• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    反向傳播神經(jīng)網(wǎng)絡(luò)聯(lián)合遺傳算法對復(fù)合材料模量的預(yù)測

    2022-11-01 04:01:34王卓鑫趙海濤謝月涵任翰韜袁明清張博明陳吉安
    上海交通大學(xué)學(xué)報 2022年10期
    關(guān)鍵詞:復(fù)合材料模型

    王卓鑫, 趙海濤, 謝月涵, 任翰韜, 袁明清, 張博明, 陳吉安

    (1. 上海交通大學(xué) 航空航天學(xué)院,上海 200240; 2. 中國商用飛機有限責(zé)任公司 復(fù)合材料中心,上海 201210; 3. 北京航空航天大學(xué) 材料科學(xué)與工程學(xué)院, 北京 100191)

    先進樹脂基復(fù)合材料除了綠色環(huán)保、便于取得之外,其余優(yōu)異性能不勝枚舉.例如它在高溫下不易變形、抗磨、防銹性能好,具有較高的比強度與比模量、出色的綜合力學(xué)性能、可撓曲成形等[1].因而,此類復(fù)合材料愈來愈受到宇航制造業(yè)的重視,甚至在各種客機的制造過程中被普遍應(yīng)用.例如T800/環(huán)氧高溫固化復(fù)合材料是民用飛機主受力結(jié)構(gòu)、發(fā)動機葉輪結(jié)構(gòu)等用于抵抗沖擊力的常用材料.而現(xiàn)階段面臨的主要問題是如何提高樹脂基復(fù)合材料的模量和強度、降低生產(chǎn)以及測試成本和減少設(shè)計周期等.

    到目前為止,工業(yè)實驗仍是樹脂基復(fù)合材料模量數(shù)據(jù)獲取的主要方式,而此種方式昂貴且耗時,需要對復(fù)合材料的所有參數(shù)都進行反復(fù)試驗,大大提高了造價和放緩了進程.鑒于此,在大規(guī)模生產(chǎn)之前,以合理的精度預(yù)測材料的模量數(shù)據(jù)有助于制造企業(yè)和設(shè)計人員縮短周期同時降低成本.現(xiàn)今,機器學(xué)習(xí)已經(jīng)可以為復(fù)雜的工業(yè)設(shè)計過程提供實時、快速和較高質(zhì)量的預(yù)測.特別是在復(fù)合材料領(lǐng)域,機器學(xué)習(xí)已經(jīng)成為分析材料屬性的重要工具.Gelayol等[2]曾針對碳纖維結(jié)構(gòu)的力學(xué)性能采用支持向量回歸(SVR)和人工神經(jīng)網(wǎng)絡(luò)(ANN)的方法進行預(yù)測,誤差均低于5%.Zhang等[3]曾用4種機器學(xué)習(xí)方法,即ANN、支持向量機(SVM)、決策樹(DT)和K最鄰近(KNN)研究石墨烯的3種力學(xué)性能,即彈性模量、斷裂強度與應(yīng)變,這項研究為發(fā)現(xiàn)和使用最新的計算方法探究機械性能提供了獨特視角.Chen等[4]為預(yù)測顆粒增強金屬基復(fù)合材料的強度,分別用直接法和人工神經(jīng)網(wǎng)絡(luò)兩種方式進行對比試驗,發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)能對材料的極限強度和耐久性極限作出比較準確的預(yù)測.Qi等[5]在機器學(xué)習(xí)中使用回歸樹的方法建立了碳纖維單絲的性能變量和復(fù)合材料宏觀參數(shù)之間的關(guān)系,分析了碳纖維的4種彈性性能,獲得了具有較好泛化性能的模型. 楊紅等[6]采用反向傳播(BP)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)和SVR方法預(yù)測分析了木材的性能,通過比較得出SVR的泛化能力和準確率更高. 白曉明[7]將張量分解的數(shù)據(jù)挖掘方法用于分析復(fù)合材料的宏觀和微觀性能,該方式在宏觀性能上能夠更貼切直接數(shù)值擬合. 張博[8]采用梯度提升回歸樹(GBRT)的方法對稀土基化合物的磁熵變進行了機器學(xué)習(xí)預(yù)測分析,也得到了較準的預(yù)測結(jié)果.Qi等[9]針對碳纖維單絲和復(fù)合材料的宏觀參數(shù)使用分類回歸樹(CART)的方法對二者的關(guān)系展開預(yù)測,所得方法改進了測試誤差,可以被借鑒應(yīng)用到其他領(lǐng)域.

    以上研究表明,近年來機器學(xué)習(xí)已遍及材料學(xué)應(yīng)用的方方面面,并在材料性能預(yù)測分析方向具有非常大的潛力.BP神經(jīng)網(wǎng)絡(luò)(BP-ANN)被人們熟知且應(yīng)用在各個領(lǐng)域.考慮到常規(guī)BP神經(jīng)網(wǎng)絡(luò)算法存在諸如不易找到全體中最佳解、準確度不高、收斂時間長等問題,本文采用一種全新的預(yù)測模量的方法——神經(jīng)網(wǎng)絡(luò)聯(lián)合遺傳算法(GA-ANN),該方法基于遺傳算法(GA)修正BP神經(jīng)網(wǎng)絡(luò)的參數(shù)值,采用這種改進BP神經(jīng)網(wǎng)絡(luò)的方法對樹脂基復(fù)合材料的拉伸模量和壓縮模量同時預(yù)報和分析.比較各種性能指標之后發(fā)現(xiàn),用GA改良后的BP神經(jīng)網(wǎng)絡(luò)的精度有了一定程度提高.

