基于跨尺度多模态神经网络的超高性能混凝土力学性能预测方法、计算机设备及计算机程序产品

摘要: 本技术涉及混凝土材料计算,具体涉及一种基于跨尺度多模态神经网络的超高性能混凝土力学性能预测方法、计算机设备及计算机程序产品。背景技术:1、超高性能混凝土是一种具...
基于跨尺度多模态神经网络的超高性能混凝土力学性能预测方法、计算机设备及计算机程序产品

本技术涉及混凝土材料计算,具体涉及一种基于跨尺度多模态神经网络的超高性能混凝土力学性能预测方法、计算机设备及计算机程序产品。

背景技术:

1、超高性能混凝土是一种具有高强度、高韧性及优异耐久性的水泥基复合材料,其力学性能与材料内部结构、材料组成以及受力条件等因素相关。在对超高性能混凝土进行材料设计、性能分析及结构应用时,通常需要对抗压强度、抗拉强度、首裂强度和断裂能等力学性能进行预测。

2、现阶段,针对此类多组分多尺度复合材料的性能分析,通常采用连续介质有限元方法将材料简化为等效均质体进行构件级响应模拟,或者利用分子动力学、离散元等数值手段分别刻画不同尺度下的微观行为。

3、由于超高性能混凝土的不同尺度结构之间存在复杂的关联关系,多尺度信息的综合利用以及不同尺度信息与力学性能之间的关联分析仍较为复杂,无法实现准确预测超高性能混凝土力学性能。

技术实现思路

1、有鉴于此,本技术实施例提供了一种基于跨尺度多模态神经网络的超高性能混凝土力学性能预测方法、计算机设备及计算机程序产品,以实现综合利用超高性能混凝土不同尺度的材料信息进行特征表征和关联分析,以实现超高性能混凝土力学性能的预测。

2、本技术的第一方面提供了一种基于跨尺度多模态神经网络的超高性能混凝土力学性能预测方法,包括:

3、获取超高性能混凝土的微观尺度数据、细观尺度数据和宏观尺度数据;其中,所述微观尺度数据包括胶凝基体图、基体-石英颗粒界面图和基体-钢纤维界面图,所述细观尺度数据包括石英颗粒和钢纤维的空间结构数据,所述宏观尺度数据用于表征所述超高性能混凝土的宏观材料信息及工况信息;

4、基于所述微观尺度数据进行特征编码和特征聚合得到胶凝基体语义特征、基体-石英颗粒界面语义特征、基体-钢纤维界面语义特征,基于所述细观尺度数据进行特征编码和特征聚合得到石英颗粒空间结构语义特征和钢纤维空间结构语义特征,以及基于所述宏观尺度数据进行特征编码和特征聚合,得到宏观语义特征;

5、将所述胶凝基体语义特征、所述基体-石英颗粒界面语义特征、所述基体-钢纤维界面语义特征、所述石英颗粒空间结构语义特征、所述钢纤维空间结构语义特征和所述宏观语义特征映射至统一的潜在特征空间,并分别为每个所述语义特征设置对应的物理类型信息,根据所述基体-石英颗粒界面与所述石英颗粒空间结构之间的跨尺度物理关联,以及所述基体-钢纤维界面与所述钢纤维空间结构之间的跨尺度物理关联,确定跨尺度物理关系信息;

6、根据所述物理类型信息和所述跨尺度物理关系信息,对所述统一的潜在特征空间中的各个所述语义特征进行多头自注意力交互,增强具有所述跨尺度物理关联的语义特征之间的注意力交互,得到胶凝基体更新语义特征、基体-石英颗粒界面更新语义特征、基体-钢纤维界面更新语义特征、石英颗粒空间结构更新语义特征、钢纤维空间结构更新语义特征以及宏观更新语义特征;

7、基于所述更新语义特征,针对不同力学性能预测任务进行对应的注意力聚合,得到对应的任务融合特征,并基于所述任务融合特征得到超高性能混凝土的力学性能预测结果。

8、在一种可选的实施例中,所述胶凝基体图、所述基体-石英颗粒界面图和所述基体-钢纤维界面图均以原子作为图节点,所述图节点的节点属性包括原子类型和原子所属的物理区域类型;

9、所述胶凝基体图、所述基体-石英颗粒界面图和所述基体-钢纤维界面图中的图边基于原子之间的局部空间邻域关系建立,所述图边的边属性包括原子之间的距离信息和图边两端原子所属的物理区域对应的关系类型;

10、所述基体-石英颗粒界面图中的边关系类型包括胶凝基体内部的原子邻域关系、石英颗粒内部的原子邻域关系以及基体-石英颗粒跨界面关系;

