技术课堂丨基于AI深度学习的结构位移场预测方法

2025/1/10 10:30:00

 

 


参考文献:


[1]朱军,朱庆,祝兵,等.数字孪生驱动的桥梁智能建造方法[J]. 遥感学报,2024,28(5): 1340-1349.

[2]刘敏,张立冬,郑婕,等.智慧工厂数字孪生的设计与实现[J]. 自动化技术与应用,2024,43(5):52-56.DOI:10.20033/j.1003- 7241.(2024)05-0052-05.

[3]杨嘉龙,王国庆,苏东鹏,等.风力发电机组运维数字孪生系统设计[J].工程机械,2024,55(5):1-4.

[4]谢旭,邱晓刚,包亦正,等.动态数据驱动仿真综述[J].系统仿真学报,2024,36(8):1832-1842.DOI:10.16182/j.issn100 4731x. joss. 24-0127.

[5] GOODFELLOW I,BENGIO Y,COURVILLE A. Deep learning: ISBN 0262035618[M]. Cambridge,MA,USA: MIT Press,2016: 1-16.

[6] HINTON G E,OSINDERO S,TEH Y W. A fast-learning algorithm for deep belief nets[J]. Neural Computation,2006,18( 7) : 1527-1554. DOI: 10. 1162 /neco. 2006. 18. 7. 1527.

[7] ERDAL H I,KARAKURT O,NAMLI E. High performance concrete compressive strength forecasting using ensemble models based on discrete wavelet transform[J]. Engineering Applications of Artificial Intelligence,2013,26( 4) : 1246-1254. DOI: 10. 1016 /j. engappai. 2012. 10. 014.

[8] 白国良,刘彪,许振华,等. 基于 Elman 神经网络算法的型钢再生混凝土结构粘结强度预测方法研究[J]. 建筑结构,2021,51( 16) :

35-41. DOI: 10. 19701 /j. jzjg. 2021. 16. 006.

[9] DEMIR F. Prediction of elastic modulus of normal and high strength concrete by artificial neural networks[J]. Construction and Building Materials,2008,22( 7) : 1428-1435. DOI: 10. 1016 /j. conbuildmat. 2007. 04. 004.

[10] ALWANAS A A H,AL-MUSAWI A A,SALIH S Q,et al. Load-carrying capacity and mode failure simulation of beam-column joint connection:

Application of self-tuning machine learning model[J]. Engineering Structures,2019,194: 220-229. DOI: 10. 1016 /j. engstruct. 2019. 05. 048.

[11] 韩小雷,冯润平,季静,等. 基于深度学习的 RC 梁集中塑性铰模型参数研究[J]. 工程力学,2021,38( 11) : 160-169.

[12] FENG D C,CETINER B,AZADI KAKAVAND M R,et al. Data-driven approach to predict the plastic hinge length of reinforced concrete columns and its application[J]. Journal of Structural Engineering,2021,147 ( 2 ) : 04020332. DOI: 10. 1061 /( ASCE) ST. 1943-541X. 000285.

[13] 陈泽彬. 基于深度学习的有限元计算研究[D]. 哈尔滨: 哈尔滨工业大学,2021. DOI: 10. 27061 /d. cnki. ghgdu. 2020. 003450.

[14] 王琛,樊健生. 基于深度学习的土木工程结构全过程响应智能计算框架[J]. 建筑结构学报,2023,44( 1) : 259-268. DOI: 10. 14006 / j. jzjgxb. 2021. 0560.

[15] 胡家伟. 基于深度学习的温度场预测方法及其在惯导平台中的应用[D]. 长沙: 湖南大学,2021. DOI: 10. 27135 /d. cnki. ghudu. 2021. 002611.

[16] 高泽,楚遵康,石稼晟,等. 基于图网络的汽车零部件应力场快速预测方法研究[J]. 汽车工程,2024,46 ( 1) : 170-178. DOI: 10. 19562 /j. chinasae. qcgc. 2024. 01. 018.

[17] 宋凌寒,王琛,樊健生. 理论驱动的弹性结构体系图神经网络计算模型[J]. 工程力学,2024,41( 2) : 25-34.

[18] 张翀,陶慕轩,王琛,等. 土木工程结构智能计算特征工程研究[J]. 工程力学,2023,40( 12) : 55-64.

[19] 陈国荣. 有限单元法原理及应用[M]. 北京: 科学出版社,2009.

[20] 周中元,黄颖,张诚,等. 深度学习原理与应用[M]. 北京: 电子工业出版社,2021.

[21] 杨寒雨,赵晓永,王磊. 数据归一化方法综述[J]. 计算机工程与应用,2023,59( 3) : 13-22.

[22] 费康,张建伟. Abaqus 在岩土工程中的应用[M]. 北京: 中国水利水电出版社,2010.

 

-END-

 

 

-END-

沪ICP备05022647号-1 沪公网安备31011202020082号 ©2024 上海慧广科技发展有限公司版权所有