一種基於機器學習的點陣結構單元性能預測方法及裝置

2023-11-11 00:27:09 2

1.本發明涉及計算機技術領域，具體是涉及一種基於機器學習的點陣結構單元性能預測方法及裝置。


背景技術：

2.點陣結構是由一系列點陣結構單元連接形成的網絡狀幾何結構，通過增材製造技術列印製造的點陣結構由於其可調節的機械性能被廣泛應用於許多領域。在點陣結構的設計階段，通常需要優先設計出相關的各個點陣結構單元，而各個點陣結構單元的性能好壞也影響著點陣結構的整體性能。目前針對點陣結構單元的性能預測方式主要有以下兩種：其一，通過增材製造技術列印出具有不同設計參數的多個點陣結構單元樣品，再通過萬能試驗機對多個點陣結構單元樣品進行物理實驗分析，進而從中選擇出機械性能最好的點陣結構單元樣品，但是由於增材製造技術所採用的列印材料普遍較貴，整個實施過程將帶來不可避免的材料浪費和時間成本損失；其二，利用有限元分析方式對點陣結構單元進行仿真分析，但是由於點陣結構單元的內部含有大量微結構，執行結構建模和響應分析的工作量巨大，無疑將延長點陣結構單元的設計周期。


技術實現要素：

3.本發明提供一種基於機器學習的點陣結構單元性能預測方法及裝置，以解決現有技術中所存在的一個或多個技術問題，至少提供一種有益的選擇或創造條件。
4.第一方面，提供一種基於機器學習的點陣結構單元性能預測方法，所述方法包括：
5.獲取訓練好的神經網絡模型，所述神經網絡模型以d2向量為輸入和以吸收能量為輸出；
6.對待測點陣結構單元的三維模型進行表面點雲分析，得到所述待測點陣結構單元關聯的待測d2分布，再獲取對應的待測d2向量；
7.將所述待測d2向量輸入至所述神經網絡模型進行求解，得到所述待測點陣結構單元的吸收能量。
8.進一步地，所述神經網絡模型的訓練過程為：
9.獲取若干個點陣結構單元對應的若干個三維模型，所述若干個點陣結構單元的形狀類型不同；
10.對所述若干個三維模型進行表面點雲分析，得到所述若干個點陣結構單元關聯的若干個d2分布，再獲取對應的若干個d2向量；
11.按照既定壓縮進給量對所述若干個三維模型進行單軸壓縮仿真，得到所述若干個點陣結構單元對應的若干個力位移曲線，再獲取對應的若干個吸收能量；
12.根據所述若干個d2向量和所述若干個吸收能量，構建訓練數據集；
13.搭建包含有輸入層、隱藏層和輸出層的神經網絡模型，將所述訓練數據集輸入至所述神經網絡模型中進行迭代訓練。
14.進一步地，所述既定壓縮進給量為1mm。
15.進一步地，所述若干個吸收能量中的每個吸收能量是通過將對應的力位移曲線進行積分處理得到的。
16.進一步地，所述待測d2分布的獲取過程為：
17.從所述待測點陣結構單元的三維模型上隨機獲取若干個點雲數據對，再對每個點雲數據對進行兩點間距離計算，進而得到對應的若干個距離值；
18.根據所述若干個距離值和既定分區數量構建出頻數直方圖，所述頻數直方圖即為待測d2分布。
19.進一步地，所述待測d2向量的獲取過程為：
20.將所述待測d2分布中的每個距離區間內所包含的距離值數量與所述既定分區數量進行求商運算，進而得到待測d2向量。
21.進一步地，所述既定分區數量為1000。
22.第二方面，提供一種基於機器學習的點陣結構單元性能預測裝置，所述裝置包括：
23.獲取模塊，用於獲取訓練好的神經網絡模型，所述神經網絡模型以d2向量為輸入和以吸收能量為輸出；
24.分析模塊，用於對待測點陣結構單元的三維模型進行表面點雲分析，得到所述待測點陣結構單元關聯的待測d2分布，再獲取對應的待測d2向量；
25.求解模塊，用於將所述待測d2向量輸入至所述神經網絡模型進行求解，得到所述待測點陣結構單元的吸收能量。
26.第三方面，提供一種計算機設備，包括存儲器和處理器，所述存儲器存儲有電腦程式，所述處理器執行所述電腦程式以實現如第一方面所述的基於機器學習的點陣結構單元性能預測方法。
