排序方式： 共有4条查询结果，搜索用时 15 毫秒
1
1.
该文提出了一种引入经典弹塑性力学理论知识作为辅助驱动的小样本深度学习算法,适用于土木工程任意材料弹塑性本构关系,能够有效缓解大规模深度学习模型实际应用时常见的数据量匮乏瓶颈。该文简要概述了通用的经典弹塑性力学框架;在此基础上详细阐释了将弹塑性力学方程引入到常规深度学习模型中的方法与流程,该过程无需关心底层理论本构模型的具体形式与传统的复杂数值实现,保留了数据驱动技术简单、直接、高效的优点;为缓解优化目标复杂化所导致的训练不收敛问题,提出了一种与理论辅助驱动相适应的训练策略“过拟合-修正法”,能够稳定并加速收敛过程;基于结构钢材精细弹塑性本构模型开展了数值试验,验证了理论辅助的小样本学习算法的有效性,能够实现大规模深度学习模型在少量训练样本情形下获得优异的泛化性,相较纯粹数据驱动模型准确性提升38.9%。该文采用的理论辅助思想具有可借鉴性,后续可应用于结构层次的深度学习代理模型研究,促进未来更为先进、大型的智能算法落地土木工程计算领域。 相似文献
2.
随着数字孪生等数字化转型理念的推广,土木工程传统计算分析方法逐渐无法满足高效仿真、实时交互等新时代需求。而人工智能技术凭借其强大的拟合能力、卓越的计算效率以及优异的开放拓展性,日益受到研究者的关注,成为传统方法极具前景的更替选择,并发展出了土木工程智能计算分析这一新的研究方向。为系统梳理并展示相关前沿进展,针对土木工程智能计算分析研究进行全面综述,根据处理的问题输入属于静态、动态或是复合特征对现有研究进行分类,归纳各类研究的主要技术路线,统计常用智能算法,并概述在材料、构件、体系三层次场景的典型应用,进而分析了现有研究的局限性。为克服这些局限性,重点介绍完全基于深度学习的土木工程端到端智能计算框架DeepSNA,展示其相较于传统计算方法的高准确性与高效性。并提出四个开放性问题,为土木工程智能计算分析的未来研究方向提供参考。 相似文献
3.
该文提出了一个理论驱动的弹性结构体系图神经网络计算模型StructGNN-E,能够高保真数字化结构体系的拓扑连接关系与构件组成信息,无需外部标签数据即可实现对任意杆系结构体系的弹性内力分析,且计算结果具有理论正确性。总结了结构体系层次的特点,理论分析了常规神经网络的不可行性,进而采用了基于非欧图数据的图神经网络架构,能够有效刻画结构体系的非序列性与非平移不变性。考虑到体系层次数据严重匮乏以及常规智能计算方法忽视力学意义的问题,通过将三大力学方程与深度学习推理过程相结合,提出了适用于体系内力分析的理论驱动模式,实现了不依赖于外部标签数据的智能求解方案。数值试验表明：StructGNN-E模型能够高精度完成杆系结构体系的弹性内力分析,且在大规模框架结构计算中计算效率提升可达36%。通过具体的对比试验,证明了常规深度学习模型与数据驱动模式在体系层次的不适用性,进一步阐释了StructGNN-E模型的有效性与合理性。
相似文献4.
毛竹(Phyllostachys edulis)是我国南方集约经营广泛且十分重要的森林资源之一,叶绿素含量(CCI,chlorophyll content index)是反映植物健康状况和生长情况的重要指标,实现毛竹林叶绿素含量遥感反演对监测毛竹林健康程度具有重要意义。本研究以毛竹为对象,基于卫星遥感影像与无人机多光谱数据,通过运用HSV(Hue-Saturation-Value)变换、GS(Gram-SchmidtPan Sharpening)变换、PCA(Principal Component Analysis)变换3种方式,实现Landsat 8多光谱影像与无人机(UAV,Unmanned Aerial Vehicle)高分辨率单波段影像数据融合;选取8种植被指数,利用K邻近(KNN,k-Nearest Neighbor)回归、随机森林(RF,Random Forest)回归和CatBoost回归3种机器学习模型构建毛竹林叶片叶绿素单位含量反演模型。结果表明：(1)就融合效果而言,GS为最优模型,其变换均值、标准差、平均梯度联合熵、空间频率均最高,分别为73.407 8、80.6... 相似文献
1