Journal of Zhejiang University

Current Issue: <JZUS-A>

Journal of Zhejiang University-SCIENCE A (Applied Physics & Engineering)

ISSNs 1673-565X (Print); 1862-1775 (Online); CN 33-1236/O4; started in 2000,Monthly.

JZUS-A is a peer-reviewed physical and engineering journal, indexed by SCI-E, Ei Compendex, INSPEC, CA, SA, JST, AJ, ZM, CABI, ZR, CSA, etc. It mainly covers research in Applied Physics, Mechanical and Civil Engineering, Environmental Science and Energy, Materials Science and Chemical Engineering, etc.

Impact factor: 0.408 (2011), 0.527 (2012), 0.608 (2013), 0.882 (2014), 0.941 (2015), 1.214 (2016), 1.215 (2017), 1.369 (2018).

Journal of Zhejiang University SCIENCE A

ISSN 1673-565X(Print), 1862-1775(Online), Monthly

2021 Vol.22 No.6 P.407-498

Cover:

<778>

Contents:

<733>

<<< CONTENTS >>>

Special Issue (Part I) on Machine Learning Based Solutions of Partial Differential Equations

Guest Editors-in-Chief: Timon RABCZUK, Xiaoying ZHUANG

Articles

Optimizing the neural network hyperparameters utilizing genetic algorithm

Saeid Nikbakht, Cosmin Anitescu, Timon Rabczuk

DOI: 10.1631/jzus.A2000384 Downloaded: 2150 Clicked: 3525 Cited: 0 Commented: 0(p.407-426) <Full Text> <PPT> 1524

Chinese summary <27> 利用遺傳算法優化神經網絡超參數

目的:證明超參數優化對深度能量方法(DEM)精度的影響以及DEM在預測不同荷載作用下(xià)梁和闆等結構的應力分(fēn)布方面的能力.
創新點:1. 爲了提高DEM的準确性,各種超參數組合被輸入遺傳算法(GA)并找到最佳組合.2. 爲了防止重複計算以及提高這種元啓發式算法的效率,GA過程中(zhōng)還考慮了超參數組合的禁忌列表.
方法:1. 實施非均勻有理樣條(NURBS)以生(shēng)成穿過結構體(tǐ)和邊界的積分(fēn)點.2. 采用DEM計算位移和應力分(fēn)布.3. 利用遺傳算法優化DEM的超參數,以對模型在預測結構内應力和位移傳播的準确性方面具有顯着影響.
結論:1. 在不同的優化器和激活函數中(zhōng),Adam和L-BFGS-B方法以及ReLU²函數的組合使得DEM模型的準确率最高.2. 其他對模型預測準确性有影響的超參數包括隐藏層的數量、每層神經元的數量以及通過上述結構集成的點數.3. 優化DEM的超參數可以使相對應變能誤差降低近50%,提高了DEM模型對應力和位移分(fēn)布的預測能力.

關鍵詞組：機器學習;神經網絡;超參數;遺傳算法

Application of an interpretable artificial neural network to predict the interface strength of a near-surface mounted fiber-reinforced polymer to concrete joint

Miao Su, Hui Peng, Shao-fan Li

DOI: 10.1631/jzus.A2000245 Downloaded: 2120 Clicked: 3661 Cited: 0 Commented: 0(p.427-440) <Full Text> <PPT> 1613

Chinese summary <26> 應用可解釋的人工(gōng)神經網絡預測表層嵌貼纖維增強複合材料闆條與混凝土界面的粘結強度

目的:針對采用纖維增強複合材料加固的鋼筋混凝土結構,本文旨在運用機器學習方法取代目前廣泛使用的半經驗-半分(fēn)析理論公式,以準确預測該類加固結構中(zhōng)表層嵌貼纖維增強複合材料(CFRP)闆條與混凝土界面的粘結強度.
創新點:1. 建立反向傳播人工(gōng)神經網絡(BPNN)預測表層嵌貼CFRP闆與混凝土界面的粘結強度.2. 采用基于Garson算法和連接權重算法的神經解釋圖(NID)定量分(fēn)析神經網絡中(zhōng)各個輸入變量的重要性.
方法:1. 從作者課題組完成的實驗和已發表的文獻中(zhōng)收集共163組表層嵌貼CFRP-混凝土單剪實驗結果,并形成數據集.2. 運用建立的數據集訓練和測試BPNN,構建實驗參數與界面粘結強度間的非線性映射關系及預測模型.3. 基于Garson算法和連接權重算法分(fēn)别計算神經網絡輸入變量的重要性,并通過NID分(fēn)析數據集中(zhōng)有重要影響的輸入變量和無效輸入變量.
結論:1. 建立的BPNN模型得出的預測結果與實驗數據吻合良好,預測值與真實值之間的決定系數在整個數據集中(zhōng)的表現爲0.957.2. 通過删除數據集中(zhōng)的無效輸入變量可提高BPNN的計算效率和準确性.3. 與現有的半經驗-半分(fēn)析理論公式相比,本文建立的BPNN模型可以得出更準确的估計.

