基于物理信息极限学习机的压电材料性能预测方法及系统
本申请涉及压电材料性能预测,特别是涉及基于物理信息极限学习机的压电材料性能预测方法及系统。
背景技术:
1、压电材料可实现机械能与电能的相互转换,广泛应用于传感器、执行器、能量采集器及微纳机电系统中。当器件尺寸降至微米或纳米尺度时,由应变梯度诱导极化的挠曲电效应显著增强,成为影响电机耦合行为的关键因素。此时,压电结构的控制方程包含四阶乃至六阶空间导数,涉及电势、极化、位移、应变梯度及极化梯度等多物理量耦合,导致数学模型复杂、边界条件增多,数值求解难度大幅提高。
2、现有技术中,有限元法、有限差分法等传统数值方法虽可用于求解压电结构问题,但面对含挠曲电效应的高阶耦合模型时,存在明显不足:一是高阶方程需要甚至连续性形函数,单元构造与网格划分成本高;二是边界条件数量增加,高阶自然边界条件的施加较为困难;三是在参数扫描、结构优化等场景中需反复重建网格,计算效率低,难以满足快速仿真需求。
3、近年来,物理信息神经网络(pinn)通过将控制方程嵌入损失函数来约束神经网络,但传统 pinn 依赖梯度下降等迭代优化,在处理高阶导数与多物理场耦合时训练时间长、收敛慢、超参数敏感,预测稳定性不足。极限学习机(elm)的输入权重可随机固定,仅通过最小二乘求解输出权重,训练速度快,但将其与物理约束结合形成的物理信息极限学习机(physics-informed extreme learning machine,pielm)尚未见用于含挠曲电效应的压电结构高阶电机耦合问题。
4、因此,亟需一种能够针对挠曲电-压电结构高阶电机耦合方程,实现快速、高精度、低训练成本响应预测的方法。
技术实现思路
1、为了解决现有技术的不足,本申请提供了基于物理信息极限学习机的压电材料性能预测方法及系统;其核心技术构思在于将压电效应、挠曲电效应、应变梯度效应和极化梯度效应统一纳入压电梁的电机耦合控制方程,利用极限学习机替代传统深度神经网络作为近似函数载体,通过将控制方程残差与边界条件残差线性化,构建统一的物理约束残差矩阵,进而以最小二乘或正则化最小二乘方法直接求解输出层权重,实现对电势场、极化场和位移场的快速联合预测。
2、一方面,提供了基于物理信息极限学习机的压电材料性能预测方法,包括:
3、获取待性能预测压电材料的挠曲电-压电梁的基本参数;基于所获取的参数,采用扩展介电理论建立内能密度函数;
4、基于变分原理,从内能密度函数中推导出控制方程和边界条件;为控制方程和边界条件构造若干种残差;基于构造的残差,生成物理约束残差矩阵;
5、对物理约束残差矩阵进行归一化处理;对归一化处理结果,采用最小二乘法求解,得到输出层权重;
6、将输出层权重输入物理信息极限学习机,在待预测空间位置输出电机耦合响应,基于电机耦合响应实现对压电材料的性能预测。
7、另一方面,提供了基于物理信息极限学习机的压电材料性能预测系统,包括:
8、获取模块,其被配置为:获取待性能预测压电材料的挠曲电-压电梁的基本参数;基于所获取的参数,采用扩展介电理论建立内能密度函数;
9、残差构造模块,其被配置为:基于变分原理,从内能密度函数中推导出控制方程和边界条件;为控制方程和边界条件构造若干种残差;基于构造的残差,生成物理约束残差矩阵;
10、归一化处理模块,其被配置为:对物理约束残差矩阵进行归一化处理;对归一化处理结果,采用最小二乘法求解,得到输出层权重;
11、输出模块,其被配置为:将输出层权重输入物理信息极限学习机,在待预测空间位置输出电机耦合响应,基于电机耦合响应实现对压电材料的性能预测。
12、上述技术方案具有如下优点或有益效果:
13、与现有技术相比,本发明利用极限学习机固定隐含层参数,仅通过最小二乘直接求解输出权重,避免了反复梯度迭代训练,计算效率显著提高;能够处理含四阶乃至六阶空间导数的高阶电机耦合问题,无需复杂网格划分;通过统一残差矩阵联立求解,可同时输出电势、极化、位移等多场耦合响应;采用残差矩阵归一化与正则化最小二乘处理,克服了材料参数跨数量级差异导致的数值不稳定问题,适用于微纳压电器件的快速仿真分析。
1.基于物理信息极限学习机的压电材料性能预测方法,其特征是,包括:
2.如权利要求1所述的基于物理信息极限学习机的压电材料性能预测方法,其特征是,基于所获取的参数,采用扩展介电理论建立内能密度函数,具体包括:
3.如权利要求1所述的基于物理信息极限学习机的压电材料性能预测方法,其特征是,基于变分原理,从内能密度函数中推导出控制方程和边界条件,具体包括:
4.如权利要求3所述的基于物理信息极限学习机的压电材料性能预测方法,其特征是,边界条件的公式表达式为:梁的轴向坐标:,为固定端,为自由端;自由端受外弯矩;
5.如权利要求4所述的基于物理信息极限学习机的压电材料性能预测方法,其特征是,为控制方程和边界条件构造若干种残差,具体包括:
6.如权利要求5所述的基于物理信息极限学习机的压电材料性能预测方法,其特征是,基于构造的残差,生成物理约束残差矩阵,具体包括:
7.如权利要求6所述的基于物理信息极限学习机的压电材料性能预测方法,其特征是,对物理约束残差矩阵进行归一化处理,具体包括:
8.如权利要求7所述的基于物理信息极限学习机的压电材料性能预测方法,其特征是,输出层权重输入物理信息极限学习机,在待预测空间位置输出电机耦合响应,具体包括:
9.如权利要求8所述的基于物理信息极限学习机的压电材料性能预测方法,其特征是,基于电机耦合响应实现对压电材料的性能预测,具体包括:
10.基于物理信息极限学习机的压电材料性能预测系统,其特征是,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com