    1 數(shù)據(jù)集與神經(jīng)網(wǎng)絡(luò)

    1.1 數(shù)據(jù)集

    本文所采用數(shù)據(jù)庫中樹脂基復(fù)合材料[0]6鋪層的強度、泊松比、失效應(yīng)變以及拉伸模量的數(shù)據(jù)基于ASTM D 3039試驗獲得,壓縮模量數(shù)據(jù)基于SACMA SRM 1R方式獲取.其中,將數(shù)據(jù)庫樣本分為兩類:一類是利用數(shù)據(jù)庫形成模型,另一類是將數(shù)據(jù)庫作為檢驗?zāi)P褪欠窈细竦摹皽y試者”.利用sklearn將數(shù)據(jù)庫隨機分類為上述兩種功能的樣本,首先把164組數(shù)據(jù)庫樣本隨機打亂,再分別按照75%、25%的比率劃分出樣本集,分別是訓(xùn)練、測試樣本,即123個用于試驗開發(fā)適于本文的模型,41個則用于測試已形成模型的性能.表1中列出了一些樣本歸一化作為示例,這些樣本示例均來源于經(jīng)過歸一化處理后的試驗數(shù)據(jù)庫.表中:x為材料強度;y為失效應(yīng)變;ν為泊松比;z1為拉伸模量;z2為壓縮模量.其中將材料強度、泊松比和失效應(yīng)變作為輸入變量,兩個輸出變量為拉伸模量和壓縮模量.同時,由于參與練習(xí)的數(shù)據(jù)屬性較多且不同屬性數(shù)據(jù)間大小迥異,為保證網(wǎng)絡(luò)在訓(xùn)練過程中維持在一定范圍且不溢出,并為能得到較為準確模量數(shù)值,在合適的模型確定前期,對輸入變量和輸出變量都執(zhí)行數(shù)據(jù)預(yù)處理成為規(guī)則,以便處理后的值處在0~1之內(nèi)[10],并且輸入變量的歸一化值由下式確定:

    Xn=(Xi-Xi,min)/(Xi,max-Xi,min)

    (1)

    式中:Xi為未歸一化的輸入值;Xi,min為未進行歸一化處理的最小輸入值;Xi,max為未歸一化的輸入變量的最大輸出值.

    對輸出變量歸一化值進行類似預(yù)處理:

    Ym=(Yi-Yi,min)/(Yi,max-Yi,min)

    (2)

    式中:Yi為未歸一化處理的輸出值;Yi,min為初始最小輸出值;Yi,max為初始變量的最大輸出值.對于測試網(wǎng)絡(luò)訓(xùn)練性能的結(jié)果也要經(jīng)過式(1)和(2)加工后才能應(yīng)用.經(jīng)過規(guī)則化之后的局部數(shù)據(jù)樣本如表1所示.

    表1 數(shù)據(jù)集中的部分樣本(歸一化處理)Tab.1 Some samples in the data set (normalized)

    1.2 BP神經(jīng)網(wǎng)絡(luò)

    現(xiàn)如今,數(shù)據(jù)壓縮、分類、函數(shù)逼近等問題都離不開BP-ANN,可以說,BP-ANN已成為最常用的機器學(xué)習(xí)方法之一,是ANN內(nèi)包含的典型[11].本文利用PyTorch構(gòu)建上述BP-ANN模型.所用到的PyTorch是一種功能強大的Python庫,類似于NumPy,利用它來構(gòu)建深度學(xué)習(xí)模型容易理解、易于上手、靈活高效.本文采用PyTorch中模塊化的方法構(gòu)建BP神經(jīng)網(wǎng)絡(luò),即在PyTorch中使用順序容器torch.nn.Sequential迅速搭建網(wǎng)絡(luò).使用此方法時會自動將激勵函數(shù)調(diào)入其中,并且在此模型中將激勵表達式定義為relU.所構(gòu)建的BP-ANN結(jié)構(gòu)包括輸入層、輸出層和隱藏層[12],隱藏層應(yīng)由單個亦可以是若干層組成,有且僅有一個隱藏層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示.圖中:wij為隱藏層與輸入層之間的權(quán)值;wjk為隱藏層與輸出層之間的權(quán)值.在網(wǎng)絡(luò)訓(xùn)練過程中,網(wǎng)絡(luò)結(jié)構(gòu)對預(yù)測效果有十分重要的影響,例如不同的隱藏層層數(shù),或者是單層中不同的神經(jīng)元數(shù)都會影響神經(jīng)網(wǎng)絡(luò)模型的性能.試用不同的隱藏層,根據(jù)平均相對誤差來選擇適合本研究的模型.針對每種隱藏層結(jié)構(gòu),程序需要重復(fù)10次,這是因為對于具有隨機初始點的模型,重復(fù)進行10次以上之后,誤差就會基于某值上下浮動,很難再進一步減小[2].為了提高預(yù)測效率,本文中設(shè)計的程序可以同時對材料的拉伸模量和壓縮模量進行預(yù)報,因此兩個輸出模量共用一個神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu).該神經(jīng)網(wǎng)絡(luò)有強度、泊松比和破壞應(yīng)變這3個輸入量,拉伸模量和壓縮模量這兩個輸出量.

    圖1 BP神經(jīng)網(wǎng)絡(luò)Fig.1 BP neural network

    組成隱藏層的神經(jīng)元從2開始依次變到6、10、14,結(jié)構(gòu)從3-θ-2到3-θ-θ-2(θ為隱藏層神經(jīng)元個數(shù)).對于選擇的每種隱藏層,計算相應(yīng)訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的平均相對誤差(e1,e2),得到的數(shù)據(jù)結(jié)果如表2和3所示.比較兩個表,發(fā)現(xiàn)在3-10-2結(jié)構(gòu)時所得模量的平均相對誤差相對更小一些,因此選擇一層具有10個神經(jīng)元的隱藏層,并最終將3-10-2定義為網(wǎng)絡(luò)的拓撲.同時在隱藏層引入relU激活函數(shù)來減少模型運行過程中的計算量,起到避免過擬合的作用.所選BP-ANN要進行 1 000 次重復(fù)反饋.圖2中顯示了訓(xùn)練過程中誤差值和學(xué)習(xí)速率的變化曲線.圖中:h為迭代次數(shù);e為相對誤差.由圖可見,隨著迭代次數(shù)的逐漸遞增,相對誤差最終收斂到一個較小的值,即證明所選擇的網(wǎng)絡(luò)結(jié)構(gòu)可以正確地預(yù)測模量問題.

