一种基于bp人工神经网络的材料动态力学性能预测方法
【技术领域】
[0001] 本发明属于材料动态力学性能测试领域，具体涉及一种基于BP人工神经网络的 材料动态力学性能预测方法。
【背景技术】
[0002] 随着汽车持有量的日益增加，汽车的安全事故显著增多，汽车的被动安全技术也 越来越受到人们的关注。有限元仿真技术是研究汽车被动安全的主要方式之一。为保证仿 真的精度及有效性，除对仿真几何模型、接触边界条件和实际碰撞工况有严格的要求外，还 应建立准确的材料模型。对碰撞仿真分析而言，材料模型主要涉及材料在不同应变速率条 件下的动态力学性能。
[0003] 目前，采用传统的高速拉伸试验可以测量有限应变速率条件下材料的动态力学性 能，但试验周期长、成本高，试验获得的不同应变速率条件下的力学数据有限。例如测试一 组材料在5个应变速率条件下的动态力学性能就需要2周的试验周期。除此之外，通过材 料在若干应变速率条件下的力学特征，采用一定的本构方程拟合可获得材料在任意应变速 率条件下的力学性能数据，但该拟合方法获得的力学曲线与实测的力学曲线之间存在一定 偏差。
[0004] 这就亟需本领域技术人员解决相应的技术问题。
【发明内容】
[0005] 本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于BP 人工神经网络的材料动态力学性能预测方法。
[0006] 为了实现本发明的上述目的，本发明提供了一种一种基于BP人工神经网络的材 料动态力学性能预测方法，其包括如下步骤：
[0007] S1，采集材料应力应变数据，经归一化预处理后得到训练样本集；
[0008] S2,通过设计输入层、隐含层和输出层构建BP神经网络模型，并选择传递函数、训 练函数和学习函数；
[0009] S3,使用训练样本集对BP人工神经网络进行迭代训练得到最佳的预测网络；
[0010] S4对训练得到最佳的预测网络，应用在材料动态力学性能预测中，获取该材料在 任意应变速率条件下的动态力学性能。
[0011] 所述的基于BP人工神经网络的材料动态力学性能预测方法，优选的，所述Sl包 括：
[0012] Sl-I，材料的动态力学性能应包含三个参数：应力、应变及应变速率，采集材料在 若干不同应变速率条件下的应力、应变数据对；样本数据是由样本输入和期望输出组成的 样本对；
[0013] S1-2,为了避免网络系统误差过大及防止部分神经元达到过饱和状态，对样本数 据进行归一化处理，使所有的样本数据都归一为[-11]之间，而网络的输出向量通过反归 一化处理后，即可得到原物理空间的值；采用的数据归一化处理计算公式为：
[0014] Pn= 2 X (p-pnin)/(Pnax-Pnin)-L
[0015] 式中，pn，p，？_和p _分别为归一化后样本数据，原始样本数据，原始样本数据的 最小值和最大值。
[0016] 所述的基于BP人工神经网络的材料动态力学性能预测方法，优选的，所述S2包 括：
[0017] S2-1，用于材料动态力学性能预测的BP人工神经网络由输入层、隐含层和输出 层构成；其中，输入层包括应变速率和应变2个神经元，输出层为应力1个神经元；通过
进行确定一个隐含层神经元数量范围，随后对该范围内各数量神经元条件 下的网络进行预训练，通过比较BP人工神经网络收敛精度及收敛速度，确定最优的隐含层 的神经元数量；
[0018]
[0019] 式中，Ii1为隐含层单元数，m为输出单元数，a为（1，10)之间的常数；
[0020] S2-2,创建上述的神经网络；
[0021] S2-3,创建BP人工神经网络后，为该网络选择传递函数、训练函数和学习函数，用 于激活整个网络的学习、反馈和最终的预测功能；根据收敛精度分析，分别选择线性-对数 形式的传递函数、Levenberg-Marguart训练函数和梯度下降动量学习函数learngdm。
