mechanical properties; machine learning; extreme random trees; long and short term memory

TH122

A

1001-3563(2022)01-0219-09

10.19554/j.cnki.1001-3563.2022.01.028

2021-05-03

江蘇省現(xiàn)代教育技術(shù)研究智慧校園專項（2020-R-84358）；全國職業(yè)教育教師企業(yè)實踐基地“產(chǎn)教融合”專項

王正桓（1977—），男，工程師，主要研究方向為人工智能技術(shù)、計算機應(yīng)用技術(shù)。