    表2 一層隱藏層訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)平均相對誤差

    表3 兩層隱藏層訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)平均相對誤差

    圖2 神經(jīng)網(wǎng)絡(luò)(3-10-2)學(xué)習(xí)曲線Fig.2 Neural network (3-10-2) learning curves

    2 神經(jīng)網(wǎng)絡(luò)優(yōu)化算法

    2.1 GA優(yōu)化算法

    BP-ANN的信號傳遞可以類比生物神經(jīng)網(wǎng)絡(luò),它將模型信息存儲在權(quán)重和閾值以及各個神經(jīng)元中,根據(jù)誤差減小的原理反向更進權(quán)值和閾值.BP-ANN的權(quán)重首次賦值和第一次確定的閾值對結(jié)果準確性影響較大,如果采取常規(guī)方式對BP-ANN模型參數(shù)隨便進行賦值,那么在實行模型演練時陷入小部分最解中的現(xiàn)象時常發(fā)生[13].而GA算法屬于啟發(fā)式算法,它基于概率方法完成連貫工作,包括選擇(Select)、交叉(Cross)、變異(Mutate).歷經(jīng)幾次迭代后,在種群后代中選擇優(yōu)秀的個體,從而高效地搜選總體中的最優(yōu)解[14].遺傳算法不僅不用考慮誤差函數(shù)的梯度信息就可以解決冗雜、大型、多峰分布和不可微問題,而且也不要求誤差函數(shù)可微,因而可以顯著地擴展誤差函數(shù)選擇規(guī)模,以降低BP-ANN的復(fù)雜度,提高其普遍應(yīng)用價值.本文根據(jù)GA算法重新創(chuàng)建BP-ANN模型,其每一層權(quán)重初值與閾初值被重新修定,進一步在測得模量數(shù)據(jù)集時更接近于正確值.

    GA-ANN模型進行優(yōu)化時首先需要大致構(gòu)建網(wǎng)絡(luò)框架,然后利用GA方法將參數(shù)修正改良,最后將更新后的BP-ANN替代原始結(jié)構(gòu)開始預(yù)測[15].網(wǎng)絡(luò)結(jié)構(gòu)部分是先按照模擬功能的輸入、輸出參數(shù)的數(shù)量來構(gòu)建網(wǎng)絡(luò)部分框架,通過提取材料的強度、泊松比和破壞應(yīng)變特征值,采用之前預(yù)設(shè)8種隱藏層建立網(wǎng)絡(luò)框架.將BP神經(jīng)網(wǎng)絡(luò)的參數(shù)信息編碼于個體中,用遺傳操作對各個參數(shù)進行選擇、變異以及交叉,得到適應(yīng)值最大的個體對應(yīng)于網(wǎng)絡(luò)的最佳參數(shù).然后將參數(shù)初始數(shù)賦給相應(yīng)權(quán)重和閥值,之后計算出8組ANN預(yù)測結(jié)果的平均誤差,將差別最小組選成隱藏層,一旦設(shè)立了BP-ANN結(jié)構(gòu),對應(yīng)需要被優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)數(shù)量也隨即得出,由此獲得GA方法編碼長度并確定需要的染色體具體數(shù)量.BP-ANN全部的權(quán)重和閥值都被編碼在每一個個體,并且每個個體的適應(yīng)度值(Fitness)都按照提前設(shè)定的Fitness表達式得出,種群經(jīng)過Select、Cross、Mutate等一連串的運算過程,比較個體的Fitness并找到Fitness最大的個體,即適應(yīng)度最好對應(yīng)的個體[16].表現(xiàn)最好的個體可用于確定BP-ANN每層權(quán)重和閥值的初始賦值,而后即可通過成形的樣本的輸出來完成BP神經(jīng)網(wǎng)絡(luò)的工作,從而推測材料兩個模量值.

    GA-ANN的示意圖如圖3所示,算法的修正過程如下.

    步驟1任意賦值給BP網(wǎng)絡(luò)的全部初始參數(shù),完成對BP-ANN的第一次構(gòu)建.

    步驟2根據(jù)GA需要改良的參數(shù)設(shè)定初始種群,利用一連串遺傳操作(Select、Cross、Mutate)使BP網(wǎng)絡(luò)每一層的權(quán)重以及閥值得以充足優(yōu)化.

    步驟3更新BP-ANN,首先用123組數(shù)據(jù)集塑造模型,接著用余下41組預(yù)測集證明模型的可行性.

    圖3 GA-ANN流程圖Fig.3 GA-ANN flow chart

    初始化種群.選取0和1組成的計算機編碼方式,所設(shè)種群總體里有200個個體,這些個體都有自己的獨特編碼,每個數(shù)值串都對應(yīng)著網(wǎng)絡(luò)參數(shù)的一套初始數(shù)值.初始數(shù)值由輸入層與隱藏層之間的權(quán)重、隱藏層與輸出層之間的權(quán)重以及隱藏層和輸出層的閾值組成.

    染色體設(shè)置.3-10-2結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)具有兩組權(quán)重(Weights),輸入層到隱藏層(30),隱藏層到輸出層(20);兩組閾值,輸入層到隱藏層(10),隱藏層到輸出層(2).由此共計有62個參數(shù),每個參數(shù)自定義有18個基因位,初始化為由KaiMing確定的參數(shù)范圍內(nèi)的隨機值.

    適應(yīng)度值計算.為使BP網(wǎng)絡(luò)預(yù)測盡可能接近真實值,取誤差的倒數(shù)為適應(yīng)度,自定義種群總體規(guī)模為200,迭加300次,將經(jīng)GA訓(xùn)練出的最佳參數(shù)代入到網(wǎng)絡(luò)中運行.任意個體的適應(yīng)值可以表示為

    f(Xi)=loss(Xi)-1

    (3)

    (4)

    選擇運算.使用輪盤賭的方式,按照概率分配原則選擇適應(yīng)度性能強的個體組成新的種群,選擇算子的計算方式如下:

    (5)

    式中:N為種群大??;k為個體數(shù)目.接著對每個個體累積選取概率Qi按照下式進行計算:

    (6)

    隨機生成一個均勻分布的數(shù)字r,r∈[0, 1].如果r≤Q1,則選擇個體1,如果Qk-1

    交叉.從種群里任意篩出兩組親本染色體Cross,選擇Single-point-cross,隨機選擇Cross處,交換兩個染色體該點后面的全部基因.考慮到個體Fitness前后差異不大,因此選擇默認固定交叉率為0.7.

