(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110218764.8 (22)申请日 2021.02.26 (65)同一申请的已公布的文献号 申请公布号 CN 112949000 A (43)申请公布日 2021.06.11 (73)专利权人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 刘广彦　熊土林　王璐　高先智　 马少鹏　 (74)专利代理 机构 北京晟睿智杰知识产权代理 事务所 (特殊普通合伙) 11603 专利代理师 于淼 (51)Int.Cl. G06F 30/17(2020.01)G06F 30/23(2020.01) G06F 30/27(2020.01) G06F 119/14(2020.01) (56)对比文件 CN 105183928 A,2015.12.23 WO 2008026777 A1,2008.03.06 CN 105259412 A,2016.01.20 CN 112284595 A,2021.01.2 9 Guillaume Padi olleau 等.A Structure of Restricted Bo ltzmann Machine for Modeling System Dynamics. 《2020 Internati onal Joint Conference o n Neural Networks (IJCN N)》 .2020,1-8. 王洋等.空调面板残余应力的分析及工艺优 化. 《化学工程与装备》 .2016,(第01期),142- 144. 审查员 王晓时 (54)发明名称 基于卷积神经网络模型的构件残余应力反 演方法 (57)摘要 本发明公开了一种基于卷积神经网络模型 的构件残余应力反演方法， 包括以下步骤： 测量 构件散点残余应力； 建立代理模型， 所述代理模 型由U‑net卷积网络组成， 包括： 划分构 件有限元 网格、 生成代理模型的训练和验证样本、 转换样 本为图片矩阵形式、 切割图片样本、 搭建基于深 度学习的代理模 型网络和训练代理模 型； 优化模 型参数， 包括： 构造残余应力实测值与模型优化 值方差的目标函数， 利用代理模 型不断更新优化 单元温度分布， 直至满足收敛条件， 此时由代理 模型得到的残余应力场即为构件内真实残余应 力分布。 本发 明用基于深度学习的代理模型替代 现有技术中的有限元更新法， 能够显著提高残余 应力反演的效率。 权利要求书1页 说明书6页 附图2页 CN 112949000 B 2022.08.02 CN 112949000 B 1.一种基于卷积神经网络模型的构件残余应力反演方法， 其特 征在于， 包括以下步骤： 测量构件散点残余应力， 包括采用有损检测或无损检测测量构件表面或内部有限散点 的残余应力值； 建立代理模型， 所述代理模型由U ‑net卷积网络组成， 包括： 划分构件有限元网格， 所述U ‑net卷积网络在下采样时使用的滤波器大小为2 ×2， 将所 述构件沿长度方向和宽度方向分别离散为2m和2n个单元， 其中m和n均为大于等于2的正整 数； 生成代理模型的训练和验证样本， 赋予构件有限元模型中所有单元相同的热膨胀系 数， 在每个单元 的积分点上施加随机温度产生 随机温度场， 运行若干有限元程序产生不同 随机温度场下 的自平衡应力场， 温度分布场作为代理模型样本的输入， 自平衡应力场作为 代理模型样本的输出； 转换样本为图片矩阵形式； 切割图片样本， 将图片矩阵切割成若干 长宽相等的方 形子图片； 搭建基于深度学习的代理模型网络， 根据子图片大小， 编写U ‑net代理模型程序， U ‑net 卷积网络的网络 输入为单 元温度分布图， U ‑net卷积网络的网络 输出为单 元应力分量图； 训练代理模型， 设置U ‑net卷积网络的学习率为1 ×10‑5， 采用高斯归一化， 将样本数据 映射到方差为 1， 均值为零的高斯分布区间内， 所述样本数据为单元温度和实测散点残余应 力； 优化模型参数， 包括： 构造残余应力实测值与模型优化 值方差的目标函数： 其中， i＝1,2,3代表三个应力分量， N为残余应力实测点个数， fem表示模型优化得到的 残余应力值， exp表示实测残余应力值， 选择优化算法， 利用代理模型不 断更新优化单元温 度分布， 直至满足收敛条件， 此时由代理模型得到的残余应力场即为构件内真实残余应力 分布。 