27.第四方面，提供一種計算機可讀存儲介質，其上存儲有電腦程式，所述電腦程式被處理器執行時實現如第一方面所述的基於機器學習的點陣結構單元性能預測方法。
28.本發明至少具有以下有益效果：利用d2向量表徵點陣結構單元的幾何形狀特徵，利用吸收能量表徵點陣結構單元的機械性能，通過搭建神經網絡模型並預先學習不同形狀類型下的點陣結構單元的機械性能與其幾何形狀特徵之間的對應關係，使得訓練好的神經網絡模型可以根據輸入的任意一個待測點陣結構單元的幾何形狀特徵進行快速高效地預測出該待測點陣結構單元的機械性能，無需通過增材製造技術將該待測點陣結構單元列印出相關成品物理實驗分析，可以避免不必要的材料浪費，也可以進一步地降低點陣結構的設計時間成本。
附圖說明
29.附圖用來提供對本發明技術方案的進一步理解，並且構成說明書的一部分，與本發明的實施例一起用於解釋本發明的技術方案，並不構成對本發明技術方案的限制。
30.圖1是本發明實施例中的一種基於機器學習的點陣結構單元性能預測方法的流程示意圖；
31.圖2是本發明實施例中的任一點陣結構單元在未被壓縮前的結構示意圖；
32.圖3是本發明實施例中的任一點陣結構單元在被壓縮之後的結構示意圖；
33.圖4是本發明實施例中的任一點陣結構單元所對應的力位移曲線示意圖；
34.圖5是本發明實施例中的一種基於機器學習的點陣結構單元性能預測裝置的組成示意圖；
35.圖6是本公開實施例中的計算機設備的硬體結構示意圖。
具體實施方式
36.為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發明，並不用於限定本發明。
37.需要說明的是，雖然在系統示意圖中進行了功能模塊劃分，在流程圖中示出了邏輯順序，但是在某些情況下，可以以不同於系統中的模塊劃分，或流程圖中的順序執行所示出或描述的步驟。本技術的說明書及上述附圖中的術語「第一」、「第二」、「第三」、「第四」等是用於區別類似的對象，而不必用於描述特定的順序或先後次序，應該理解這樣使用的數據在適當情況下可以互換，以便這裡描述的本技術的實施例能夠以除了在這裡圖示或描述的那些以外的順序實施。此外，術語「包括」和「具有」以及他們的任何變形，意圖在於覆蓋不排他的包含，例如包含了一系列步驟或單元的過程、方法、系統、產品或裝置不必限定於清楚列出的那些步驟或單元，而是可以包含沒有清楚列出的對於這些過程、方法、產品或裝置固有的其他步驟或單元。
38.請參考圖1，圖1是本發明實施例提供的一種基於機器學習的點陣結構單元性能預測方法的流程示意圖，所述方法包括如下：
39.步驟s110、獲取訓練好的神經網絡模型，所述神經網絡模型以d2向量為輸入和以吸收能量為輸出；
40.步驟s120、對待測點陣結構單元的三維模型進行表面點雲分析，得到所述待測點陣結構單元關聯的待測d2分布，再獲取對應的待測d2向量；
41.步驟s130、將所述待測d2向量輸入至所述神經網絡模型進行求解，得到所述待測點陣結構單元的吸收能量。
42.在本發明實施例中，關於上述步驟s110中所提及到的所述神經網絡模型的具體訓練過程包括如下：
43.步驟s111、獲取不同形狀類型的若干個點陣結構單元，再利用solidworks軟體繪製出每個點陣結構單元所對應的三維模型，進而輸出所述若干個點陣結構單元所對應的若干個三維模型文件；其中，所述不同形狀類型包括六角星形、雪花形等呈現出對稱性特點的形狀類型；
44.步驟s112、結合cloudcompare軟體和python軟體，對所述若干個三維模型文件逐個單獨執行表面點雲分析，進而輸出所述若干個點陣結構單元所對應的若干個d2分布，再根據所述若干個d2分布提取出對應的若干個d2向量；
45.步驟s113、利用abaqus軟體對所述若干個三維模型文件逐個單獨執行單軸壓縮仿真，並且在每次仿真之前需要優先設置既定壓縮進給量為1mm，進而輸出所述若干個點陣結構單元所對應的若干個力位移曲線，再利用matlab軟體對所述若干個力位移曲線逐個單獨執行積分處理，進而得到所述若干個點陣結構單元在各自壓縮1mm時所對應的若干個吸收