    變異.Mutate是種群多樣性存在的一個最主要的方式.試驗選擇基本位Mutate策略.在這種遺傳算法中,染色體較長(基因數(shù)為18×64=1 152),為此Mutate應(yīng)選取多個基因位.在種群中隨機選取個體之后,選擇變異基因的任意位置進行Mutate操作,將概率設(shè)成0.1.

    2.2 Adam優(yōu)化算法

    Adam在當今機器學(xué)習(xí)優(yōu)化器中占有非常重要的地位,是目前應(yīng)用最廣泛且功能最強大的優(yōu)化器之一.尤其在近年來已被應(yīng)用到利用人工智能解決問題的各個領(lǐng)域中.它對傳統(tǒng)單一的學(xué)習(xí)率進行了改進,能夠自行更新調(diào)節(jié),十分靈活高效.越是復(fù)雜的神經(jīng)網(wǎng)絡(luò)中越能夠體現(xiàn)它的優(yōu)越性能.在實際應(yīng)用中,Adam方法延續(xù)了Adagrad和RMSprop兩者的長處,即在非密集梯度問題和振蕩浮動較大的數(shù)據(jù)中維持高能的預(yù)測效果.此外,除了達到收斂所用的時間更少,它還可以改善諸如學(xué)習(xí)率不穩(wěn)定或是高方差參數(shù)幅度過大導(dǎo)致?lián)p失函數(shù)值波動等欠缺.總之,Adam已然成為最受歡迎的優(yōu)化器[17].另外,傳統(tǒng)的機器學(xué)習(xí)算法如SVR是處理中小數(shù)據(jù)集監(jiān)督訓(xùn)練的預(yù)測數(shù)據(jù)中比較典型的方式,但是在本論文研究內(nèi)容下的平均預(yù)測誤差卻較大于神經(jīng)網(wǎng)絡(luò),因此最終采用Adam優(yōu)化神經(jīng)網(wǎng)絡(luò)的方法(Adam-ANN)與GA-ANN的性能進行對照.

    (7)

    (8)

    3 結(jié)果與討論

    采用Anaconda平臺下的軟件Spyder編寫Python(3.7)語言程序,分別對GA-ANN和Adam-ANN兩種算法展開驗證.為了防止模型過度擬合,任意劃分模本集,其中75%為訓(xùn)練數(shù)據(jù),25%為測試數(shù)據(jù).本試驗對訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)都進行了模量預(yù)報,由于測試數(shù)據(jù)組不參與模型訓(xùn)練,所以重點使用41組測試數(shù)據(jù)點進行分析和驗證.表4是在GA和Adam優(yōu)化網(wǎng)絡(luò)模型下訓(xùn)練數(shù)據(jù)集的模量預(yù)測關(guān)于結(jié)果的比較情況.對于拉伸模量,Adam-ANN所得平均相對誤差、RMS和SEP都略小于GA-ANN,值得注意的是,Adam-ANN和GA-ANN的平均相對誤差分別為1.64%、1.66%.而壓縮模量中,GA-ANN模型效果略優(yōu),Adam-ANN和GA-ANN的平均相對誤差分別為2.50%、2.47%.由此可得,用這兩類方式得到的訓(xùn)練模型均良好且差別甚小.表5對比GA和Adam所得訓(xùn)練模式下的測試數(shù)據(jù)預(yù)測情況.測試集的預(yù)測情況是考量最終模型泛化能力的標準,可以得出結(jié)論,GA-ANN模型預(yù)測性能好于Adam-ANN,GA-ANN的平均相對誤差分別為1.83%、3.22%,Adam-ANN的平均相對誤差為1.94%、3.71%.對于拉伸和壓縮這兩種模量,GA-ANN所得RMS、SEP都略小于Adam-ANN.為了更直觀地說明,這些結(jié)論在圖4中以三維圖形的形式表示.由于圖中僅有兩個自變量,所以所作曲面應(yīng)只對應(yīng)一個泊松比的數(shù)值.本文選取一個預(yù)測效果比較好的測試數(shù)據(jù),將其泊松比的數(shù)值固定為該測試數(shù)據(jù)對應(yīng)的泊松比的定值,即0.318,然后畫曲面.由圖4可以得出,GA-ANN介于拉伸模量上下誤差限制之間.同樣,對于壓縮模量也有相似的結(jié)論.這些結(jié)論證實了表5的結(jié)果.

    表4 GA-ANN和Adam-ANN訓(xùn)練集預(yù)測表Tab.4 Comparison of GA-ANN and Adam-ANN training set prediction results

    表5 GA-ANN和Adam-ANN測試集預(yù)測表Tab.5 Comparison of prediction results of GA-ANN and Adam-ANN test sets

    圖4 GA-ANN和Adam-ANN對拉伸模量和壓縮模量的測試結(jié)果Fig.4 Prediction results of GA-ANN and Adam-ANN models on tensile modulus and compressive modulus

    圖5 GA-ANN和Adam-ANN對拉伸模量的測試結(jié)果Fig.5 Prediction results of GA-ANN and Adam-ANN models on tensile modulus

    圖6 GA-ANN和Adam-ANN對壓縮模量的測試結(jié)果Fig.6 Prediction results of GA-ANN and Adam-ANN models on compressive modulus

    4 結(jié)語

    BP神經(jīng)網(wǎng)絡(luò)已經(jīng)被廣泛地應(yīng)用到各個領(lǐng)域,特別是對于模糊模型的復(fù)雜問題,BP神經(jīng)網(wǎng)絡(luò)一般都能夠很好地解決.但是關(guān)于參數(shù)初始值的選取環(huán)節(jié),一般都是按照經(jīng)驗或者隨機選取,目前并沒有統(tǒng)一的定論來規(guī)范該操作.而GA可以改善BP關(guān)鍵參數(shù)于初始值獲取的不足.相比而言,遺傳算法擅長從總體上展開搜索,而BP算法通常在小范圍搜索中更加有效,因此也常常被困在局部最小值中,經(jīng)過測試發(fā)現(xiàn),混合方式訓(xùn)練神經(jīng)網(wǎng)絡(luò)的效果比僅使用BP訓(xùn)練的方法更好.

