(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210643988.8 (22)申请日 2022.06.08 (71)申请人 东南大学 地址 210018 江苏省南京市玄武区四牌楼 2 号 (72)发明人 郭小明　孙骁晓　晏孝强　吴佰建　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 徐尔东 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/17(2020.01) G06K 9/62(2022.01) G06N 20/00(2019.01) G06F 111/10(2020.01)G06F 119/14(2020.01) (54)发明名称 一种基于机器学习的RVE贯 穿判断方法 (57)摘要 本发明涉及一种基于机器学习的RVE贯穿判 断方法， 包括通过数值模拟的方式， 构造RV E破坏 样式， 采用不同尺寸的方格形成RVE等价破坏样 式方格图， 对不同的RVE等价破坏样式方格图进 行分析， 确定合理的方格尺寸； 通过设置不同的 出发位置， 每个出 发位置不同的出 发点数， 在RV E 中形成连通的等价裂纹带， 裂纹带的宽度和数量 都是随机的， 由此形成具有复杂破坏样式的RVE 等价破坏方格图； 利用贯穿以及非贯穿破坏样式 构成的RVE等价破坏样式数据库训练分类器模 型， 使分类器模型可以判断贯穿以及非贯穿RVE 实际破坏样式对由于裂纹带贯穿导致的充分卸 载RVE进行判断， 为贯穿RV E从计算模型中退出提 供了判断依据， 提高了多尺度模型的计算效率。 权利要求书1页 说明书5页 附图14页 CN 114997057 A 2022.09.02 CN 114997057 A 1.一种基于 机器学习的RVE贯 穿判断方法， 其特 征在于： 具体包括以下步骤： 步骤S1： 通过数值模拟构造RVE实际破坏样式， 采用不同尺寸的方格形成RVE等价破坏 样式方格图； 步骤S2： 对建立的RVE等价破坏样式方格图进行分析， 对RVE实际破坏状态准确的方格 图认定为 合理方格尺寸； 步骤S3： 根据判断出的合理方格尺寸， 通过设置不同的出发位置， 每个出发位置设置不 同的出发点数， 形成具有复杂破坏 样式的RVE等 价破坏样式数据库； 步骤S4： 利用RVE等价破坏样式数据库训练分类器模型， 使得分类器模型可以判断贯穿 以及非贯 穿RVE实际破坏 样式， 建立基于 机器学习的RVE贯 穿判断方法。 2.根据权利 要求1所述的基于机器学习的RVE贯穿判断方法， 其特征在于： 在步骤S1中， 采用单轴拉伸测试构造RVE实际破坏样式， 其中包括非贯穿的RVE损伤分布以及贯穿的RVE 损伤分布。 3.根据权利 要求2所述的基于机器学习的RVE贯穿判断方法， 其特征在于： 将RVE损伤中 损伤值为1.0的细观单元中点作为破坏点， 建立RVE的破坏点分布图， 对应于RVE的各个损伤 状态， 其中包括非贯 穿的RVE对应的破坏点分布， 以及贯 穿的RVE对应的破坏点分布。 4.根据权利要求3所述的基于机器学习的RVE贯穿判断方法， 其特征在于： 将不同尺寸 的方格形成的网格投影在RVE的破坏点分布图上， 若 方格中包含破坏点， 则此方格表示为破 坏方格， 通过破坏方格形成的样式对RVE的真实损伤样式进行等 价表示。 5.根据权利 要求4所述的基于机器学习的RVE贯穿判断方法， 其特征在于： 在步骤S2中， 对RVE实际破坏 状态准确的方格图认定为合理方格尺 寸的判断依据是， 准确的判断出， 若对 于方格图判断为贯穿的RVE， 且RVE实际破坏状态也为贯穿， 若方格图判断为非贯穿的RVE， 且RVE实际破坏状态为非贯 穿。 6.