人工神经网络在非线性力学模型校准中的应用
神经与进化计算
2016-03-08 v2 计算工程、金融与科学
摘要
材料数值建模的快速发展以及新模型复杂性的迅速增加，伴随着其计算需求的快速增长。尽管现代计算机与集群性能不断提升，但从含噪实验数据校准此类模型仍是一项非平凡且常耗费大量计算的任务。因此，分层神经网络代表了一种鲁棒且高效的技术，以克服校准模型的耗时模拟。神经网络的潜力在于其简单的实现以及逼近非线性关系的高通用性。因此，已有若干方法被提出，利用神经网络加速非线性模型的校准。本文回顾并比较了基于逼近以下三者的三种可能策略：(i) 模型响应，(ii) 模型响应与其参数之间的逆关系，以及 (iii) 量化模型对数据拟合优劣的误差函数。在特定策略的优缺点通过从模拟数据及实验测量中对 affinity hydration 模型的四个参数进行校准得以展示。该模型高度非线性，但计算代价低，从而允许在不使用任何近似的情况下进行校准，并更好地量化所考察校准策略获得的结果。因此，本文可视为面向工程师的指南，以助其在特定校准问题中选择合适的策略。
引用
@article{arxiv.1502.01380,
title = {Artificial neural networks in calibration of nonlinear mechanical models},
author = {Tomáš Mareš and Eliška Janouchová and Anna Kučerová},
journal= {arXiv preprint arXiv:1502.01380},
year = {2016}
}
备注
26 pages, 8 figures, 11 tables, accepted for publication in Advances in Engineering Software