弹性力学的实时神经计算原理与数值仿真

针对现代结构分析的特点，提出了基于神经网络结构的弹性力学分析原理；给出求解该问题的网络———改进的Ｈｏｐｆｉｅｌｄ和ＴＨ网络．提出用ＢＰ网络来实现单元刚度矩阵的实时计算．最后，对两个简单结构的弹性力学神经计算进行了数值仿真     

双BP网络在损伤评估智能结构中的应用

为满足智能材料结构中大量的传感器和驱动器的信息处理和控制要求，目前应用较多的是ＢＰ网络，但它存在一些缺陷。本文研究采用双ＢＰ网络替代标准ＢＰ网络以提高其泛化能力，并应用于损伤评估智能复合材料结构中。     

双BP网格在损伤评估智能结构中的应用

为满足智能材料结构中大量的传感器和驱动器的信息处理和控制要求，目前应用较多的是ＢＰ网络，但它存在一些缺陷。本文研究采用双ＢＰ网络替代标准ＢＰ网络以提高其泛化能力，并应用于损伤评估智能复合材料结构中。     

人工神经网络在GPS自主式完整性检测中的应用

基于ＢＰ网络，结合ＧＰＳ接收机自主式完整性检测问题，给出一种用于ＧＰＳ自主式完整性检测的ＢＰ神经网络，通过实验优化了网络参数，经仿真实验表明这种方法是有效可行的。     

核反应堆管道和压力容器的LBB分析

管道和压力容器的破前漏（ＬＢＢ）分析是在近二十年里发展起来的保证核反应堆结构安全性和可靠性的一种重要分析方法．本文综述了ＬＢＢ分析的国内外研究和应用现状，介绍了一些典型的ＬＢＢ分析方法以及ＬＢＢ分析过程中遇到的一些主要问题，尤其是与断裂力学相关的问题，包括韧性裂纹扩展的稳定性分析、裂纹张开面积和泄漏率的计算等．ＬＢＢ问题的研究对于我国核能工业的发展具有重要的意义．     

高分子材料平面应变拉伸变形局部化

将基于应变软化玻璃状高分子材料微观特征建立的ＢＰＡ８－链分子网络模型引入ＵｐｄａｔｉｎｇＬａｇｒａｎｇｅ有限元方法，建立了适于变形局部化分析的大变形弹塑性有限元驱动应力法．在此基础上，数值模拟了初始各向同性高分子材料平面应变拉伸变形局部化的传播过程．探讨了ＢＰＡ模型对具有加工硬化特性的结晶性高分子材料变形分析的适应性；分析了局部化传播过程中颈缩截面的非均匀应力三轴效应；最后，讨论了网格尺寸以及初始几何不均匀性对颈缩扩散以及应力三轴效应的影响     

焊接结构应力场计算中的一类五面体可变节点等参单元

本文应用三维有限元理论，构造了一类五面体６－１５节点等参单元的形函数，提出了在五面体单元内的Ｇａｕｓｓ积分处理方法，建立了相应的单元刚度矩阵，这类单元的节点可以在６－１５之间任意选择，将其与ＡＳＰ５中的六面体８－２１节点等参单元匹配，计算了对接板接头的理论应力集中系数，经有与有关文献结果比较表明：这类单元适合于计算焊接结构的应力场，并且具有良好的精度。     

焊接结构应力场计算中的一类五面体可变节点等参单元

本文应用三维有限元理论，构造了一类五面体６～１５节点等参单元的形函数，提出了在五面体单元内的Ｇａｕｓｓ积分处理方法，建立了相应的单元刚度矩阵。这类单元的节点可以在６～１５之间任意选择。将其与ＳＡＰ５中的六面体８～２１节点等参单元匹配，计算了对接板接头的理论应力集中系数。经与有关文献结果比较表明：这类单元适合于计算焊接结构的应力场，并且具有良好的精度。     

改进的UL列式法及在几何非线性分析中的应用

在结构承受外荷载等效力的计算以及结构抗力向量计算方面对传统的UL方法进行了改进，编制了相应分析程序，通过算例分析比较表明该方法具有迭代收敛速度快，计算稳定，精度高的特点，该方法能直接应用到大型复杂杆系结构的几何非线性问题的求解中。     

