卷积神经网络在心电逆问题中的应用

基于横跨膜电位分布的心电逆问题研究,即从身体表面电位无创重建心脏跨膜电位,可视为一种多输入多输出的回归问题（亦即多个体表电位分布输入重构多个心脏跨膜电位分布输出）,而基于数据驱动的机器学习模型是解决回归问题的一种有效手段。通过使用深度卷动神经网络（CNN）构建深度学习模型,使用Caffe框架训练神经网络;此外,基于真实的心脏模型,使用ECGSim软件仿真了肯特束综合症心室激活情况的数据,用于训练和测试回归模型。实验结果表明,与极限学习机（ELM）和核化的极限学习机相比,CNN方法在心脏跨膜电位重构方面有更高的精度和泛化性能。     

基于多尺度模型的复合材料厚板G_(13)剪切失效分析

针对复合材料厚板强度分析问题,通过对子层压板的刚度等效和应力/应变分解建立了一种多尺度分析模型,并引入了剪切非线性本构关系。实现了复合材料厚板结构在子层压板水平的有限元计算和铺层水平的失效判断。采用FORTRAN语言编写了适用于Abaqus/Explicit求解器的VUMAT子程序,用于模拟复合材料厚板剪切非线性响应以及面内失效,子层压板之间采用内聚力模型来模拟分层损伤。分别采用多尺度线性模型和非线性模型对厚层压板G_(13)剪切试验进行了数值预测,并与试验结果进行了对比。分析结果表明:线性计算模型在预测结构承载能力方面有较高的精度,但在预测整体载荷-位移响应时与试验值偏差较大;由多尺度非线性计算模型得到的破坏模式以及载荷-位移曲线均与试验结果吻合较好。