一种基于物理信息神经网络的沥青材料动力学行为分析方法及系统
本发明属于多孔金属材料相关,更具体地,涉及一种基于物理信息神经网络的沥青材料动力学行为分析方法及系统。
背景技术:
1、沥青作为道路工程与防水材料中的核心胶结料,其力学行为直接决定了结构的长周期服役性能。在荷载、温度及环境因素作用下,沥青材料会依次经历弹性变形、塑性流动、微裂纹萌生、宏观断裂甚至自愈合等复杂动力学过程。准确识别这些行为阶段,对于理解沥青材料的失效机制、优化材料配方以及预测结构寿命具有至关重要的科学意义与工程价值。
2、传统上,对沥青材料动力学行为的分析主要依赖宏观力学试验(如动态剪切流变仪dsr、弯曲梁流变仪bbr)和微观表征技术(如扫描电镜、原子力显微镜)。然而,这些方法存在以下显著缺陷:
3、宏观试验信息有限:宏观试验只能获取应力-应变曲线、模量等集总参数,无法揭示材料内部原子/分子尺度的结构演化细节,难以区分弹性向塑性转变的临界点。
4、微观表征静态片面:电镜等微观表征通常为离线、静态观测,无法捕捉动力学行为的连续演化过程,且样品制备过程可能引入人为伪影。
5、分子动力学模拟分析困难:近年来,分子动力学模拟被广泛用于研究沥青材料的纳米力学行为。然而,md模拟产生的高维(数千原子坐标)、长时序(数万帧)轨迹数据,传统分析方法(如均方位移、径向分布函数)高度依赖人工经验设定阈值,难以自动、客观地识别出弹性、塑性、断裂等阶段,且无法处理非线性、多尺度的时空耦合特征。
6、深度学习模型缺乏可解释性:现有研究尝试采用卷积神经网络或循环神经网络对md轨迹进行分类,但这类“黑箱”模型仅输出预测结果,无法解释模型依据哪些原子区域或物理特征做出决策,导致其在科学发现中的可信度低,难以与真实的物理机制(如位错、剪切带形成)建立关联,形成“可解释性鸿沟”。
技术实现思路
1、针对现有技术的以上缺陷或改进需求,本发明提供了一种基于物理信息神经网络的沥青材料动力学行为分析方法及系统,用于解决现有沥青材料动力学行为分析方法存在的难以自动、客观地识别出动力学行为阶段的问题。
2、为实现上述目的,按照本发明的一个方面,提供了一种基于物理信息神经网络的沥青材料动力学行为分析方法,包括:
3、离线训练阶段:
4、获取沥青材料在目标加载工况下动力学过程的多维时空数据,构建二维图像序列,并采用滑动窗口机制形成图像序列样本集;
5、构建融合物理信息神经网络与时空特征提取的混合深度学习模型作为动力学行为阶段的识别模型;其中识别模型包括时空特征提取网络、物理信息神经网络和分类输出层,所述时空特征提取网络用于提取样本时空特征,所述物理信息神经网络用于根据样本时空特征输出预测物理量并基于预测物理量构建物理残差,分类输出层用于根据样本时空特征输出动力学行为阶段的分类识别结果;综合考虑物理残差进行总损失函数构建以对识别模型进行训练;
6、应用分析阶段:
7、采集实际工况下的图像序列样本,基于训练获取的识别模型进行动力学行为阶段的识别分析。
8、按照本发明的另一个方面,提供了一种基于物理信息神经网络的沥青材料动力学行为分析系统,包括存储器、处理器及存储在所述存储器上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程序时实现如上述任一项所述基于物理信息神经网络的沥青材料动力学行为分析方法的步骤。
9、总体而言,通过本发明所构思的以上技术方案与现有技术相比,本发明提供的基于物理信息神经网络的沥青材料动力学行为分析方法及系统:
10、1. 首次将物理信息神经网络(pinns)与时空模型融合,通过嵌入物理残差物理约束,使得训练的识别模型能够自动、客观地识别出动力学行为阶段,具有良好可解释性;
11、2. 物理先验驱动的弱监督学习:实现了对沥青材料动力学行为的弱监督识别,彻底摆脱了对大规模人工标注变形阶段标签的严重依赖,大幅提升了模型的泛化性与实用性;
12、亚稳中间状态的自动发现机制:利用物理残差的时空分布特征,能够自动定位并标记未被预定义的亚稳中间变形状态(如微损伤聚集期、应变局部化前兆),为发现新物理现象与失效机制提供了智能线索;