11、所述基体-钢纤维界面图中的边关系类型包括胶凝基体内部的原子邻域关系、钢纤维内部的原子邻域关系以及基体-钢纤维跨界面关系。

12、在一种可选的实施例中,所述基于所述微观尺度数据进行特征编码和特征聚合,得到胶凝基体语义特征、基体-石英颗粒界面语义特征和基体-钢纤维界面语义特征,包括:

13、分别将所述胶凝基体图、所述基体-石英颗粒界面图和所述基体-钢纤维界面图中的节点属性映射为节点隐藏特征,并对所述图边的边属性进行边特征编码;

14、在图消息传递过程中,根据图节点的节点隐藏特征、邻域图节点的节点隐藏特征以及对应图边的边特征进行邻域信息聚合,并根据聚合结果更新所述节点隐藏特征;

15、采用共享参数的微观图神经网络分别对所述胶凝基体图、所述基体-石英颗粒界面图和所述基体-钢纤维界面图进行特征编码,并分别对编码得到的节点隐藏特征进行图级特征聚合,得到所述胶凝基体语义特征、所述基体-石英颗粒界面语义特征和所述基体-钢纤维界面语义特征。

16、在一种可选的实施例中,所述分别对编码得到的节点隐藏特征进行图级特征聚合,得到所述胶凝基体语义特征、所述基体-石英颗粒界面语义特征和所述基体-钢纤维界面语义特征,包括:

17、对于所述基体-石英颗粒界面图和所述基体-钢纤维界面图,分别确定位于对应界面两侧有效邻域内的节点,并对所述有效邻域内节点的节点隐藏特征进行图级特征聚合,分别得到所述基体-石英颗粒界面语义特征和所述基体-钢纤维界面语义特征。

18、在一种可选的实施例中,所述基于所述细观尺度数据进行特征编码和特征聚合,得到石英颗粒空间结构语义特征和钢纤维空间结构语义特征,包括:

19、根据所述石英颗粒和所述钢纤维的空间结构数据构建细观图,所述细观图以单个石英颗粒和单根钢纤维分别作为图节点;

20、所述石英颗粒的节点属性包括颗粒质心位置和等效粒径或特征尺寸,所述钢纤维的节点属性包括纤维质心位置、纤维长度、纤维直径、长径比以及空间取向;

21、根据石英颗粒之间、石英颗粒与钢纤维之间以及钢纤维之间的空间邻近关系建立所述细观图中的图边,并对所述图边对应的空间几何属性和关系类型进行编码;

22、采用细观图神经网络对所述细观图进行特征编码,并按照石英颗粒节点和钢纤维节点分别进行特征聚合,得到所述石英颗粒空间结构语义特征和所述钢纤维空间结构语义特征。

23、在一种可选的实施例中,所述采用细观图神经网络对所述细观图进行特征编码,并按照石英颗粒节点和钢纤维节点分别进行特征聚合,得到所述石英颗粒空间结构语义特征和所述钢纤维空间结构语义特征,包括:

24、采用所述细观图神经网络对所述细观图中的图节点进行特征编码,得到所述石英颗粒节点的节点隐藏特征和所述钢纤维节点的节点隐藏特征;

25、分别对所述石英颗粒节点的节点隐藏特征和所述钢纤维节点的节点隐藏特征进行平均池化,得到石英颗粒池化特征和钢纤维池化特征;

26、分别确定所述石英颗粒和所述钢纤维在代表性体积单元中的数量密度和实际体积分数;

27、将所述石英颗粒的数量密度和实际体积分数与所述石英颗粒池化特征进行拼接,将所述钢纤维的数量密度和实际体积分数与所述钢纤维池化特征进行拼接;

28、分别对拼接得到的特征进行可学习映射,得到所述石英颗粒空间结构语义特征和所述钢纤维空间结构语义特征。

29、在一种可选的实施例中,所述石英颗粒之间的图边基于石英颗粒接触关系或者石英颗粒表面之间的最小距离建立;

30、所述钢纤维之间的图边基于两根钢纤维中心轴线之间的最小空间距离建立,

31、所述钢纤维之间的图边的边属性包括所述两根钢纤维中心轴线之间的相对夹角;

32、所述石英颗粒与所述钢纤维之间的图边基于钢纤维中心轴线与石英颗粒表面之间的最小空间距离建立,所述石英颗粒与所述钢纤维之间的图边的边属性包括对应的空间距离和局部相对空间关系。

33、在一种可选的实施例中,所述基于所述宏观尺度数据进行特征编码和特征聚合,得到宏观语义特征,包括:

34、将所述宏观尺度数据组成宏观输入特征向量,所述宏观输入特征向量包括材料配合比、龄期、养护条件、预测前可获得的材料宏观参数、试件几何尺寸、边界条件以及加载工况;

