10.16508/j.cnki.11-5866/n.2021.02.001
基于深度卷积神经网络的非线性模型修正方法
为了解决传统非线性有限元模型修正方法中,人工非线性特征提取和目标函数的构建中会引入的人为误差,提出一种基于深度学习理论的非线性有限元模型修正方法.利用非线性激活函数提高卷积神经网络对于非线性传递关系的表征能力,完成对复杂非线性响应的特征提取和逆向传递关系的构建.可以直接利用结构的时频数据作为网络输入,利用训练好的网络即可得到参数修正结果.通过算例证明,该方法能够提高非线性参数修正的精度,修正后模型对真实结构的表征能力更强,更加接近于真实结构.
非线性、有限元模型修正、深度卷积神经网络、STFT、非线性激活函数
36
V414(基础理论及试验)
国家自然科学基金11772018
2021-06-29(万方平台首次上网日期,不代表论文的发表时间)
共7页
1-6,21