[0022] 所述的基于BP人工神经网络的材料动态力学性能预测方法，优选的，所述S2-1包 括：
[0023] 预训练过程为：预设训练函数trainlm，设定训练目标，设定训练步数，分别对具 有不同隐含层的网络训练，检查网络性能，根据结果确定最佳的隐含层神经元个数。
[0024] 所述的基于BP人工神经网络的材料动态力学性能预测方法，优选的，所述S2-2包 括：
[0025] 调用格式为：Net = newff(PR，[SI S2...Si... SN1]，{TF1 TF2…TFi... TFN1}，BTF， BLF，PF)，其中，表述从1到NI，即向量内的元素总个数为NI个。
[0026] 其中，net = newff :用于在对话框中创建一个BP人工神经网络；PR :由每组输入 元素的最大值和最小值组成的RX 2维的矩阵，其中共有R组输入，R为正整数；Si为第i层 的长度，共计Nl层；TFi :第i层的传递函数，共计Nl层，默认为"tansig" ;BTF :BP网络的 训练函数，默认为"trainlm" ;BLF :权值和阀值的BP学习函数，默认为" learngdm" ;PF :网 络的性能函数，默认为"mse"。
[0027] 所述的基于BP人工神经网络的材料动态力学性能预测方法，优选的，所述S3包 括：
[0028] S3-1，对网络的训练参数进行适当的设置，参数包括初始权值、学习速率、动量因 子、训练步数、训练目标及性能函数；取初始权值在[0 1]之间的随机数，学习速率选取范 围在0. 01-0. 8之间，动量因子通常在0-1之间且比学习率要大，训练步数及目标根据实际 需求进行设置；性能函数从MATLAB软件中提供的均方误差性能函数mse和均方误差规范化 函数msereg间选取；
[0029] S3-2,在BP人工神经网络生成和初始化以后，利用现有的输入-输出样本数据对 网络进行训练；神经网络的训练过程，是输入变量正向计算与误差逆向传播的各层权值和 阀值矩阵周而复始地调整，使得误差函数小于要求精度的过程。
[0030] 所述的基于BP人工神经网络的材料动态力学性能预测方法，优选的，所述S3-2包 括：
[0031] 神经网络的学习训练时，首先随机抽取输入样本，在系统默认的网络层连接权值 及神经元阀值条件下，初始时通过正向传播，由输入层-隐含层-输出层进行计算，判断输 出层的实际输出与期望输出之间的误差，并判断网络误差是否满足要求，当误差达到预设 精度或学习次数大于设定的最大次数，则结束算法，若未达到精度，系统将误差反向传播， 按照一定规律对权值和阀值进行调整，极限计算输出值与期望值间的误差并进行误差判 断，若满足，则训练结束，若不满足，则再次反向传播，调整阀值计算，直到满足要求或者达 到设定的最大次数。
[0032] 所述的基于BP人工神经网络的材料动态力学性能预测方法，优选的，所述S4包 括：
[0033] S4-1，利用获取的若干不同应变速率条件的材料动态力学性能数据对，按Sl进行 材料数据采集及预处理，随后将其输入S3中得到的预测网络模型进行预测得到该材料在 任意应变速率条件下的动态力学性能。
[0034] 综上所述，由于采用了上述技术方案，本发明的有益效果是：
[0035] 为满足仿真的精度要求，本发明提供了一种基于BP人工神经网络的材料动态力 学性能预测方法，基于材料的在有限应变速率条件下的动态力学性能，可对材料在任意应 变速率条件下的力学性能进行预测，为仿真分析提供准确的材料模型。弥补高速拉伸试验 测量的数据有限、测量周期长、费用高等不足。
[0036] 1.采用BP人工神经网络预测材料动态力学性能，可以取代传统的拟合法作为材 料的动态力学性能输入，提高仿真精度。<