35、采用全连接神经网络对所述宏观输入特征向量进行特征编码和特征聚合,得到所述宏观语义特征。

36、在一种可选的实施例中,所述将所述胶凝基体语义特征、所述基体-石英颗粒界面语义特征、所述基体-钢纤维界面语义特征、所述石英颗粒空间结构语义特征、所述钢纤维空间结构语义特征和所述宏观语义特征映射至统一的潜在特征空间,并分别为每个所述语义特征设置对应的物理类型信息,包括:

37、分别将所述胶凝基体语义特征、所述基体-石英颗粒界面语义特征、所述基体-钢纤维界面语义特征、所述石英颗粒空间结构语义特征、所述钢纤维空间结构语义特征和所述宏观语义特征映射为相同维度的潜在特征向量;

38、分别为所述胶凝基体语义特征、所述基体-石英颗粒界面语义特征、所述基体-钢纤维界面语义特征、所述石英颗粒空间结构语义特征、所述钢纤维空间结构语义特征和所述宏观语义特征设置对应的物理类型编码,并将各所述物理类型编码与对应的潜在特征向量进行融合。

39、在一种可选的实施例中,所述根据所述基体-石英颗粒界面与所述石英颗粒空间结构之间的跨尺度物理关联,以及所述基体-钢纤维界面与所述钢纤维空间结构之间的跨尺度物理关联,确定跨尺度物理关系信息,包括:

40、根据所述基体-石英颗粒界面与所述石英颗粒空间结构之间的跨尺度物理关联,以及所述基体-钢纤维界面与所述钢纤维空间结构之间的跨尺度物理关联,构建跨尺度物理关系掩码;

41、针对不同注意力头,分别为所述基体-石英颗粒界面与所述石英颗粒空间结构之间的跨尺度物理关联,以及所述基体-钢纤维界面与所述钢纤维空间结构之间的跨尺度物理关联设置对应的关系增强系数;

42、根据所述跨尺度物理关系掩码和所述关系增强系数确定物理关系偏置矩阵。

43、在一种可选的实施例中,所述根据所述物理类型信息和所述跨尺度物理关系信息,对所述统一的潜在特征空间中的各个所述语义特征进行多头自注意力交互,增强具有所述跨尺度物理关联的语义特征之间的注意力交互,包括:

44、将所述物理关系偏置矩阵作为注意力偏置项加入多头自注意力计算;

45、根据加入所述物理关系偏置矩阵后的注意力权重,对所述胶凝基体语义特征、所述基体-石英颗粒界面语义特征、所述基体-钢纤维界面语义特征、所述石英颗粒空间结构语义特征、所述钢纤维空间结构语义特征和所述宏观语义特征进行交互,得到胶凝基体更新语义特征、基体-石英颗粒界面更新语义特征、基体-钢纤维界面更新语义特征、石英颗粒空间结构更新语义特征、钢纤维空间结构更新语义特征以及宏观更新语义特征。

46、在一种可选的实施例中,所述将所述物理关系偏置矩阵作为注意力偏置项加入多头自注意力计算,包括:

47、根据当前输入的语义特征确定查询向量和键向量,并根据所述查询向量和所述键向量确定原始注意力分数;

48、将所述物理关系偏置矩阵加入所述原始注意力分数,得到加入物理关系偏置后的注意力分数;

49、对所述加入物理关系偏置后的注意力分数进行归一化,得到注意力权重;

50、其中,对于所述跨尺度物理关系掩码未表征跨尺度物理关联的语义特征对,根据所述原始注意力分数进行数据驱动的注意力交互。

51、在一种可选的实施例中,所述基于所述更新语义特征,针对不同力学性能预测任务进行对应的注意力聚合,得到对应的任务融合特征,并基于所述任务融合特征得到超高性能混凝土的力学性能预测结果,包括:

52、针对抗压强度预测任务、抗拉强度预测任务、首裂强度预测任务和断裂能预测任务分别进行任务特定注意力聚合,得到对应的任务融合特征;

53、分别将所述抗压强度预测任务、所述抗拉强度预测任务、所述首裂强度预测任务和所述断裂能预测任务对应的任务融合特征输入对应的回归预测头;

54、分别得到抗压强度预测结果、抗拉强度预测结果、首裂强度预测结果和断裂能预测结果。

55、在一种可选的实施例中,所述针对抗压强度预测任务、抗拉强度预测任务、首裂强度预测任务和断裂能预测任务分别进行任务特定注意力聚合,得到对应的任务融合特征,包括:

56、针对所述抗压强度预测任务、所述抗拉强度预测任务、所述首裂强度预测任务和所述断裂能预测任务分别设置相互独立的任务注意力参数;

57、根据各所述任务对应的任务注意力参数,分别确定所述胶凝基体更新语义特征、所述基体-石英颗粒界面更新语义特征、所述基体-钢纤维界面更新语义特征、所述石英颗粒空间结构更新语义特征、所述钢纤维空间结构更新语义特征和所述宏观更新语义特征对应的任务相关得分;

