薄板几何非线性弯曲分析的深度能量法

发展了一种增量形式的深度能量法求解薄板几何非线性弯曲问题。根据最小势能原理和Von-Karman非线性理论,构建以薄板势能为驱动的增量式深度神经网络模型。首先用网格离散薄板求解域,通过Python读取网格数据计算Hammer积分点,并以此作为训练集代入网络模型预测板的弯曲位移,再将荷载分成一系列的荷载增量,每个增量步中计算薄板势能作为神经网络的损失函数,以最小化势能为目标,结合Adam优化算法更新网络模型参数,待势能取驻值后再继续下一个荷载步的计算。本文求解了不同形状、不同边界条件下薄板的几何非线性弯曲问题,并将计算结果与文献解或有限元Abaqus解进行对比,研究表明,本文方法在求解薄板的几何非线性弯曲问题上具备有效性和准确性,且增量式的神经网络模型能够减小计算内存,有效提高计算效率和模型的稳定性。