    本文通過傳統(tǒng)試驗的方式獲得樹脂基復(fù)合材料[0]6鋪層各個試驗件的強度、泊松比、破壞應(yīng)變、壓縮模量和拉伸模量的真實數(shù)值.并利用強度、泊松比和破壞應(yīng)變這3個特征值,采用GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò),實現(xiàn)了對材料拉伸模量和壓縮模量的回歸預(yù)測,既避免了選取網(wǎng)絡(luò)權(quán)重和閾值的不確定性,又提升了傳統(tǒng)BP網(wǎng)絡(luò)的預(yù)測功能.用GA優(yōu)化之后的BP神經(jīng)網(wǎng)絡(luò)在測試集上進行驗證檢測,其平均相對誤差不足3%,證明該算法性能良好.在與Adam-ANN的對比試驗中,GA的平均相對誤差、RMS、SEP值均較小,說明GA-ANN更具普適性、測試精度效果優(yōu),可以通過訓(xùn)練模型得到誤差較小的復(fù)合材料模量值.本項工作為使用機器學(xué)習(xí)優(yōu)化方法探索材料的模量特性提供了一些啟示,可以應(yīng)用到除了樹脂基復(fù)合材料以外的各種材料中.

    為了進一步增強預(yù)測模型的適應(yīng)性和提高其預(yù)測數(shù)據(jù)的準確度,在未來的研究中,將采用機器學(xué)習(xí)與有限元相結(jié)合的方法擴充數(shù)據(jù)庫,更大量的數(shù)據(jù)集將被用作模型的輸入.再者,將思考使用更復(fù)雜機器學(xué)習(xí)模型與特征選擇方式.最后,由于本研究是基于[0]6試驗件鋪層對模量數(shù)據(jù)進行預(yù)測,所以不包括其他鋪層情形,例如[90]12、[45/-45]4S、[45/0/-45/90]2S等,后續(xù)研究將重點探索各種鋪層的交錯預(yù)測.

    致謝感謝第三屆中國商飛國際科技創(chuàng)新周對本項目的資金資助.

