- 博客(18)
- 资源 (6)
- 收藏
- 关注
原创 结构优化教程
这样,每当一个节点受到力时,它会将该力的一部分传递到结构中的所有其他节点,使每个节点移动一点点,从而使有限元素变形。换句话说,虽然我们的设计空间可能一开始材料密度是 0.5,但优化结束时,我们希望所有网格单元的密度都非常接近 0 或 1。我们可以通过将密度提高到大于一的幂 p(通常是 p=3)来确保这一点,从而使结构的刚度对密度的微小变化更为敏感。最后,为了避免网格层面的病态(尤其是一个满密度的网格元素与密度为零的网格元素并出现不连续的场景),我们将使用二维高斯滤波 1 器来平滑网格密度。
2025-12-05 15:17:36
1001
原创 神经重参数化提升结构优化
我们首先注意到的一点是,大型问题更适合我们的方法。我们怀疑,在卷积神经网络的权重空间中工作,使我们能够同时优化多个空间尺度的结构,从而有效解决了网格依赖性问题。这些问题大多是简单的梁,只有少量力,因此我们手工设计了反映现实设计的额外任务,如桥梁、塔楼和树木。利用神经网络重新参数化物理问题,这帮助我们设计更好的桥梁、摩天大楼和悬臂结构,同时执行严格的物理约束。一个具体例子是,图中的悬臂梁在我们的方法下共有八个支撑,而次优方法(MMA 11 )使用了十八个。在下方的画面中,优化发生在卷积神经网络的权重空间中。
2025-12-05 14:26:43
789
原创 基于PINN的足球自由落体运动模拟
然后,我们将物理残差定义为二阶导数与-g 的差值,并计算该残差的均方值作为物理损失。现在,在边界条件的加入后,PINN 成功将起点和终点限制在地面(y=0),并设置了一条抛物线路径(二阶曲线),这与重力下弹丸运动的物理原理一致。然而,由于数据噪声较大,曲线的起点和终点不对,曲线从地下开始,地面上终止,且没有着陆。在我们的例子中,时间 t=0 和 t=2 时的边界条件都是 y=0m(球起点和终点均为地面)。我们将演示一个简单的物理知情神经网络(PINN),用于模拟重力下自由落体物体的运动。
2025-12-01 12:26:37
1099
原创 基于pinn的非线性反应扩散方程模拟
(4)随着偏微分方程的损失、边界条件的损失和初始条件的损失,PINN 已准备好进行训练。在本示例代码中,我们将边界条件和初始条件损失的权重设为 0.1,偏微分方程损失的权重设为 1。注意,在此 PINN 训练过程中,不使用实际的数据对(f,(x,t))。在数据驱动的神经网络中,损失函数利用例如均方误差(MSE)计算神经网络预测与真值之间的差异。请注意,数值解将作为 PINN 的测试数据集,原则上 PINN 的训练不需要数据集。注意,这些是第一种边界条件(或初始条件),用来指定函数在边界上的取值。
2025-11-29 15:39:13
1054
1
原创 基于pinn的机构运动分析
B的加速度: a_B = 3.2147 m/s² (理论: 3.2480 m/s²)B的速度: v_B = 2.3998 m/s (理论: 2.4000 m/s)A的位置: x_A = -3.0002 m (理论: -3.0000 m)B的位置: y_B = -3.0001 m (理论: -3.0000 m)绳长验证: L = 8.0003 m (理论: 8.0000 m)假设绳长为8m,示意图如下图所示。相对参考点向上的位移(向上为正)。(在原点左侧3m处)4.pinn部分结果。
2025-11-17 17:36:35
1025
原创 基于pinn的保险箱运动分析
PINN预测: a_S = 0.0035417541 m/s² = 3.5417541 mm/s²。理论值: a_S = 0.0036000000 m/s² = 3.6000000 mm/s²。PINN预测: v_S = 0.40010089 m/s = 400.10089 mm/s。理论值: v_S = 0.40000000 m/s = 400.00000 mm/s。求当保险箱到达10米高度时,保险箱的速度和加速度。绳索长度为30米,绳索经过。点的人通过向右行走来吊起保险箱。
