论文摘要
自20世纪50年代以来,随着计算机科学的不断进步,机器学习和数据科学得到了长足发展.这些技术一般依靠大量数据作支撑,通过训练过程提取出蕴藏在数据内部的抽象映射关系,目前已被成功应用于化学、生物等自然科学研究领域.近年来,这些技术也逐渐受到计算力学领域研究者的关注.本文结合作者的相关研究成果介绍了机器学习、数据科学与计算力学相结合的3种形式:第一种是与有限元方程求解方面的结合,直接应用卷积神经网络算法求解线性有限元方程;第二种方式结合有限元计算和机器学习预测复杂材料结构与力学性能的关系.本文作者应用该方法基于细观页岩扫描照片和随机建模算法,成功训练出可以有效预测细观页岩样本等效模量的卷积神经网络;第三种方式是建立基于数据驱动的计算力学方法,比如直接利用真实的材料实验数据代替材料本构模型.这些工作显示了机器学习、数据驱动在处理材料的力学实验数据、设计新型材料以及创建更高效的计算力学模型方面的广阔前景.随着计算力学的发展,未来将可能出现更多将数据科学、机器学习与计算力学相结合的应用场景,进一步开发出更加强健、高效和保真的计算力学方法.
论文目录
文章来源
类型: 期刊论文
作者: 李想,严子铭,柳占立
关键词: 机器学习,数据驱动,人工神经网络,计算力学,有限单元法
来源: 科学通报 2019年07期
年度: 2019
分类: 基础科学,信息科技
专业: 力学,自动化技术
单位: 清华大学航天航空学院应用力学实验室
基金: 国家自然科学基金优秀青年科学基金(11722218),科学挑战计划(TZ2018001)资助
分类号: O302;TP181
页码: 635-648
总页数: 14
文件大小: 1580K
下载量: 1160