(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110547077.0 (22)申请日 2021.05.19 (65)同一申请的已公布的文献号 申请公布号 CN 113361184 A (43)申请公布日 2021.09.07 (73)专利权人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 (72)发明人 马刚　梅江洲　肖海斌　周伟　 曹学兴　常晓林　 (74)专利代理 机构 武汉智权专利代理事务所 (特殊普通 合伙) 42225 专利代理师 牛晶晶 (51)Int.Cl. G06F 30/25(2020.01) G06F 30/27(2020.01)G06F 119/14(2020.01) 审查员 李丽萍 (54)发明名称 一种基于卷积神经网络的颗粒体系宏观应 力波动预测方法 (57)摘要 本发明涉及一种基于卷积神经网络的颗粒 体系宏观应力波动预测方法， 其包括以下步骤： 基于颗粒的微观塑性行为和 高斯核函数的粗粒 化方法， 将 颗粒体系的微观塑性变形转换成规则 的三维体素矩阵； 建立以所述三维体素矩阵为输 入、 颗粒体系的实际宏观应力波动为输出的深度 学习数据集； 基于所述深度学习数据集训练卷积 神经网络， 建立颗粒体系的微观行为与宏观响应 的定量关系的跨尺度预测模型。 本发 明涉及的一 种基于卷积神经网络的颗粒体系宏观应力波动 预测方法， 能够建立颗粒体系从颗粒微观塑性行 为到宏观力学响应的定量关系， 为颗粒物质的宏 观应力波动预测和宏微观跨尺度研究提供了一 条崭新且有效的途径。 权利要求书2页 说明书7页 附图3页 CN 113361184 B 2022.05.13 CN 113361184 B 1.一种基于卷积神经网络的颗粒体系宏观应力波动预测方法， 其特征在于， 其包括以 下步骤： 基于颗粒的微观塑性行为和高斯核函数的粗粒化方法， 将颗粒体系的微观塑性变形转 换成规则的三维体素矩阵； 建立以所述三维体素矩阵为输入、 颗粒体系的实际宏观应力波动 为输出的深度 学习数 据集； 基于所述深度 学习数据集训练卷积神经网络， 建立颗粒体系的微观行为与宏观响应的 定量关系的跨尺度预测模型； 所述基于颗粒的微观塑性行为和高斯核函数的粗粒化方法， 将颗粒体系的微观塑性变 形转换成规则的三维体素矩阵， 包括： 对颗粒体系划分三维正方体网格； 根据每个颗粒的微观非仿射变形量和高斯核函数的粗粒化方法， 计算每个网格节点的 微观非仿射变形量， 形成规则的三维体素矩阵。 2.如权利要求1所述的基于卷积神经网络的颗粒体系宏观应力波动预测方法， 其特征 在于， 所述基于颗粒 的微观塑性行为和高斯核函数 的粗粒化方法， 将颗粒体系的微观塑性 变形转换成规则的三维体素矩阵， 还 包括： 计算每个颗粒的微观非仿射变形量作为颗粒的微观塑性行为。 3.如权利要求2所述的基于卷积神经网络的颗粒体系宏观应力波动预测方法， 其特征 在于， 所述根据每个颗粒 的微观非仿射变形量和高斯核函数 的粗粒化方法， 计算每个网格 节点的微观非仿射变形量， 形成规则的三维体素矩阵， 包括： 根据每个网格节点与其预设邻域范围内的每个颗粒球心之间的拉格朗日距离， 采用高 斯核函数计算得到每 个网格节点预设邻域范围内的每 个颗粒到对应网格节点的权 重； 将每个网格节点预设邻域范围内的每个颗粒的权重与每个颗粒对应的微观非仿射变 形量的乘积之和作为每 个网格节点的微观非仿射变形量。 4.如权利要求1所述的基于卷积神经网络的颗粒体系宏观应力波动预测方法， 其特征 在于， 在建立以所述三维体素矩阵为输入、 颗粒体系的实际宏观应力波动为输出 的深度学 习数据集之前， 包括： 进行颗粒体系离散元模拟 或物理实验， 记录颗粒的微观塑性行为与对应颗粒体系的实 际宏观应力波动。 5.如权利要求1所述的基于卷积神经网络的颗粒体系宏观应力波动预测方法， 其特征 在于， 在基于所述深度学习 数据集训练卷积神经网络， 建立颗粒体系的微观行为与宏观响 应的定量关系的跨尺度预测模型之前， 还 包括： 构建多层三维卷积神经网络， 并采用贝叶斯优化算法调整所述卷积神经网络的模型超 参数。 6.如权利要求1所述的基于卷积神经网络的颗粒体系宏观应力波动预测方法， 其特征 在于， 所述基于所述深度学习 数据集训练卷积神经网络， 建立颗粒体系的微观行为与宏观 响应的定量关系的跨尺度预测模型， 包括： 将所述三维体素矩阵输入所述卷积神经网络， 通过所述卷积神经网络的卷积层、 池化 层和全连接层得到对应颗粒体系的预测宏观应力波动；权　利　要　求　书 1/2 页 2 CN 113361184 B 2根据颗粒体系的预测宏观应力波动与对应颗粒体系的实际宏观应力波动之间的误差， 确定颗粒体系的微观行为与宏观响应的定量关系。 7.如权利要求6所述的基于卷积神经网络的颗粒体系宏观应力波动预测方法， 其特征 在于， 所述根据颗粒体系的预测宏观应力波动与对应颗粒体系的实际宏观应力波动之 间的 误差， 确定 颗粒体系的微观行为与宏观响应的定量关系， 包括： 当颗粒体系的预测宏观应力波动与对应颗粒体系的实际宏观应力波动之间的误差大 于期望误差值时， 将颗粒体系的预测宏观应力波动与对应颗粒体系的实际宏观应力波动之 间的误差反向传回所述卷积神经网络， 并依 次求得所述全连接层和所述卷积层的误差， 根 据所述全连接层和所述卷积层的误差更新所述全连接层和所述卷积层的参数， 并继续训练 卷积神经网络； 当颗粒体系的预测宏观应力波动与对应颗粒体系的实际宏观应力波动之间的误差等 于或者小于期望误差值时， 结束训练， 建立颗粒体系的微观行为与宏观响应的定量关系的 跨尺度预测模型。 8.如权利要求1所述的基于卷积神经网络的颗粒体系宏观应力波动预测方法， 其特征 在于， 所述深度学习 数据集包括测试数据集， 在基于所述深度学习 数据集训练卷积神经网 络， 建立颗粒体系的微观行为与宏观响应的定量关系的跨尺度预测模型之后， 还 包括： 将所述测试数据集投入所述跨尺度 预测模型， 若所述测试数据集的预测精度满足预设 理想值， 则保存并输出 所述跨尺度预测模型； 否则， 增加所述深度学习数据集， 并优化所述卷积神经网络的结构， 继续训练。 9.如权利要求8所述的基于卷积神经网络的颗粒体系宏观应力波动预测方法， 其特征 在于： 所述深度 学习数据集还包括训练数据集， 若所述训练数据集的预测精度高于所述测试 数据集的预测精度的120％， 则停止训练。 10.如权利要求1所述的基于卷积神经网络的颗粒体系宏观应力波动预测方法， 其特征 在于， 在基于所述深度学习 数据集训练卷积神经网络， 建立颗粒体系的微观行为与宏观响 应的定量关系的跨尺度预测模型之前， 还 包括： 通过统一计算设备架构将所述卷积神经网络放置 于图形处 理器中。权　利　要　求　书 2/2 页 3 CN 113361184 B 3