能量；
46.步驟s114、根據所述若干個點陣結構單元所對應的所述若干個吸收能量和所述若干個d2向量可以構建出訓練數據集，並且所述訓練數據集中的每一個訓練數據包括任意一個點陣結構單元所對應的吸收能量和d2向量；
47.步驟s115、利用python軟體中自帶的sklearn工具包搭建出神經網絡模型，所述神經網絡模型基本包括輸入層、隱藏層和輸出層；其中，所述sklearn工具包實際為一個開源的基於python語言的機器學習工具包；
48.步驟s116、利用所述訓練數據集對所述神經網絡模型執行迭代訓練，進而得到訓練好的神經網絡模型。
49.需要說明的是，d2分布能夠有效地表徵其所對應的點陣結構單元的幾何形狀特徵，吸收能量能夠有效地表徵其所對應的點陣結構單元的機械性能，由於機器學習具有較強的非線性擬合能力，通過機器學習訓練得到的神經網絡模型可以擬合出不同點陣結構單元的機械性能與其幾何形狀特徵之間的對應關係。
50.在上述步驟s112中，通過舉例方式從上述步驟s111所提及到的所述若干個點陣結構單元中任意選取一個點陣結構單元並記為u1，此時針對點陣結構單元u1所對應的d2向量的具體求解過程進行說明，包括如下步驟：
51.(1)獲取所述點陣結構單元u1所對應的三維模型文件並記為fu1，再利用cloudcompare軟體對輸入的三維模型文件fu1中所涵蓋的所有表面點雲進行提取，可以得到所述點陣結構單元u1所對應的第一表面點雲坐標集合；
52.(2)對所述第一表面點雲坐標集合進行內部搜索，通過隨機採樣方式從中獲取到若干個第一點雲數據對，其中的每個第一點雲數據對包含坐標信息已知的兩個點雲數據，並且每兩個第一點雲數據對之間至少有一個點雲數據不相同；
53.(3)在所述若干個第一點雲數據對中，利用歐氏距離公式計算出每個第一點雲數據對中的兩個點雲數據之間的第一距離值，進而可以得到所述若干個第一點雲數據對所對應的若干個第一距離值；
54.(4)設置既定分區數量為1000，從所述若干個第一距離值中篩選出第一最大距離值並記為lmax1以及第一最小距離值並記為lmin1，由此可以確定第一區間寬度為(lmax1-lmin1)/1000；
55.(5)根據所述第一區間寬度和所述若干個第一距離值可以構建出對應的第一頻數直方圖(又稱為第一d2分布)，並且所述第一頻數直方圖中的第一個距離區間以第一最小距離值lmin1為起始點，所述第一頻數直方圖中的最後一個距離區間以第一最大距離值lmax1為結束點，所述第一頻數直方圖用於對所述若干個第一距離值進行統計以獲取到落在每個距離區間內的第一距離值數量；
56.(6)從所述第一頻數直方圖中的第一個距離區間開始直至最後一個距離區間，將每個距離區間內所包含的第一距離值數量除以所述既定分區數量，進而可以得到第一d2向量(即為所述點陣結構單元u1所對應的d2向量)，並且所述第一d2向量的維度與所述既定分區數量相同。
57.需要說明的是，上述步驟(2)至上述步驟(6)是利用python軟體執行求解運算的；此外，所述若干個第一點雲數據對的數量遠超過所述既定分區數量，以確保所述第一頻數
直方圖對所述點陣結構單元u1的幾何形狀特徵的描述更加準確可靠。
58.在本發明實施例中，通過舉例方式對上述步驟s113的具體實施過程進行說明如下：首先利用solidworks軟體生成如圖2所示出的點陣結構單元的三維模型文件，再將其導入abaqus軟體並按照所述既定壓縮進給量執行如圖3所示出的單軸壓縮仿真操作，進而輸出該點陣結構單元所對應的力位移曲線如圖4所示，最後利用matlab軟體在該力位移曲線上進行快速採點擬合分析以獲取到關於該力位移曲線的表達式為f(x)，再進一步對該表達式f(x)進行積分處理，可以得到該點陣結構單元在壓縮1mm時所對應的吸收能量為
