深度学习+MultiFracS构建替代模型发表于EABA

【最新论文】Luo Z, Yan CZ*, Ke W, et al. A surrogate model based on deep convolutional neural networks for solving deformation caused by moisture diffusion. Engineering Analysis with Boundary Elements. 2023, 157: 353-373. 

本文提出一种基于深度学习的湿度-变形耦合计算方法。该方法建立主要由以下几个部分组成。首先，进行神经网络结构设计包括稠密块和过渡层的设计以及各类超参数的设置；然后，利用FDEM多物理场耦合分析软件MultiFracS对两种不同边界条件的湿度-变形算例进行仿真模拟。数值模拟完成后，将控制湿度耦合变形的关键参数（弹性模量）和数值模拟得到的高保真仿真数据处理为图像的数据结构（矩阵），并制作为数据集用以训练神经网络模型；最后，我们采用均方根误差和相关系数两个误差评价因子，评价了该基于深度学习的湿度-变形耦合计算方法在预测变形与应力的有效性。结果表明，训练成功的替代计算模型只需要几秒钟便可准确计算对应湿度场在不同弹性模量下的变形与应力，而不是像数值模拟那样运行一次模型需要几个小时，极大提高预测效率。同时对于普通工程人员，传统的仿真手段建模复杂学习门槛高，而该替代计算模型可以封装成手机app只需要修改关键参数，即可以获得变形规律为现场工程问题的快速决策提供支撑。  

图1. 替代模型和MultiFracS数值模拟结果对比