2.根据权利要求1所述的基于卷积神经网络模型的构件残余应力反演方法， 其特征在 于， 所述采用有损检测或无损检测技 术测量构件表面或内部有限散点的残余应力值， 包括： 采用模拟 实验的方法生成残余应力场， 选取多个位置的计算结果作为实测散点残余应 力。 3.根据权利要求1所述的基于卷积神经网络模型的构件残余应力反演方法， 其特征在 于， 所述搭建基于深度学习的代理模型网络中， 所述代理模型网络的图片尺寸大于或等于 2p， p为代理模型 下采样次数。权　利　要　求　书 1/1 页 2 CN 112949000 B 2基于卷积神经 网络模型的构件残余应力反演 方法 技术领域 [0001]本发明涉及实验力学、 计算力学和工程检测领域， 更具体地， 涉及一种基于卷积神 经网络模型的构件残余应力反演方法。 背景技术 [0002]机械构件在制造加工过程中会不可避免地产生残余应力， 残余应力会降低构件的 强度和疲劳寿命， 引起脆性断裂、 应力腐蚀等， 所以研究构件在不同制造工艺下的残余应力 分布规律， 对防止构件由于残余应力影响而过早 失效具有积极作用。 当前， 研究机械构件残 余应力分布主要有实验测试法、 有限元仿真法以及实验和数值计算相结合的方法， 其中实 验测试包括有损检测和无损检测两类， 打孔法和剥层法等有损检测法由于其对构件的破坏 性而应用受限； X射线、 同步辐射、 中子衍射和超声等无损检测法可以实现对构件表面或内 部残余应力的测量， 但这些方法都只能测得离散点的残余应力， 而且考虑到测量的高成本 问题， 残余应力尤其是构件内部残余应力的测 点个数非常受 限。 有限元仿真法通过模拟构 件实际制 造加工过程可以获得其全场残余应力 分布， 但由于构件制 造加工过程复杂、 不明 晰及无法考虑材料相变等因素往往导致仿 真预测结果与实际残余应力场相差甚远。 在残余 应力满足弹塑性理论中的平衡方程、 边界条件和协调 方程等假设的基础上， 以应力函数法 为代表的实验和数值计算相结合的方法可以实现从部分测 点残余应力到全场残余应力分 布的映射。 应力函数法使用的前提是构件残余应力 分布可以用应力函数来表示， 但对于结 构复杂的构件或三维问题， 通常难以找到合 适的应力函数。 [0003]现有技术中使用应力函数来表征构件表面残余应力分布， 其应力函数由包含若干 个未知系 数的三角函数级数构成。 确定未知系 数的过程是一个反问题， 需要已知足够测点 的残余应力值。 首先， 通过对构件进行离散化， 建立单元应力模型和单元应力矩阵， 并组装 整体矩阵； 然后， 根据整体矩阵的秩确定残余应力实测点个数， 并将实测值代入整体平衡方 程求解得到应力型值点的残余应力； 最后， 再根据单元应力模型求解得到所有非应力型值 点的残余应力。 该方法的缺点主要有： 对型值点的选择要求严苛； 确定残余应力的过程繁 琐、 计算复杂。 [0004]基于有限元更新法的残余应力反演 方法可以克服以上缺点， 即通过不断迭代优化 未知参数使得仿真得到的残余应力收敛于实测值， 但有限元迭代更新的超 大时间成本往往 限制了该 方法在工程上的应用。 发明内容 [0005]有鉴于此， 本发明提供了一种基于卷积神经网络模型的构件残余应力反演方法， 包括以下步骤： [0006]测量构件散点残余应力， 包括采用有损检测或无损检测测量构件表面或内部有限 散点的残余应力值； [0007]建立代理模型， 所述代理模型由U ‑net卷积网络组成， 包括：说　明　书 1/6 页 3 CN 112949000 B 3