    猜你喜歡
    復(fù)合材料模型
    一半模型
    金屬復(fù)合材料在機械制造中的應(yīng)用研究
    纖維素基多孔相變復(fù)合材料研究
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
    民機復(fù)合材料的適航鑒定
    復(fù)合材料無損檢測探討
    電子測試(2017年11期)2017-12-15 08:57:13
    3D打印中的模型分割與打包
    FLUKA幾何模型到CAD幾何模型轉(zhuǎn)換方法初步研究
    TiO2/ACF復(fù)合材料的制備及表征
    国产一区二区在线av高清观看| 中文字幕高清在线视频| 国内精品一区二区在线观看| 国产午夜精品久久久久久一区二区三区 | 2021天堂中文幕一二区在线观| 国产91精品成人一区二区三区| 18禁在线播放成人免费| 国产亚洲欧美98| 真人做人爱边吃奶动态| 成人国产一区最新在线观看| 亚洲av电影在线进入| 色综合站精品国产| 成人无遮挡网站| 午夜福利成人在线免费观看| 757午夜福利合集在线观看| av天堂在线播放| 男女床上黄色一级片免费看| 成年人黄色毛片网站| 黄色丝袜av网址大全| 日韩精品中文字幕看吧| 黄色女人牲交| 18禁裸乳无遮挡免费网站照片| 精品日产1卡2卡| 欧美乱色亚洲激情| 国产一区二区在线观看日韩 | 免费在线观看日本一区| 国产高清视频在线播放一区| 亚洲国产欧美人成| 很黄的视频免费| 国产伦精品一区二区三区四那| 三级国产精品欧美在线观看| 国产一区二区在线av高清观看| 国产精品嫩草影院av在线观看 | 日本一二三区视频观看| 欧美一级a爱片免费观看看| 麻豆成人av在线观看| 一a级毛片在线观看| 18禁美女被吸乳视频| 亚洲一区高清亚洲精品| 又黄又爽又免费观看的视频| 久久99热这里只有精品18| 欧美黑人巨大hd| 亚洲欧美精品综合久久99| 舔av片在线| 久99久视频精品免费| 日韩大尺度精品在线看网址| 99久久久亚洲精品蜜臀av| 黄片小视频在线播放| 午夜老司机福利剧场| 高清在线国产一区| 精品国产亚洲在线| 天堂动漫精品| 午夜激情欧美在线| 搞女人的毛片| 九九久久精品国产亚洲av麻豆| 色播亚洲综合网| 午夜福利成人在线免费观看| 婷婷精品国产亚洲av| 在线观看一区二区三区| 男插女下体视频免费在线播放| 国产 一区 欧美 日韩| 国内精品一区二区在线观看| 国产精品,欧美在线| 欧美xxxx黑人xx丫x性爽| 国产成人啪精品午夜网站| 网址你懂的国产日韩在线| 最新中文字幕久久久久| 欧美xxxx黑人xx丫x性爽| 蜜桃亚洲精品一区二区三区| 老司机在亚洲福利影院| 丰满的人妻完整版| 中文字幕熟女人妻在线| 最近最新中文字幕大全免费视频| 在线观看美女被高潮喷水网站 | 18禁黄网站禁片免费观看直播| 午夜福利高清视频| 麻豆久久精品国产亚洲av| 日本与韩国留学比较| 色综合亚洲欧美另类图片| 亚洲av成人av| 听说在线观看完整版免费高清| 欧美在线一区亚洲| 欧美色视频一区免费| 欧美色欧美亚洲另类二区| 亚洲精品乱码久久久v下载方式 | www.999成人在线观看| 免费观看人在逋| 亚洲第一欧美日韩一区二区三区| 国产精品久久久久久久电影 | 9191精品国产免费久久| 国产精品香港三级国产av潘金莲| 亚洲aⅴ乱码一区二区在线播放| 最新在线观看一区二区三区| 亚洲av五月六月丁香网| 免费电影在线观看免费观看| 99在线视频只有这里精品首页| 国产精品野战在线观看| 人人妻人人澡欧美一区二区| 日韩欧美免费精品| 99久久成人亚洲精品观看| 日韩中文字幕欧美一区二区| 午夜福利免费观看在线| 中文字幕精品亚洲无线码一区| 欧美高清成人免费视频www| 午夜免费成人在线视频| 中亚洲国语对白在线视频| 一本精品99久久精品77| 久久欧美精品欧美久久欧美| 91久久精品国产一区二区成人 | 亚洲国产精品999在线| 搡老妇女老女人老熟妇| 制服人妻中文乱码| 男人舔奶头视频| 国产精品精品国产色婷婷| 久久精品国产99精品国产亚洲性色| 欧美激情久久久久久爽电影| www.999成人在线观看| 无人区码免费观看不卡| 亚洲欧美日韩东京热| avwww免费| www.www免费av| 天堂网av新在线| 亚洲专区中文字幕在线| 69av精品久久久久久| 尤物成人国产欧美一区二区三区| 波多野结衣高清无吗| 制服丝袜大香蕉在线| 欧美极品一区二区三区四区| 我的老师免费观看完整版| 久久久久久久午夜电影| 91麻豆av在线| 日韩欧美 国产精品| 午夜福利免费观看在线| www.熟女人妻精品国产| 久久久久久人人人人人| 亚洲七黄色美女视频| 成人18禁在线播放| av天堂在线播放| 最近最新中文字幕大全免费视频| 精品久久久久久久久久久久久| 国产99白浆流出| 成人特级av手机在线观看| 国产69精品久久久久777片| 欧美激情久久久久久爽电影| 国产黄a三级三级三级人| 亚洲人成伊人成综合网2020| 中文亚洲av片在线观看爽| 床上黄色一级片| 夜夜夜夜夜久久久久| 亚洲av五月六月丁香网| 久久精品综合一区二区三区| 国产v大片淫在线免费观看| 欧美最新免费一区二区三区 | 叶爱在线成人免费视频播放| 亚洲天堂国产精品一区在线| 精品久久久久久,| 亚洲五月天丁香| 怎么达到女性高潮| av欧美777| 亚洲成av人片免费观看| 免费看光身美女| 国产私拍福利视频在线观看| 两人在一起打扑克的视频| 精品福利观看| 精品久久久久久久毛片微露脸| 亚洲欧美精品综合久久99| 国产精品久久久久久久电影 | 免费无遮挡裸体视频| 五月玫瑰六月丁香| 两人在一起打扑克的视频| 黄色日韩在线| 听说在线观看完整版免费高清| 精品久久久久久成人av| 久久久久亚洲av毛片大全| 啪啪无遮挡十八禁网站| 99精品在免费线老司机午夜| 国产熟女xx| 国产一区二区在线观看日韩 | 免费无遮挡裸体视频| 波多野结衣高清作品| 97超级碰碰碰精品色视频在线观看| 手机成人av网站| 国产成年人精品一区二区| x7x7x7水蜜桃| 欧美日韩综合久久久久久 | 在线观看av片永久免费下载| 国产精品 