58、对各所述任务相关得分进行归一化,得到各所述更新语义特征对应的注意力权重;

59、根据各所述注意力权重对所述更新语义特征进行加权聚合,得到对应的任务融合特征。

60、在一种可选的实施例中,所述方法还包括:

61、针对抗压强度预测任务、抗拉强度预测任务、首裂强度预测任务和断裂能预测任务分别确定对应的任务损失,其中,各任务损失包括对应预测任务的数据拟合损失以及对应的物理约束项;

62、根据各所述任务损失,对用于所述微观尺度数据特征编码和特征聚合、所述细观尺度数据特征编码和特征聚合、所述宏观尺度数据特征编码和特征聚合以及所述多头自注意力交互的网络参数进行联合训练;

63、其中,所述物理约束项包括非负约束、局部单调性约束和跨任务关系约束中的至少一种,所述跨任务关系约束用于对违反预设强度顺序关系的预测结果施加惩罚,所述预设强度顺序关系为所述首裂强度预测结果不大于所述抗拉强度预测结果,且所述抗拉强度预测结果不大于所述抗压强度预测结果。

64、在一种可选的实施例中,所述数据拟合损失的确定过程,包括:

65、根据各训练样本对应的监督标签的数据来源确定标签关联组;

66、对于监督标签由独立数据来源获得的训练样本,将对应训练样本的数据拟合权重设置为1;

67、对于属于同一标签关联组且共享同一来源监督标签的n个训练样本,将各所述训练样本对应的数据拟合权重设置为1/n;

68、根据各训练样本对应的数据拟合权重和预测结果与真实目标之间的差异,确定对应预测任务的数据拟合损失。

69、在一种可选的实施例中,所述局部单调性约束的确定过程,包括:

70、针对具有预设物理变化趋势且处于对应物理规律适用范围内的待约束输入参数,在其他类别型条件保持一致且其他连续输入参数之间的差异处于预设容许范围内的训练样本中确定可比样本对;

71、根据所述可比样本对中所述待约束输入参数之间的大小关系以及对应力学性能预测结果之间的大小关系,确定是否违反所述待约束输入参数对应的预设物理变化趋势;

72、针对违反所述预设物理变化趋势的预测结果确定单调性惩罚损失;

73、在不存在满足所述预设物理变化趋势、所述适用范围及所述可比样本条件的可比样本对时,不启用对应的局部单调性约束。

74、本技术的第二方面提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述所述基于跨尺度多模态神经网络的超高性能混凝土力学性能预测方法的步骤。

75、本技术的第三方面提供了一种计算机程序产品,包括计算机程序,所述计算机程序被运行时,使得如上述任意一项所述基于跨尺度多模态神经网络的超高性能混凝土力学性能预测方法被执行。

76、与现有技术相比,本技术的技术效果为:

77、通过获取超高性能混凝土的微观尺度数据、细观尺度数据和宏观尺度数据,并分别对不同尺度的数据进行特征编码和特征聚合,能够分别获得胶凝基体、基体-石英颗粒界面、基体-钢纤维界面、石英颗粒空间结构、钢纤维空间结构以及宏观材料信息及工况信息对应的语义特征,从而获得超高性能混凝土不同尺度的特征表示。

78、通过将所述胶凝基体语义特征、所述基体-石英颗粒界面语义特征、所述基体-钢纤维界面语义特征、所述石英颗粒空间结构语义特征、所述钢纤维空间结构语义特征和所述宏观语义特征映射至统一的潜在特征空间,并为各语义特征设置对应的物理类型信息,能够对不同尺度的语义特征进行统一表示,并保留各语义特征对应的物理类型信息。

79、通过根据基体-石英颗粒界面与石英颗粒空间结构之间的跨尺度物理关联,以及基体-钢纤维界面与钢纤维空间结构之间的跨尺度物理关联确定跨尺度物理关系信息,并结合所述物理类型信息和所述跨尺度物理关系信息进行多头自注意力交互,能够在不同语义特征之间进行跨尺度信息交互,并增强具有跨尺度物理关联的语义特征之间的注意力交互。

80、通过针对不同力学性能预测任务对更新语义特征进行对应的注意力聚合,得到对应的任务融合特征,并基于所述任务融合特征得到超高性能混凝土的力学性能预测结果,能够针对不同力学性能预测任务形成对应的特征表示,并获得相应的力学性能预测结果。

81、综上,本技术通过对超高性能混凝土微观、细观和宏观尺度的材料信息进行分尺度特征提取、统一特征表示、跨尺度关联交互以及任务特定特征聚合,能够综合利用不同尺度的材料信息及其物理关联,实现对超高性能混凝土力学性能的预测。