形状记忆合金橡胶层状力学模型研究

形状记忆合金橡胶是一种具有复杂多孔结构的隔振和减振阻尼材料,根据其微观结构进行层状分解,结合试块压缩刚度非线性特征得到其力学本构模型。通过引入微曲梁接触对单元,建立模型物理量与材料细观及工艺参数之间的关系,得到形状记忆合金橡胶基本单元的接触刚度;由试件非线性刚度分析得到加载、卸载过程中材料内部微曲梁接触点数量的变化,进而建立形状记忆合金橡胶层状压缩本构模型。结果表明：该模型可以考虑形状记忆合金橡胶的材料参数、加工工艺参数以及加、卸载过程中静摩擦力和滑动摩擦力的影响,更接近形状记忆合金橡胶内部微弹簧线匝的受力状态;参数分析结果表明,形状记忆合金橡胶的弹性模量随着名义密度、形状记忆合金丝直径和摩擦系数的增大而提高。     

经验知识监督的RC墩柱力学性能神经网络分析方法

本文通过研究钢筋混凝土（RC）墩柱力学性能试验数据、经验知识和机器学习的融合机制，提出了经验知识监督的RC墩柱力学性能神经网络（Knowledge-guided neural network, KGNN）分析方法。首先建立了包含761组RC墩柱拟静力试验样本的数据库；随后，基于经验知识分析了RC墩柱主要特征对其力学性能影响规律，构建了相应的数学表征方法；最后，将RC墩柱试验数据及经验知识融入人工神经网络架构和训练过程，建立了高精度、可解释、可通用且不依赖大量训练数据的RC墩柱力学性能KGNN分析模型。本文提出的KGNN分析方法与纯数据驱动神经网络（BPNN）的结果对比表明，尽管BPNN在测试集上表现更好，在分析墩柱承载力时均方误和相关系数分别为0.070和0.978，而KGNN模型结果为0.108和0.942，但BPNN所预测的墩柱特征对承载力的影响规律与经验知识并不吻合，亦即未能准确反映墩柱特征与其力学性能间的关系，发生了过拟合。而该KGNN方法不仅可以快速准确获得RC墩柱力学性能，且预测规律与经验知识吻合较好，具有更高的可靠性和实用性。