国内视频| 国产探花在线观看一区二区| 草草在线视频免费看| 1024手机看黄色片| 免费看光身美女| 99精品欧美一区二区三区四区| 久久久久性生活片| 亚洲精品在线美女| 69av精品久久久久久| 国产探花在线观看一区二区| 91av网一区二区| 成年人黄色毛片网站| 国产伦在线观看视频一区| 国产91精品成人一区二区三区| 男人和女人高潮做爰伦理| 91九色精品人成在线观看| 国产欧美日韩一区二区三| 国产麻豆成人av免费视频| 色老头精品视频在线观看| 亚洲熟妇中文字幕五十中出| 亚洲久久久久久中文字幕| 悠悠久久av| 日日干狠狠操夜夜爽| 国产色婷婷99| 国内精品美女久久久久久| 一区福利在线观看| 亚洲熟妇熟女久久| 欧美乱妇无乱码| 亚洲国产精品久久男人天堂| 成人永久免费在线观看视频| 国产三级中文精品| 久久香蕉国产精品| 精品一区二区三区视频在线 | 丰满人妻一区二区三区视频av | 欧洲精品卡2卡3卡4卡5卡区| 伊人久久精品亚洲午夜| 国产野战对白在线观看| 综合色av麻豆| xxxwww97欧美| 国产亚洲精品一区二区www| 午夜免费成人在线视频| 听说在线观看完整版免费高清| 99热6这里只有精品| 女同久久另类99精品国产91| 国产高清有码在线观看视频| 亚洲国产欧美网| 高清日韩中文字幕在线| e午夜精品久久久久久久| 亚洲中文字幕日韩| 国产伦人伦偷精品视频| 国产探花在线观看一区二区| 色综合亚洲欧美另类图片| 在线观看日韩欧美| 国产日本99.免费观看| 久久久国产精品麻豆| 色播亚洲综合网| 免费观看的影片在线观看| 国产又黄又爽又无遮挡在线| 欧美+日韩+精品| 国产真实伦视频高清在线观看 | 国产熟女xx| 国产午夜精品久久久久久一区二区三区 | 亚洲中文字幕一区二区三区有码在线看| 免费av毛片视频| 日韩欧美精品免费久久 | 看黄色毛片网站| 久久欧美精品欧美久久欧美| 亚洲五月婷婷丁香| 网址你懂的国产日韩在线| 亚洲狠狠婷婷综合久久图片| 日日夜夜操网爽| 男女做爰动态图高潮gif福利片| 51国产日韩欧美| 在线观看免费视频日本深夜| 色播亚洲综合网| 在线播放无遮挡| 精品乱码久久久久久99久播| 日本在线视频免费播放| 亚洲国产精品sss在线观看| 欧美日韩福利视频一区二区| av天堂中文字幕网| 99久久无色码亚洲精品果冻| 国产色婷婷99| 午夜福利在线在线| 一个人免费在线观看电影| 国产日本99.免费观看| 午夜精品一区二区三区免费看| 午夜福利在线观看免费完整高清在 | 久久久国产成人免费| 国产成人av激情在线播放| 亚洲 欧美 日韩 在线 免费| 哪里可以看免费的av片| 好男人在线观看高清免费视频| 99久久99久久久精品蜜桃| 国产成人系列免费观看| 中亚洲国语对白在线视频| 99久国产av精品| 99在线视频只有这里精品首页| 看片在线看免费视频| 午夜免费成人在线视频| 两个人视频免费观看高清| 久久精品国产99精品国产亚洲性色| 色综合婷婷激情| 日韩人妻高清精品专区| 欧美一区二区国产精品久久精品| 欧美丝袜亚洲另类 | 一夜夜www| 亚洲av不卡在线观看| h日本视频在线播放| 免费av毛片视频| 美女cb高潮喷水在线观看| 美女被艹到高潮喷水动态| 男人舔奶头视频| 日本a在线网址| 国产69精品久久久久777片| 色老头精品视频在线观看| 国产欧美日韩一区二区三| 好男人在线观看高清免费视频| 99久久久亚洲精品蜜臀av| 18禁美女被吸乳视频| 99久久精品一区二区三区| 国产精品综合久久久久久久免费| 国产伦人伦偷精品视频| 丰满人妻熟妇乱又伦精品不卡| 男人舔奶头视频| 欧美激情在线99| 怎么达到女性高潮| 在线视频色国产色| 亚洲五月婷婷丁香| 91九色精品人成在线观看| 国产高清视频在线观看网站| 桃色一区二区三区在线观看| 精品国产亚洲在线| 搡老妇女老女人老熟妇| 亚洲在线自拍视频| 亚洲片人在线观看| 精品无人区乱码1区二区| 午夜两性在线视频| 舔av片在线| 内地一区二区视频在线| 国产免费一级a男人的天堂| 淫秽高清视频在线观看| 日本黄色片子视频| 亚洲精品一卡2卡三卡4卡5卡| 亚洲av美国av| 久久久久性生活片| 国产精品国产高清国产av| 丰满人妻一区二区三区视频av | 很黄的视频免费| 国产精品一区二区三区四区免费观看 | eeuss影院久久| 成年人黄色毛片网站| 欧美日本视频| 18禁国产床啪视频网站| 亚洲人成电影免费在线| 搞女人的毛片| 搡老岳熟女国产| 欧美成人一区二区免费高清观看| xxx96com| 91字幕亚洲| 亚洲欧美日韩卡通动漫| 中文字幕人妻熟人妻熟丝袜美 | 日韩有码中文字幕| 亚洲国产日韩欧美精品在线观看 | 国产精品永久免费网站| 国产高潮美女av| 成年女人永久免费观看视频| 亚洲第一欧美日韩一区二区三区| 国产亚洲精品久久久久久毛片| 久久久久久国产a免费观看| 国产亚洲欧美98| 久久国产精品影院| 久久久久久久午夜电影| 国产色爽女视频免费观看| 久久久久久久久大av| 99久久成人亚洲精品观看| 在线观看一区二区三区| 国产精品永久免费网站| 宅男免费午夜| 人妻丰满熟妇av一区二区三区| 亚洲18禁久久av| 国产在线精品亚洲第一网站| 九色成人免费人妻av| 免费在线观看日本一区| АⅤ资源中文在线天堂| 天堂av国产一区二区熟女人妻| 日本精品一区二区三区蜜桃| 日本一本二区三区精品| 九色成人免费人妻av| 国产精品电影一区二区三区| 淫秽高清视频在线观看| 亚洲一区二区三区不卡视频| 精品免费久久久久久久清纯| 欧美日韩精品网址| 日韩欧美精品免费久久 | 男女做爰动态图高潮gif福利片| 亚洲人与动物交配视频| 亚洲av中文字字幕乱码综合| 99热精品在线国产| 国产真人三级小视频在线观看| 欧美乱妇无乱码| 真人做人爱边吃奶动态| 日本 av在线| 国产真实乱freesex| 欧美绝顶高潮抽搐喷水| 宅男免费午夜| 美女高潮的动态| 在线天堂最新版资源| 最近视频中文字幕2019在线8| 欧美日韩亚洲国产一区二区在线观看| 国产99白浆流出| 欧美性感艳星| 人妻丰满熟妇av一区二区三区| 五月伊人婷婷丁香| 麻豆成人午夜福利视频| 国产毛片a区久久久久| 国产精品三级大全| 99久久综合精品五月天人人| 欧美三级亚洲精品| 欧美日韩福利视频一区二区| 日韩欧美国产一区二区入口| 国产精品久久久久久久久免 | 成人av一区二区三区在线看| 一级黄片播放器| 村上凉子中文字幕在线| 成人鲁丝片一二三区免费| 18禁黄网站禁片免费观看直播| 亚洲男人的天堂狠狠| 草草在线视频免费看| 一本精品99久久精品77| 亚洲熟妇中文字幕五十中出| 亚洲欧美日韩高清在线视频| 国产黄a三级三级三级人| 国产精品野战在线观看| 偷拍熟女少妇极品色| 亚洲无线观看免费| 亚洲黑人精品在线| 国产亚洲精品久久久久久毛片| 高清毛片免费观看视频网站| 两个人的视频大全免费| 国产日本99.