根据权利 要求5所述的基于机器学习的RVE贯穿判断方法， 其特征在于： 步骤S3中， 形 成具有复杂破坏 样式的RVE等 价破坏样式数据库的具体步骤为： 步骤S31： 从RVE的某条边出发， 设置一个或几个出发位置； 步骤S32： 每 个出发位置设置一个或者几个相邻出发点， 即为破坏方格； 步骤S33： 形成的破坏方格在不同的前进方向随机确定是否生成新的破坏方格； 步骤S34： 新的破坏方格继续在不同的前进方向随机确定是否生成新的破坏方格， 循环 形成RVE中的等 价裂纹带。 7.根据权利要求6所述的基于机器学习的RVE贯穿判断方法， 其特征在于： 不同出发位 置数决定RVE等价破坏方格图中等价裂纹带的数量， 每个出发位置的出发点数决定等价裂 纹带的宽度， 不同的出发边决定等价裂纹带的方位， 由此形成具有复杂破坏样式的RVE等价 破坏样式数据库。 8.根据权利 要求7所述的基于机器学习的RVE贯穿判断方法， 其特征在于： 步骤S4中， 将 非贯穿的RVE等价破坏样式以及贯穿的RVE等价破坏样式转换为对应的特征矩阵， 其中的特 征变量对应于方格图中每个方格的破坏 状态， 设定破坏方格的值为 1， 非破坏方格的值为0， 在标签向量中还包括存储的RVE等价破坏样 式的贯穿状态， 将上述变量对分类器模型进行 训练， 使分类器模 型能够判断RVE等价破坏样式的贯穿与非贯穿状态， 建立基于机器学习的 RVE贯穿判断方法。权　利　要　求　书 1/1 页 2 CN 114997057 A 2一种基于机 器学习的RVE贯穿判断方 法 技术领域 [0001]本发明涉及一种基于机器学习的RVE贯穿判断方法， 属于计算力学以及数值模拟 领域。 背景技术 [0002]准脆性材料具有复杂的微观特征和力学性能， 为了准确地分析准脆性材料的损伤 破坏过程， 有必要建立微观模型来描述材料微观尺度特征， 而适用于实际结构尺度的分析 模型对于准脆性材料组成的结构破坏模拟也是必要的， 因此， 准脆性材料损伤破坏的多尺 度模拟是一个重要的问题。 [0003]在传统的多尺度 模拟方法 中， RVE逐渐激活以适应损伤区域的演化， 多尺度 模型的 计算量往往是一个持续增加的过程， 随着损伤区域的增加， 激活的RVE数量也不断增加， 导 致模型计算使用的自由度数量越来越多， 为了有效提高多尺度模型的计算效率， 应该对RVE 的退出机制进 行研究， 建立相应的RVE退出准则， 实现RVE逐渐退出计算的多尺度模拟， 提高 模型效率。 发明内容 [0004]本发明提供一种基于机器学习的RVE贯穿判断方法， 对由于裂纹带贯穿导致的充 分卸载RVE进行判断， 为 贯穿RVE从计算模型中退 出提供了判断依据。 [0005]本发明解决其 技术问题所采用的技 术方案是： 一种基于 机器学习的RVE贯 穿判断方法， 具体包括以下步骤： 步骤S1： 通过数值模拟构造RVE实际破坏样式， 采用不同尺寸的方格形成RVE等价 破坏样式方格图； 步骤S2： 对建立的RVE等价破坏样式方格图进行分析， 对RVE实际破坏状态准确的 方格图认定为 合理方格尺寸； 步骤S3： 根据判断出的合理方格尺寸， 通过设置不同的出发位置， 每个出发位置设 置不同的出发点数， 形成具有复杂破坏 样式的RVE等 价破坏样式数据库； 步骤S4： 利用RVE等价破坏样式数据库训练分类器模型， 使得分类器模型可以判断 贯穿以及非贯 穿RVE实际破坏 样式， 建立基于 机器学习的RVE贯 穿判断方法； 作为本发明的进一步优选， 在步骤S1中， 采用单轴拉伸测试构造RVE实际破坏样 式， 其中包括非贯 穿的RVE损伤分布以及贯 穿的RVE损伤分布； 作为本发明的进一步优选， 将RVE损伤中损伤值为1.0的细观单元中点作为破坏 点， 建立RVE的破坏点分布图， 对应于RVE的各个损伤状态， 其中包括非贯穿的RVE对应的破 坏点分布， 以及贯 穿的RVE对应的破坏点分布； 作为本发明的进一步优选， 将不同尺寸的方格形成的网格投影在RVE 的破坏点分 布图上， 若方格中包含破坏点， 则此方格表示为破坏方格， 通过破坏方格形成的样 式对RVE 的真实损伤样式进行等 价表示；说　明　书 1/5 页 3 CN 114997057 A 3