59.需要說明的是，abaqus軟體是一套功能強大的可以實現工程模擬的有限元分析軟體，其包含有一個豐富的且可以模擬任意幾何形狀的單元庫和一個可以模擬如金屬、橡膠、高分子材料、複合材料、鋼筋混凝土等的各類典型工程材料的性能特徵的材料模型庫，abaqus軟體中自帶的智能化求解器可以解決大量結構中的應力-位移分析問題，並且可以有效克服其他有限元分析軟體所存在的不收斂、非線性問題，具有計算收斂速度較快、仿真結果更為準確可靠等優點。
60.在本發明實施例中，上述步驟s120的具體實施過程包括如下：
61.步驟s121、將所述待測點陣結構單元記為u2，利用solidworks軟體搭建出所述待測點陣結構單元u2所對應的三維模型，進而輸出對應的三維模型文件並記為fu2；
62.步驟s122、利用cloudcompare軟體對輸入的三維模型文件fu2中所涵蓋的所有表面點雲進行提取，可以得到所述待測點陣結構單元u2所對應的第二表面點雲坐標集合；
63.步驟s123、對所述第二表面點雲坐標集合進行內部搜索，通過隨機採樣方式從中獲取到若干個第二點雲數據對，其中的每個第二點雲數據對包含坐標信息已知的兩個點雲數據，並且每兩個第二點雲數據對之間至少有一個點雲數據不相同；
64.步驟s124、在所述若干個第二點雲數據對中，利用歐氏距離公式計算出每個第二點雲數據對中的兩個點雲數據之間的第二距離值，進而可以得到所述若干個第二點雲數據對所對應的若干個第二距離值；
65.步驟s125、設置既定分區數量為1000，從所述若干個第二距離值中篩選出第二最大距離值並記為lmax2以及第二最小距離值並記為lmin2，由此可以確定第二區間寬度為(lmax2-lmin2)/1000；
66.步驟s126、根據所述第二區間寬度和所述若干個第二距離值可以構建出對應的第二頻數直方圖(又稱為待測d2分布)，並且所述第二頻數直方圖中的第一個距離區間以第二最小距離值lmin2為起始點，所述第二頻數直方圖中的最後一個距離區間以第二最大距離值lmax2為結束點，所述第二頻數直方圖用於對所述若干個第二距離值進行統計以獲取到落在每個距離區間內的第二距離值數量；
67.步驟s127、從所述第二頻數直方圖中的第一個距離區間開始直至最後一個距離區間，將每個距離區間內所包含的第二距離值數量除以所述既定分區數量，進而可以得到所述待測點陣結構單元u2所對應的待測d2向量，並且所述待測d2向量的維度與所述既定分區數量相同。
68.需要說明的是，上述步驟s123至上述步驟s127是利用python軟體執行求解運算
的；此外，所述若干個第二點雲數據對的數量遠超過所述既定分區數量，以確保所述第二頻數直方圖對所述待測點陣結構單元u2的幾何形狀特徵的描述更加準確可靠。
69.需要說明的是，在執行上述步驟s130之後，若設計人員認為所述待測點陣結構單元的吸收能量仍然不能滿足原先的設計需求時，將重新調整所述待測點陣結構單元的幾何構型之後再重新返回執行上述步驟s120，以使得最終得到的待測點陣結構單元具有更好的機械性能。
70.在本發明實施例中，利用d2向量表徵點陣結構單元的幾何形狀特徵，以及利用吸收能量表徵點陣結構單元的機械性能，通過搭建神經網絡模型並預先學習不同形狀類型下的點陣結構單元的機械性能與其幾何形狀特徵之間的對應關係，使得訓練好的神經網絡模型可以根據輸入的任意一個待測點陣結構單元的幾何形狀特徵進行快速高效地預測出該待測點陣結構單元的機械性能，無需通過增材製造技術將該待測點陣結構單元列印出相關成品進行物理實驗分析，可以避免不必要的材料浪費，也可以進一步地降低點陣結構的設計時間成本。
71.請參考圖5，圖5是本發明實施例提供的一種基於機器學習的點陣結構單元性能預測裝置的組成示意圖，所述裝置包括：
72.獲取模塊210，用於獲取訓練好的神經網絡模型，並且所述神經網絡模型是以d2向量作為輸入來預測出最終所需的吸收能量；
73.分析模塊220，用於獲取待測點陣結構單元的三維模型並對其執行表面點雲分析，進而獲取到所述待測點陣結構單元所關聯的待測d2分布，再根據所述待測d2分布提取出對應的待測d2向量；