基于神经网络的机械磨损故障光谱定位诊断法

在分析常用光谱定位诊断方法的基础上提出了基于神经网络的光谱定位诊断法；将机械摩擦副材质的元素含量作为神经网络输入，将材质所对应的部件作为神经网络输出，建立了相应的神经网络训练样本；通过整理训练样本和训练神经网络，利用神经网络超强的非线性映射能力和容错性实现了磨损故障部位诊断；通过算例分析验证了所提出的诊断方法的可行性和准确性．结果表明，所建立的方法简洁有效，并具有很高的诊断精度．     

基于卷积神经网络的涵洞式直立堤波浪透射预测

涵洞式直立堤是一种具有特殊用途的海岸工程结构物,对其透浪特性的研究具有重要工程意义. 然而,目前众多学者对于涵洞式直立堤波浪透射问题的研究主要以理论分析、实验模拟及数值计算为主.随着机器学习技术的发展, 传统水动力学问题迎来了新的求解理念.机器学习算法可根据训练数据集自主学习相应的规律,以数据映射的方式建立水动力学特征预测模型,在实际应用中无需对流体运动控制方程进行求解, 具有较高的计算效率. 因此,本文基于卷积神经网络(convolutional neural network, CNN),对不同开孔条件下的涵洞式直立堤透浪特征进行预测.首先利用模型试验验证计算流体力学(computational fluid dynamics, CFD)模型的有效性,然后基于CFD模型生成相应的训练数据集, 通过训练卷积神经网络模型,建立相应的波浪透射结果之间的数据映射关系,实现在新的工况下对波浪透射系数以及透射波波形等特征的快速预测. 结果表明,经过训练的卷积神经网络可在极短时间内计算得到相应的结果, 并具有较高的准确性.研究成果可为波浪与海岸结构物相互作用的问题提供新的求解理念.      

兖州矿区立井井筒非采动破裂的非线性预测与判别方法

厚冲积层立井井筒非采动破裂工程地质灾害是人类工程与自然环境相互作用的结果,该灾害的发生给煤矿造成巨大的经济损失,本文采用神经网络及模糊神经网络的方法对立井井筒破裂进行了预测与判别,预测与判别的结果表明,采用神经网络与模糊神经网络方法能够很好适用于立井井筒破裂的预测与判别,准确性高,能够满足实际应用的需要。     

神经网络状态方程在强爆炸冲击波数值模拟中的应用

强爆炸数值模拟的主要挑战在于如何准确地描述爆炸产物状态方程。利用BP神经网络和强爆炸产物状态数据对神经网络产物状态方程进行训练，并将得到的状态方程植入自编的一维球对称数值模拟程序，对强爆炸冲击波参数进行了计算。结果显示，计算得到的冲击波峰值超压、冲击波到时、正压时间与标准值吻合较好，证明将神经网络状态方程应用于强爆炸冲击波数值模拟是可行的。研究结果对确定强爆炸数值模拟方法具有很好的借鉴意义。     

红板岩材料隐式本构模型的建立及其应用研究

针对红板岩材料在岩土工程中所表现的大量模糊的和不确定的因素等特点,基于人工神经网络的学习能力,借助于室内岩石力学试验,进行了对该材料的力学本构特性进行了神经网络模拟研究,提出了隐式本构模型的思想和方法,并通过该方法对该岩石的流变试验结果进行学习,获得了以网络权值结构保存的力学特性知识,由此得到了表征红板岩应力应变本构关系的隐式本构模型。应用结果表明,该方法对岩土类材料本构关系的模拟研究具有很好的应用前景。     

转台的粗糙神经网络故障诊断系统设计

针对转台故障的多样性与复杂性,设计了独立于专家的粗糙神经网络故障诊断系统。首先建立转台故障诊断决策表,然后用粗糙集方法约简冗余属性,最后设计了神经网络分类器和辨识器。实验结果显示,诊断系统能较好地区分和辨识具有相同故障现象的不同故障,诊断正确率达到96.7%。将粗糙集理论与神经网络相结合,简化了信息表达空间,减小了神经网络结构的复杂性,并具有强大的容错和抗干扰能力,工程实用性强。     

Why neural networks apply to scientific computing?