2025-11-14 17:12:16
1074
原创 荷载/卸荷 – 钢筋混凝土柔性横向荷载桩在残余土场地的位移响应
伽马的值越大,从弹性域到塑性域的转变就越快。在以下脚本中,非线性矩曲率关系定义为 Python 函数,并呈现可视化效果。超过一些极限荷载,这对于两个被测桩来说显然是不一样的,非线性 行为被观察。阻力弯矩逐渐达到其极限。我们假设,在一定的极限载荷下,桩的行为是线弹性的,并且 弯矩与桩曲率成正比。这些函数最终可以从测量的偏转桩形状中估计出来 带有斜率指示器。在 小位移假设下是有效的。是一个拟合参数,最初假设为。是该弹性分析的主要目标。
2025-11-03 17:12:34
744
原创 用于拓扑优化的机器学习模型
DL 擅长学习分层表示,能够生成新颖的结构配置。传统的拓扑优化方法已广泛应用于结构设计优化,采用数学优化技术、有限元分析(FEA)和基于密度的方法。在这些方法中,出现了几种值得注意的技术,包括进化结构优化(ESO)、双向进化结构优化(BESO)、具有惩罚的固体各向同性材料(SIMP)和水平集方法。深度卷积神经网络 (CNN) 是用于空间分析的强大 DL 模型,但其他架构(如前馈神经网络和递归神经网络)用于结构数据。它提供了 100 多次迭代的优化过程的详细视图,确保对拓扑优化挑战的透彻理解。
2025-10-27 13:53:49
1235
原创 用于朗道-利夫希兹方程仿真的PINN
物理知情神经网络 (PINN) 的实现,用于模拟 Landau-Lifshitz-Gilbert (LLG) 方程。LLG 方程描述了铁磁材料中的磁化动力学,广泛应用于自旋电子学和磁学研究。应用于各种多自旋配置(例如,3 个自旋 1D,6 个自旋 2D)的不同 LSTM 模型训练期间的对数损失收敛。1.物理驱动的损失公式: 精心设计的定制混合损耗函数,以嵌入 LLG 方程的动态。2.先进的神经网络架构: 两种不同网络类型的实现和比较分析。模拟排列成六边形的 6 个自旋的磁化强度。
2025-10-24 15:01:47
572
原创 PINN专栏
PiNN 使用物理方程(线性弹性和重力)对 2D 斜率问题进行建模。它旨在以类似于有限元法 (FEM) 等传统方法的方式预测边坡稳定性。本项目使用物理信息神经网络 (PiNN) 来分析边坡稳定性。它将物理学与神经网络相结合,以预测边坡变形和破坏。将 PiNN 结果与 FEM 结果进行比较。List item物理方程 :二维线弹性。边界条件 :固定底部、左侧和右侧的位移。使用 PiNN 预测边坡稳定性。导出位移数据以进行绘图。
2025-10-15 15:34:02
169
原创 PINN专栏
你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章,了解一下Markdown的基本语法知识。我们对Markdown编辑器进行了一些功能拓展与语法支持,除了标准的Markdown编辑器功能,我们增加了如下几点新功能,帮助你用它写博客:撤销:Ctrl/Command + Z重做:Ctrl/Command + Y加粗:Ctrl/Command + B斜体:Ctrl/Command + I标题:Ctrl/Command + S
2025-10-15 14:42:53
453
桥梁工程装配式简支T形梁桥设计:普通钢筋混凝土结构在中小跨径桥梁中的应用与全过程手工计算分析
2025-11-04
Finite Element Analysis Theory and Application with ANSYS, 3rd Edition
2018-12-14
1天搞懂深度学习(李宏毅)
2019-02-19
Structural Health Monitoring of Long-Span Suspension Bridges
2018-12-28
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人
RSS订阅