74.求解模塊230，用於利用所述神經網絡模型對輸入的所述待測d2向量進行求解，以獲取到所述待測點陣結構單元的吸收能量。
75.上述方法實施例中的內容均適用於本裝置實施例中，本裝置實施例所實現的功能與上述方法實施例相同，並且所達到的有益效果與上述方法實施例相同，在此不再贅述。
76.此外，本發明實施例還提供一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有電腦程式，所述電腦程式被處理器執行時實現上述實施例中的基於機器學習的點陣結構單元性能預測方法。其中，所述計算機可讀存儲介質包括但不限於任何類型的盤(包括軟盤、硬碟、光碟、cd-rom、和磁光碟)、rom(read-only memory，只讀存儲器)、ram(random access memory，隨即存儲器)、eprom(erasable programmable read-only memory，可擦寫可編程只讀存儲器)、eeprom(electrically erasable programmableread-only memory，電可擦可編程只讀存儲器)、快閃記憶體、磁性卡片或光線卡片。也就是說，存儲設備包括由設備(例如計算機、手機等)以可讀的形式存儲或傳輸信息的任何介質，可以是只讀存儲器、磁碟或光碟等。
77.此外，圖6是本發明實施例提供的計算機設備的硬體結構示意圖，所述計算機設備包括處理器320、存儲器330、輸入單元340和顯示單元350等器件。本領域技術人員可以理解，圖6示出的設備結構器件並不構成對所有設備的限定，可以包括比圖示更多或更少的部件，或者組合某些部件。存儲器330可用於存儲電腦程式310以及各功能模塊，處理器320運行存儲在存儲器330的電腦程式310，從而執行設備的各種功能應用以及數據處理。存儲器可以是內存儲器或外存儲器，或者包括內存儲器和外存儲器。內存儲器可以包括只讀
存儲器(rom)、可編程rom(prom)、電可編程rom(eprom)、電可擦寫可編程rom(eeprom)、快閃記憶體或者隨機存儲器。外存儲器可以包括硬碟、軟盤、zip盤、u盤、磁帶等。本發明實施例所公開的存儲器330包括但不限於上述這些類型的存儲器。本發明實施例所公開的存儲器330隻作為例子而非作為限定。
78.輸入單元340用於接收信號的輸入，以及接收用戶輸入的關鍵字。輸入單元340可包括觸控面板以及其它輸入設備。觸控面板可收集用戶在其上或附近的觸摸操作(比如用戶利用手指、觸筆等任何適合的物體或附件在觸控面板上或在觸控面板附近的操作)，並根據預先設定的程序驅動相應的連接裝置；其它輸入設備可以包括但不限於物理鍵盤、功能鍵(比如播放控制按鍵、開關按鍵等)、軌跡球、滑鼠、操作杆等中的一種或多種。顯示單元350可用於顯示用戶輸入的信息或提供給用戶的信息以及終端設備的各種菜單。顯示單元350可採用液晶顯示器、有機發光二極體等形式。處理器320是終端設備的控制中心，利用各種接口和線路連接整個設備的各個部分，通過運行或執行存儲在存儲器320內的軟體程序和/或模塊，以及調用存儲在存儲器內的數據，執行各種功能和處理數據。
79.作為一個實施例，所述計算機設備包括處理器320、存儲器330和電腦程式310，其中所述電腦程式310被存儲在所述存儲器330中並被配置為由所述處理器320所執行，所述電腦程式310被配置用於執行上述實施例中的基於機器學習的點陣結構單元性能預測方法。
80.儘管本技術的描述已經相當詳盡且特別對幾個所述實施例進行了描述，但其並非旨在局限於任何這些細節或實施例或任何特殊實施例，而是應當將其視作是通過參考所附權利要求，考慮到現有技術為這些權利要求提供廣義的可能性解釋，從而有效地涵蓋本技術的預定範圍。此外，上文以發明人可預見的實施例對本技術進行描述，其目的是為了提供有用的描述，而那些目前尚未預見的對本技術的非實質性改動仍可代表本技術的等效改動。