In recent years, neural networks have become an increasingly powerful tool in scientific computing. The universal approximation theorem asserts that a neural network may be constructed to approximate any given continuous function at desired accuracy. The backpropagation algorithm further allows efficient optimization of the parameters in training a neural network. Powered by GPU's, effective computations for scientific and engineering problems are thereby enabled. In addition, we show that finite element shape functions may also be approximated by neural networks.     

基于复数神经网络的粘弹性材料动态模量拟合方法

固体火箭发动机药柱粘弹性材料除具有弹塑性特性,还具有粘滞性,这一特性使得材料变形具有明显的时间效应,本构关系复杂,进行动态力学分析时,动态模量难以有效拟合．本文提出了一种基于(Levenberg-Marquardt, L-M)算法的复数神经网络拟合粘弹性材料动态模量的方法．通过广义Maxwell模型推导得到材料的动态模量表达式,以此构造未定网络参数为复数的神经网络,从而提供了一种输入、输出样本均为复数的神经网络解决方法．将实数L-M训练算法进行改进,衍生到复数领域,提出复数L-M训练算法．通过粘弹性材料实验,将实验数据时温等效转换,获得复数神经网络的训练及测试样本．通过对神经网络进行训练,实现粘弹性材料动态模量的高精度拟合．数值算例表明,与传统神经网络拟合方法相比,所提方法在训练速度和泛化能力方面都有其优越性．     

中深孔爆破振动参数的BP神经网络预报

以某工程不同爆点不同监测点的爆破振动监测数据为背景 ,在分析爆破振动主要影响因素的基础上 ,建立了能同时对爆破振动速度峰值、振动主频率和振动的持续时间进行预报的BP神经网络模型。该模型的预报结果 (爆破振动的幅值、振动主频率和振动持续时间 )与实际监测结果基本吻合 ,从而得到了该场地不同地质、地形情况下爆破振动预报的BP神经网络模型。     

模糊—神经网络控制算法及其在离心力—振动复合环境试验系统中的应用

针对离心－振动复合环境试验系统所存在的耦合性、非线性和不确定性提出了一种模糊－神经网络控制算法,利用被控对象输入输出信息离线、在线相结合学习系统的动态特性,对时变、非线性系统进行跟踪控制,并研究了该算法在系统中的实现方法。实现表明了控制系统具有良好的跟踪能力。该算法也适用于快速变化这类系统的实时控制。     

基于WOA-BP神经网络的超低温冻土抗压强度预测模型研究

为获得超低温冻土抗压强度预测模型, 探究超低温状态下冻土的物理性质及力学性质的变化, 对含水率19%, 22%, 25%和28%的低液限黏土土样进行?180 °C ~ ?10 °C的单轴压缩强度试验, 并测量?80 °C ~ ?10 °C土样的未冻水含量, 建立基于WOA-BP神经网络和BP神经网络的预测模型, 探究含水率、温度、未冻水含量与超低温冻土抗压强度关系. 预测结果表明: 含水率、温度、未冻水含量与超低温冻土抗压强度存在复杂的非线性关系, 特别是在?180 °C ~ ?80 °C区间内, 现有的线性拟合公式已无法准确预测该区间内冻土抗压强度; 基于WOA-BP神经网络预测模型的整体预测效果较好, 其绝对误差平均值为1.167 MPa, 相对误差平均值为7.62%, BP神经网络预测模型的绝对误差平均值为8.462 MPa, 相对误差平均值为47.99%. 基于鲸鱼优化算法的BP神经网络预测模型预测误差明显小于BP神经网络预测模型及线性拟合值, 更接近实测值. 该预测模型具有较高精确度, 能有效解决超低温冻土抗压强度与其影响因素间复杂的非线性关系, 可为人工冻结技术在地层应急工程中的应用提供参考.