递归神经网络在结构裂纹识别中的应用：变网格拓扑参数模型

"该文研究了如何利用递归神经网络（RNN）建立变网格拓扑参数模型，用于结构裂纹识别。通过机器学习的方法，尤其是全连接前馈神经网络和两种不同类型的递归神经网络（LSTM）模型，对有限元模型（FEM）的仿真结果进行预测和分析。该研究旨在优化车辆耐撞性的虚拟评估过程，减少设计变更带来的模拟成本。 1. 有限元模型与结构裂纹识别 在车辆耐撞性评估中，有限元模型是关键工具，用于模拟碰撞过程中的结构响应。设计变更，如局部几何修改，会影响模型的网格拓扑，这需要重新计算和分析。传统的预处理软件虽能进行参数化，但无法高效处理大量仿真结果的分析。 2. 机器学习参数化代理模型 文章提出了一个两步策略。首先，通过重采样和相干点漂移技术，将拓扑不均匀的有限元模拟数据转换成统一的节点数据结构，实现不同设计的节点配准。其次，使用全连接前馈神经网络训练参数代理模型，预测初始坐标。 3. 递归神经网络建模方法 递归神经网络，特别是长短期记忆（LSTM）模型，被用来预测结构节点的时间序列。第一种方法是逐节点预测，每个节点独立预测，初始坐标作为输入特征。第二种方法是一次预测，所有节点的序列通过PCA降维后的输出空间进行预测。 4. 非线性场量预测 两种RNN方法在预测具有不同程度非线性的场量时表现良好。逐节点预测方法能够准确地捕捉强烈非线性和窄场量，如裂纹图案，而未观测到的新裂纹模式可以通过这种方法识别，并通过后续的FEM模拟验证。 5. 应用与结论 递归神经网络模型能够有效地处理复杂的结构变化和非线性问题，从而加速设计迭代和优化过程。它有助于减少工程师手动评估仿真结果的工作量，提高碰撞模拟的效率和准确性。未来的研究可能会进一步探索更高级的神经网络架构以适应更复杂的设计变化和裂纹模式。"