[论文解读] Back analysis of microplane model parameters using soft computing methods

Anna Kučerová, M. Lepš+1 more|ArXiv.org|Feb 10, 2009

Composite Material Mechanics被引用 5

一句话总结

本文提出了一种基于拉丁超立方采样、随机敏感性分析和遗传算法训练的神经网络的软计算框架，用于识别混凝土微平面模型M4的参数。该方法通过用训练好的人工神经网络替代直接的有限元模拟，显著降低了计算成本，在预测关键参数如 $k_2$ 和 $c_{20}$ 方面实现了高精度，尽管由于 $c_3$ 对应力-应变响应的影响极小，其值仍无法确定。

ABSTRACT

A new procedure based on layered feed-forward neural networks for the microplane material model parameters identification is proposed in the present paper. Novelties are usage of the Latin Hypercube Sampling method for the generation of training sets, a systematic employment of stochastic sensitivity analysis and a genetic algorithm-based training of a neural network by an evolutionary algorithm. Advantages and disadvantages of this approach together with possible extensions are thoroughly discussed and analyzed.

研究动机与目标

• 为解决微平面M4混凝土模型存在的高计算成本及缺乏可靠校准程序的问题，该模型需要大量现象学参数。
• 开发一种高效、自动化的参数识别方法，避免耗时的试错校准过程。
• 利用通过进化算法训练的人工神经网络，从模拟或实验的应力-应变响应中预测材料参数。
• 通过合成模拟和真实单轴压缩试验数据验证该方法，证明其可行性和准确性。
• 基于敏感性分析，识别出最具影响力的参数和可忽略的参数（如 $c_3$）

提出的方法

• 采用拉丁超立方采样高效生成用于训练的多样化输入参数组合，减少所需模拟次数。
• 通过蒙特卡罗模拟进行随机敏感性分析，量化每个参数对模型响应的影响。
• 使用GRADE遗传算法训练分层前馈人工神经网络，以优化网络权重和结构。
• 将敏感性分析生成的模拟数据用作神经网络的训练集，并在独立测试数据上进行验证。
• 应用训练好的神经网络，从实验应力-应变曲线中预测材料参数，包括真实单轴压缩数据。
• 通过将基于预测参数生成的模拟应力-应变曲线与原始实验或模拟数据对比，验证预测结果。

实验结果

研究问题

• RQ1 在模拟的微平面模型响应上训练的神经网络能否准确预测M4模型的输入参数？
• RQ2 拉丁超立方采样与随机敏感性分析的结合如何提升参数识别的效率与可靠性？
• RQ3 各个参数对应力-应变响应的影响如何？哪些参数可忽略（如 $c_3$）？
• RQ4 与直接的有限元分析相比，该方法能否显著降低参数校准的计算负担？
• RQ5 训练好的神经网络在多大程度上能泛化到真实实验数据（如单轴压缩试验）？

主要发现

• 所提出的方法成功识别出微平面模型M4的所有参数，但 $c_3$ 除外，因其对应力-应变响应的影响可忽略不计。
• 神经网络在目标值为 $748.857$ 的情况下，预测出 $k_2 = 767.777$，在三轴加载模拟中表现出近乎完美的精度。
• 对于真实单轴压缩数据，方法预测出 $c_{20} = 5.27065$，虽超出训练区间，但与观测数据的偏差保持一致。
• 训练过程表现出极小的过拟合现象，误差演化曲线表明反向传播过程中收敛稳定。
• 通过拉丁超立方采样减少了所需模拟次数，但总计算成本仍较高——在单台PC上完成30次单轴测试约需25天。
• 在7台计算机上并行执行后，单轴测试的总时间缩短至4天以内，三轴和静水压力测试的总时间缩短至1天以内。