基于机器学习方法的有限元等效应力解的改善研究-中国科技论文在线.PDF

第11卷第19 期 Vol.11 No.19 2018 年 10 月 October 2018 基于机器学习方法的有限元等效应力解的 改善研究 赵亚飞，韦广梅，李海滨，李劲波，吴鹏辉* （内蒙古工业大学理学院，呼和浩特 010051 ） 摘要：选取一简化为平面应力问题的各向同性且受均布载荷的等截面悬臂深梁为研究实例，以Mises 应力为应 力考察量、高斯积分点为样本点、单元角结点为改善点，比较BP 神经网络、支持向量机（support vector machine ， SVM ）、高斯过程回归（Gaussian process regression ，GPR ）3 种机器学习方法对有限元应力解的改善效果。 4 结点单元有限元模型和 8 结点单元有限元模型的计算结果表明：1 ）3 种机器学习方法的应力改善效果均较 传统有限元整体应力修匀明显，其中边界结点改善效果尤为显著；2 ）4 结点模型（大样本）的改善效果， 3 种机器学习方法改善后的结点总体误差均比样本点的总体误差小，BP 神经网络稍优于SVM ，GPR 效果最佳； 3 ）8 结点模型（小样本）的改善效果，GPR 和SVM 的改善效果明显优于BP 神经网络，GPR 总体误差与SVM 相当，但较 SVM 的各点误差波动小；4 ）GPR 方法较 SVM 方法，能够给出置信区间，输出具有概率意义。 基于机器学习方法进行有限元应力解改善是可行的，且较之经典方法，机器学习方法可以直接给出改善效果 更好的Mises 应力。 关键词：固体力学；有限元；应力改善；机器学习方法；Mises 应力 中图分类号：O343.1 文献标识码：A 文章编号：1674-2850(2018)19-1966-11 Improvement of finite element equivalent stress solution based on machine learning methods ZHAO Yafei, WEI Guangmei, LI Haibin, LI Jinbo, WU Penghui (College of Sciences, Inner Mongolia University of Technology , Hohhot 010051, China) Abstract: This paper compares the three machine learning methods of BP neural network, support vector machine (SVM) and Gaussian process regression (GPR) to improve the stress solution of finite element method. The example is a homogeneous cantilever beam with uniform load, which is simplified as plane stress problem. The stress is measured by Mises stress, Gaussian integral point is taken as the sample point, and the element angle node is the improvement point. The calculation results of 4-node finite