免费观看| 美女大奶头视频| 法律面前人人平等表现在哪些方面| 丰满的人妻完整版| 国产激情欧美一区二区| 亚洲av一区综合| 欧美不卡视频在线免费观看| 久久久久国内视频| 国产精品综合久久久久久久免费| 最新在线观看一区二区三区| 精品人妻1区二区| 三级毛片av免费| 村上凉子中文字幕在线| 日本在线视频免费播放| 天堂√8在线中文| 小蜜桃在线观看免费完整版高清| 我要搜黄色片| 三级男女做爰猛烈吃奶摸视频| 欧美成狂野欧美在线观看| 中文字幕av成人在线电影| 变态另类成人亚洲欧美熟女| 1024手机看黄色片| 国产三级在线视频| 欧洲精品卡2卡3卡4卡5卡区| 天堂动漫精品| 中文资源天堂在线| 欧美成人a在线观看| 欧美三级亚洲精品| 一级黄片播放器| 3wmmmm亚洲av在线观看| 国产在线精品亚洲第一网站| or卡值多少钱| 手机成人av网站| 久久性视频一级片| 久久精品人妻少妇| 特大巨黑吊av在线直播| 亚洲av美国av| 韩国av一区二区三区四区| 亚洲av熟女| 女同久久另类99精品国产91| 一进一出抽搐动态| 中文字幕人成人乱码亚洲影| 亚洲av成人精品一区久久| 久久精品综合一区二区三区| 欧美日韩瑟瑟在线播放| 亚洲成av人片免费观看| 最好的美女福利视频网| 国产av一区在线观看免费| 亚洲熟妇熟女久久| 伊人久久精品亚洲午夜| 毛片女人毛片| 婷婷精品国产亚洲av在线| 老司机福利观看| 久久久成人免费电影| 天堂网av新在线| 国产精品精品国产色婷婷| 老司机在亚洲福利影院| 一级作爱视频免费观看| 精品久久久久久,| av黄色大香蕉| 久久久国产精品麻豆| 欧美激情久久久久久爽电影| tocl精华| 亚洲美女黄片视频| 在线播放国产精品三级| 亚洲av日韩精品久久久久久密| 成人高潮视频无遮挡免费网站| 老鸭窝网址在线观看| av在线蜜桃| 成人鲁丝片一二三区免费| 国产欧美日韩一区二区三| 免费一级毛片在线播放高清视频| 亚洲av熟女| 欧美日韩黄片免| e午夜精品久久久久久久| 久久久成人免费电影| 免费一级毛片在线播放高清视频| 69av精品久久久久久| 人妻夜夜爽99麻豆av| 久久久国产成人精品二区| 一进一出好大好爽视频| 欧美高清成人免费视频www| 男女视频在线观看网站免费| 国内少妇人妻偷人精品xxx网站| 首页视频小说图片口味搜索| 99热只有精品国产| 成人永久免费在线观看视频| 日本一二三区视频观看| 日本与韩国留学比较| 国产在视频线在精品| 一个人免费在线观看的高清视频| 精品福利观看| 国产成人av教育| 亚洲片人在线观看| 亚洲av中文字字幕乱码综合| 夜夜爽天天搞| 欧美日韩精品网址| 最近最新免费中文字幕在线| 国产毛片a区久久久久| 18禁美女被吸乳视频| 欧美乱码精品一区二区三区| 亚洲内射少妇av| 日韩大尺度精品在线看网址| 亚洲精品美女久久久久99蜜臀| 中文在线观看免费www的网站| 他把我摸到了高潮在线观看| 午夜久久久久精精品| 国产精品免费一区二区三区在线| 中文在线观看免费www的网站| 高清日韩中文字幕在线| 99久久成人亚洲精品观看| 香蕉av资源在线| 亚洲av成人精品一区久久| 天堂√8在线中文| 免费一级毛片在线播放高清视频| 欧美日韩中文字幕国产精品一区二区三区| 中文字幕高清在线视频| 叶爱在线成人免费视频播放| 两性午夜刺激爽爽歪歪视频在线观看| 精品免费久久久久久久清纯| 国产精品一区二区三区四区免费观看 | 国产美女午夜福利| 国产精品av视频在线免费观看| 免费人成在线观看视频色| 亚洲aⅴ乱码一区二区在线播放| 欧美一区二区精品小视频在线| 校园春色视频在线观看| 床上黄色一级片| 国产黄片美女视频| 嫁个100分男人电影在线观看| 国产高潮美女av| 国产三级黄色录像| 日本一二三区视频观看| 在线观看66精品国产| 国产精品久久视频播放| 变态另类成人亚洲欧美熟女| 欧美成人一区二区免费高清观看| 午夜两性在线视频| 免费看十八禁软件| 在线a可以看的网站| 久久性视频一级片| 国内少妇人妻偷人精品xxx网站| x7x7x7水蜜桃| 亚洲成人中文字幕在线播放| 亚洲国产精品久久男人天堂| 岛国视频午夜一区免费看| 成人一区二区视频在线观看| 亚洲av电影在线进入| 免费看光身美女| 最近最新免费中文字幕在线| 午夜福利在线观看免费完整高清在 | 成人国产综合亚洲| 18禁裸乳无遮挡免费网站照片| 两个人的视频大全免费| 久久久久性生活片| 午夜福利欧美成人| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 欧美一区二区精品小视频在线| 国产成人av教育| 精华霜和精华液先用哪个| 亚洲国产中文字幕在线视频| 男女做爰动态图高潮gif福利片| 精品人妻一区二区三区麻豆 | 美女高潮喷水抽搐中文字幕| 老司机午夜福利在线观看视频| 热99在线观看视频| 亚洲天堂国产精品一区在线| 19禁男女啪啪无遮挡网站| 搡老熟女国产l中国老女人| 欧美zozozo另类| 在线天堂最新版资源| 在线观看日韩欧美| 精品久久久久久,| 亚洲第一电影网av| 九色成人免费人妻av| 搡老熟女国产l中国老女人| 日韩av在线大香蕉| 国产极品精品免费视频能看的| 少妇人妻精品综合一区二区 | 亚洲天堂国产精品一区在线| 女生性感内裤真人,穿戴方法视频| 欧美+日韩+精品| 亚洲精品久久国产高清桃花| 日韩免费av在线播放| 婷婷丁香在线五月| 中文字幕人妻丝袜一区二区| 亚洲国产欧美网| 啪啪无遮挡十八禁网站| 日本黄大片高清|