原创论文:基于LSTM神经网络的金属材料机器学习本构模型研究

摘要:金属材料在循环加载下会出现包辛格效应、循环硬化/软化、棘轮效应等复杂非线性行为。传统Chaboche模型能描述这些现象,但参数标定繁琐,复杂加载下精度有限。近年来LSTM神经网络凭借时序建模优势,为本构建模提供了

论文概述

金属材料在循环加载下表现出包辛格效应、循环硬化/软化、棘轮效应等复杂非线性行为。传统Chaboche模型虽能描述这些现象,但参数标定繁琐且复杂加载下精度有限。LSTM神经网络凭借时序建模能力,为本构建模提供了新途径。

本文以316L不锈钢为对象,基于Chaboche双背应力模型通过返回映射算法生成多工况应力-应变数据集,设计双层LSTM网络以应变及应变增量为输入预测应力。系统开展了五项验证实验:LSTM和GRU测试集R²均超0.99,远优于BP网络(R²≈0.83);外推测试中模型在±4%应变范围内R²达0.88;噪声鲁棒性、超参数敏感性分析及有限元嵌入验证了模型的实用性。

为全面评估系统性能,本文开展了三组实验:(1)基线对比实验,将LSTM与GRU、线性模型和XGBoost进行对比,结果表明GRU以RMSE=0.1962和R²=0.9351取得最优表现,LSTM紧随其后达到R²=0.9107,两者均显著优于线性基线;(2)消融实验,通过移除不同特征组验证各特征对模型的贡献,证实了滞后特征和周期编码对预测精度的重要性;(3)可解释性分析,通过排列特征重要性和注意力可视化揭示了模型的决策机制,发现小时周期编码和短期滞后特征是影响预测最关键的因素,注意力机制倾向于关注时间序列的近期时间步。

结果表明,LSTM能有效学习循环塑性本构关系,在训练域内预测精度优异,为数据驱动本构建模提供了新的技术路径。

统计信息

论文目录

配套项目

项目代码:基于LSTM神经网络的金属材料机器学习本构模型研究

作者信息

作者:Bob (张家梁)

原创声明:本项目为原创作品

相关推荐
严肃小白兔14 小时前
第 10/24 期:深度神经网络的自动求导机制与梯度验证
人工智能·神经网络·dnn
罗西的思考2 天前
【轻量化复刻大模型 / KIMI K3】Muon 优化器及 训练系统
人工智能·算法·机器学习
Asher11252 天前
电池数据整理复盘:从 MAT 文件到充电曲线
机器学习
龙腾AI白云2 天前
具身智能的空间导航与未知环境探索
大数据·数据库·人工智能·机器学习·知识图谱
汤姆宝库2 天前
RoPE旋转位置编码的实现与长上下文外推
python·深度学习·机器学习
回眸&啤酒鸭2 天前
【回眸】Hy4 模型效果展示与能力评测大纲
大数据·人工智能·机器学习
AI小怪兽2 天前
你的视觉基础模型会说“植物语“吗?面向目标检测的视觉基础模型植物语法
人工智能·深度学习·机器学习
峯5802 天前
机器学习05,用 scikit-learn 做加州房价预测的完整入门工程
人工智能·机器学习·scikit-learn
伞伞悦读2 天前
【第86期】分类指标与错误成本对照的实验与排查
大数据·人工智能·机器学习