13、3. 物理一致的可解释性增强:pinns的引入不仅提升了预测精度,还增强了模型内部表征的物理合理性。结合多层级可解释性分析(grad-cam++, score-cam, shap),首次量化了区域贡献的“正负转向”作为弹性-塑性转变的可解释判据,并经由物理场重叠率验证,确保了模型关注区与真实微观损伤区高度一致;
14、4. 复杂工况的迁移学习与多轴扩展能力:系统评估了预训练模型在剪切、循环疲劳及多轴加载条件下的迁移学习性能,并优化了轨迹的二维投影策略(基于主应力方向或最大剪应力方向的多视角投影),以满足复杂应力条件下各向异性及多向变形特性的表征需求,使本发明具备广泛的工程适用性;
15、统一的多源数据融合分析框架:本发明不仅适用于分子动力学模拟轨迹,还可直接推广至粗粒化模拟、有限元模拟以及实验时序图像数据(如dic、荧光显微镜图像),实现了对沥青材料“模拟-实验”多源动力学行为的统一分析与可信验证;
16、超越md轨迹的通用性:本方法不仅适用于分子动力学模拟轨迹,还可直接推广至粗粒化模拟、有限元模拟以及实验时序图像数据,实现了对沥青材料“模拟-实验”多源动力学行为的统一分析框架;
17、5. 更全面的可解释性工具箱:不仅包括了saliency、smoothgrad、grad-cam系列和shap,还特别强调了score-cam(避免梯度噪声)和layer-cam(多层级细粒度定位)以及shap的局部平滑策略,首次量化了区域贡献的“正负转向”作为弹性-塑性转变的判据;
18、6. 严格的物理一致性验证:将模型关注区与原子位移、von mises应变、非仿射位移等物理场进行定量空间对比(重叠率),而非仅定性描述,显著增强了模型在科学发现中的可信度;
19、广泛的应用场景:本发明可应用于沥青材料在不同温度、应变率、老化程度下的拉伸、剪切、疲劳等多种加载工况下的动力学行为识别,为沥青基材料的智能化设计提供核心算法支撑。
1.一种基于物理信息神经网络的沥青材料动力学行为分析方法,其特征在于,包括:
2.如权利要求1所述的基于物理信息神经网络的沥青材料动力学行为分析方法,其特征在于,目标加载工况包括单轴拉伸、剪切蠕变、疲劳加载、多轴加载,以及热氧老化下的单轴拉伸、剪切蠕变、疲劳加载、多轴加载中的至少一种;
3.如权利要求1所述的基于物理信息神经网络的沥青材料动力学行为分析方法,其特征在于,离线训练阶段具体包括:
4.如权利要求3所述的基于物理信息神经网络的沥青材料动力学行为分析方法,其特征在于,通过对训练后样本对应的物理残差进行分析获取各个样本的动力学行为阶段标签,具体为:
5.如权利要求4所述的基于物理信息神经网络的沥青材料动力学行为分析方法,其特征在于,在分类输出层训练完成后还包括:通过对训练后样本对应的物理残差进行分析识别动力学行为压稳态阶段;具体包括以下分析中的至少一种:
6.如权利要求1所述的基于物理信息神经网络的沥青材料动力学行为分析方法,其特征在于,所述物理信息神经网络设有约束条件,所述约束条件利用最小二乘法将网络原始输出投影至满足本构不等式约束的流形上;其中,本构不等式约束为σ:≥0;σ:为应力张量与应变率张量双点积,代表单位体积耗散功率。
7.如权利要求1所述的基于物理信息神经网络的沥青材料动力学行为分析方法,其特征在于,离线训练阶段还包括实施多层次可解释性分析;多层次可解释性分析包括一下分析中的至少一种:
8.如权利要求7所述的基于物理信息神经网络的沥青材料动力学行为分析方法,其特征在于,离线训练阶段还包括基于物理场的一致性验证,计算与样本对应的物理场指标,并与多层次可解释性分析结果进行空间对比,具体如下:
9.如权利要求1所述的基于物理信息神经网络的沥青材料动力学行为分析方法,其特征在于,应用分析阶段具体为:
10.一种基于物理信息神经网络的沥青材料动力学行为分析系统,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至9任一项所述基于物理信息神经网络的沥青材料动力学行为分析方法的步骤。
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