【连续介质力学】弹性与超弹性、粘弹性、弹塑性、柯西弹性

弹性就是受到变形之后能够恢复原状。
超弹性是弹性的一种特殊情况。超弹性的特点是弹性力是保守的,即与路径无关。所谓路径无关,就是你先在x方向拉伸,再在y方向拉伸,和先在y方向拉伸,再在x方向拉伸,其效果是完全一样的。此外。1948年,Rivilin和Mooney发展了第一个超弹性模型,即Neo-Hookean模型(或称Mooney-Rivilin材料)。超弹性又被称为格林弹性。

粘弹性也是弹性的一种。粘弹性材料的特点是它能恢复原状,但是恢复得越来越慢。能量因为粘性耗散了。

弹塑性不是弹性的一种。弹塑性是介于弹性与塑性之间的。塑性的特点是无法恢复原状。这点与弹性相对。

还有一种弹性的特殊情况,叫柯西弹性材料。柯西弹性的特点是应力仅仅与当前的变形状态有关,与之前的状态(初始构形以前)无关。此时应力与应变是一一对应的。也就是说应力与应变是单值函数的关系。且柯西弹性遵循局部性原理,即变形只影响局部区域。材料是柯西弹性材料意味着:应力仅取决于形变梯度F。柯西弹性又被称之为简单弹性。

注意:超弹性是柯西弹性的一种特殊情况。

柯西弹性(简单弹性)与格林弹性(超弹性)的区别在于:柯西弹性指应力应变有单值连续关系(即一一对应);格林弹性不仅如此,还存在势函数(即应变能密度函数,或称势能密度函数)。

注意2:不论是超弹性还是柯西弹性,都不一定是线弹性。线弹性只是最简单的一种情况。他们没有假定应力应变关系必须是线性的。

柯西应变与格林应变

柯西应变的计算公式为
ε C = 1 2 ( ∇ u + ( ∇ u ) T ) \varepsilon_C = \frac{1}{2}(\nabla u + (\nabla u)^T ) εC=21(u+(u)T)

格林应变为
ε G = 1 2 ( ∇ u + ( ∇ u ) T + ( ∇ u ) T ( ∇ u ) ) \varepsilon_G = \frac{1}{2}(\nabla u + (\nabla u)^T + (\nabla u)^T (\nabla u) ) εG=21(u+(u)T+(u)T(u))

可见就差了最后一项。

其中速度梯度表示为矩阵形式可以写成
∇ u = [ u , x u , y u , z v , y v , y v , z w , y w , y w , z ] \nabla u = \begin{bmatrix} u_{,x} & u_{,y} & u_{,z}\\ v_{,y} & v_{,y} & v_{,z}\\ w_{,y} & w_{,y} & w_{,z} \end{bmatrix} u=u,xv,yw,yu,yv,yw,yu,zv,zw,z

  • 4
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
我可以尝试解释一下柯西变异与反向学习在优化BP神经网络中的应用,但是我需要先说明一下BP神经网络的基本原理。 BP神经网络是一种常见的人工神经网络,通常用于监督学习任务。它由输入层、隐藏层和输出层组成,每层都由多个神经元组成。BP神经网络的训练过程主要是通过反向传播算法来更新网络中的权值参数,使得网络输出结果能够尽可能地接近真实值。 现在回到您的问题,柯西变异和反向学习是两种不同的优化算法,可以用于改进BP神经网络的训练过程。柯西变异算法是一种进化算法,其基本思想是通过模拟生物进化过程来优化参数,从而提高算法的性能。反向学习算法则是一种随机梯度下降算法,其主要目的是通过不断迭代来最小化损失函数,从而优化网络的权值参数。 将柯西变异和反向学习应用于BP神经网络的训练过程中,可以通过以下步骤实现: 1. 在柯西变异算法中,首先需要定义一组初始种群,每个个体都是一组网络权值参数。然后通过交叉、变异等操作来产生新的个体,并对它们进行适应度评估。适应度评估通常是指使用训练集来计算网络的误差,并将误差作为个体的适应度值。最终,选择适应度最高的个体来更新网络权值参数。 2. 在反向学习算法中,首先需要将训练集划分为若干个小批量,每个小批量包含若干个样本。然后,对于每个小批量,分别计算网络的输出和真实值之间的误差,并根据误差计算网络权值参数的梯度。最后,使用梯度下降算法来更新网络权值参数。 3. 将柯西变异和反向学习算法结合起来,可以先使用柯西变异算法来产生一组初始种群,并对每个个体进行反向学习的训练。然后,根据适应度值选择出最优的个体,并将其权值作为下一次柯西变异的初始种群。这样,就可以通过不断迭代来优化网络的权值参数,从而提高网络的性能。 需要注意的是,柯西变异和反向学习算法并不是唯一的优化选择,还有其他一些算法也可以用于优化BP神经网络的训练过程,例如遗传算法、粒子群算法等。选用何种算法取决于具体问题的复杂程度、数据结构的特点以及算法的性能等因素。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值