Presentation Details
  1. Home
  2. Presentation List
  3. Presentation Details
基于深度学习的颗粒材料应力应变曲线预测
ID：63 View Protection：ATTENDEE Updated Time：2024-04-09 22:26:52 Hits：1011 Oral Presentation

Start Time：Pending（Asia/Shanghai）

Duration：Pending

Session：No Session »

No files

Abstract
准确预测颗粒材料应力应变曲线，对于构建颗粒材料宏细观参数间的关系至关重要。相较于传统的室内和数值模拟三轴试验方法，数据驱动的深度学习方法能够快速预测不同条件下颗粒材料的非线性行为。然而，由于颗粒材料的力学性质复杂，现有深度学习方法在预测颗粒材料的应力应变曲线时存在精度不足的问题。为解决这一问题，本文提出了一种长短期记忆自编码器（LSTM-AE）网络，用于预测颗粒材料的应力应变曲线。同时，将LSTM-AE网络与LSTM网络、循环神经网络（RNN）、BP神经网络（BPNN）和XGBoost模型进行了对比和分析。结果表明，LSTM-AE网络在颗粒材料的应力应变曲线预测方面优于其他四种方法，具有更高的预测精度。这一研究为解决颗粒材料应力应变曲线的预测精度问题提供了有价值的参考。

 

 

Keywords
颗粒材料，离散元，深度学习，数据驱动，应力应变曲线
Speaker
张新松
东华理工大学地球科学学院

Submission Author
张新松 东华理工大学地球科学学院
李长圣 东华理工大学地球科学学院
张丹 南京大学地球科学与工程学院
Submit Comment
Verify Code Change Another
All Comments
Important Date

  • Conference Date

    May 31

    2024

    to

    Jun 03

    2024

  • Jun 03 2024

    Abstract Submission Deadline

  • Jun 03 2024

    Draft paper submission deadline

  • Jun 03 2024

    Registration deadline

Sponsored By
Panel of Computational Mechanics on Granular Materials
Working Party of Computational Mechanics
Chinese Society of Theoretical and Applied Mechanics
Organized By
Hohai University
Dalian University of Technology
Chinese Society of Particuology
Jiangsu Society of Theoretical and Applied Mechanics
Contact Information
Login to view full contact details
Previous Conferences