图书馆-报告库-中国机械工程学会表面工程分会

Invited speech基于全卷积深度神经网络的动压润滑表面织构生成式设计

编号：479 访问权限：Participants Only 更新：2024-04-29 21:33:45 浏览：307次收藏取消收藏

2024-05-12 08:40

20min

[H3] 论坛7：摩擦、磨损与润滑技术B [H3-1] 论坛7B上午

暂无文件

摘要

深度卷积神经网络已经被证明可以有效加速动压润滑表面织构优化设计。然而，现有方法利用卷积神经网络对表面织构的承载能力进行预测，解决图片到单值的回归问题，需要大量的有限元重分析获取足够的训练样本，降低了该方法的工程实用性。本文提出了一种无批归一化的全卷积深度神经网络结构进行表面织构的液膜压力分布预测，实现图片到图片的高效高精度回归。与现有的图像到单值回归预测相比，图像到图像的回归过程归纳了液膜压力分布包含的更有效的物理信息，这使得全卷积深度神经网络能够学习表面织构和液膜压力分布之间更加丰富的物理关系。因此，进行图像到图像回归的全卷积深度神经网络将需要较少的标记样本来进行训练。另一方面，利用基于残差分支权重缩放因子的深度残差网络初始化方法，构建无批归一化的深度残差网络，保证了神经网络在任意小批量样本下训练结果的稳定性。在无需批归一化的全卷积深度神经网络高效预测给定的织构图像的液膜压力分布的基础上，采用带有动态权重的蒙特卡洛搜索算法对表面织构进行无需梯度信息的全局优化设计，避免了传统设计方法中初始设计的影响，并大幅提高了设计效率。数值算例表明，所提出的基于全卷积深度神经网络的动压润滑表面织构生成式设计方法所需的样本数量比现有的方法降低了至少2个数量级。