關鍵詞組：纖維增強複合材料;粘結強度;機器學習;神經解釋圖;回歸;變量重要性;連接權重算法

Prediction of the load-carrying capacity of reinforced concrete connections under post-earthquake fire

Aydin Shishegaran, Mehdi Moradi, Mohammad Ali Naghsh, Behnam Karami, Arshia Shishegaran

DOI: 10.1631/jzus.A2000268 Downloaded: 2463 Clicked: 3538 Cited: 0 Commented: 0(p.441-466) <Full Text> <PPT> 1571

Chinese summary <23> 震後火(huǒ)災下(xià)鋼筋混凝土連接承載力的預測

目的:評價地震後火(huǒ)災下(xià)所有設計參數對鋼筋混凝土連接(RCC)承載能力的影響.
創新點:1. 本文評估了幾個參數對RCC行爲的影響(在此之前沒有相關研究),同時也評估了幾個設計參數的影響.2. 通過使用替代模型(比如基因表達式編程(GEP))預測了RCC的承載能力.
方法:1. 使用有限元方法開(kāi)發132個具有各種設計參數的模型.2. 采用回歸模型、GEP和集成模型等替代模型預測多個設計參數對RCC承載能力的影響.
結論:1. 溫度從25 °C提高到600 °C和1000 °C,可導緻RCC的承載能力分(fēn)别降低25%和75%以上.2. 提高RCC耐火(huǒ)性的最有效參數是柱的縱向鋼筋(RLC).将RLC從1%增加到8%,RCC在不同溫度下(xià)的承載能力提高了234.8%~492.9%.3. 提高混凝土的抗壓強度可略微增加RCC在震後火(huǒ)災(PEF)下(xià)的剩餘承載能力;該影響在高溫情況下(xià)更爲明顯,因爲高溫時鋼材的力學性能下(xià)降迅速.4. 集成模型爲預測PEF情況下(xià)RCC剩餘承載能力的最佳模型.

關鍵詞組：鋼筋混凝土連接(RCC);震後火(huǒ)災;替代模型;承載能力;基因表達式編程(GEP);集成模型

Damage detection in steel plates using feed-forward neural network coupled with hybrid particle swarm optimization and gravitational search algorithm

Long Viet Ho, Duong Huong Nguyen, Guido de Roeck, Thanh Bui-Tien, Magd Abdel Wahab

DOI: 10.1631/jzus.A2000316 Downloaded: 2109 Clicked: 4454 Cited: 0 Commented: 0(p.467-480) <Full Text> <PPT> 1771

Chinese summary <23> 使用前饋神經網絡結合混合粒子群優化和引力搜索算法對鋼闆進行損傷檢測

目的:使用模态損傷指數建立一(yī)個簡單、有效的結構健康監測評估工(gōng)具,并對鋼闆進行數值研究,以确認該方法的可行性.
創新點:爲使研究可應用于實際結構,本文放(fàng)棄了目前的大(dà)量研究中(zhōng)的剛度折減假設,并在有限元模型中(zhōng)模拟了鋼闆的切割,以代表實際結構的失效.
方法:1. 一(yī)個有名的混合優化算法,即粒子群優化-引力搜索算法(PSOGSA),被用于優化前饋神經網絡(FNN)的連接權重和偏差,以增強其訓練性能.2. 模型的輸入變量爲由柔度矩陣變化推導出的兩個損傷指數,而輸出變量則是損傷嚴重程度.3. 預測值和目标值之間的均方誤差(MSE)是優化過程的适應度函數.
結論:1. 随機的FNN-PSOGSA方法獲得了比傳統人工(gōng)神經網絡(ANN)更好的損傷量化結果;其在兩種破壞場景下(xià)目标和估計之間的嚴重性差異分(fēn)别爲−0.06%和0.89%,而在ANN中(zhōng)爲−1.91%和1.01%.2. 所提出的方法可以在損傷指數和相應的嚴重程度之間建立聯系,而如果僅使用損傷指數則無法觀察到該聯系.3. FNN-PSOGSA方法的準确性和易實施性說明它具有作爲真實結構損傷評估工(gōng)具的潛力.

關鍵詞組：FNN-PSOGSA;模态損傷指數;損傷檢測;混合算法PSOGSA

A novel stress-based formulation of finite element analysis

Himanshu Gaur, Lema Dakssa, Mahmoud Dawood, Nitin Kumar Samaiya

DOI: 10.1631/jzus.A2000397 Downloaded: 2828 Clicked: 4126 Cited: 0 Commented: 1(p.481-491) <Full Text> <PPT> 1670

Chinese summary <22> 一(yī)種新的基于應力的有限元分(fēn)析公式

目的:本文旨在提出一(yī)種新的基于應力的結構分(fēn)析公式,以期可以相對輕松地解決材料非線性分(fēn)析問題并對材料的線性行爲及非線性行爲直接給出結果.另外(wài),期望該方法可以擴展到三維有限元分(fēn)析中(zhōng).
創新點:1. 目前關于材料非線性分(fēn)析的技術非常冗長、乏味和耗時,而本文提出的公式由于可以看作是積分(fēn)公式而不是微分(fēn)公式,所以非常适合解決斷裂力學問題;2. 本文提出的公式對問題的求解是通過機器學習的回歸模型完成.
方法:1. 應用本文所提出的新方法并在分(fēn)析過程中(zhōng)消除經典方法的繁瑣、冗長、逐步增量以及叠代的過程.2. 在分(fēn)析過程中(zhōng)不需要使用彈性模量,直接使用由材料的應力-應變曲線導出的應力-應變函數作爲材料輸入.
結論:本文提出的方法在物(wù)理步驟上非常簡單、準确和清晰,适合材料非線性和斷裂力學問題的求解.

關鍵詞組：計算方法;機器學習;回歸分(fēn)析法;材料非線性分(fēn)析;有限元分(fēn)析

A deep energy method for functionally graded porous beams

Arvin Mojahedin, Mohammad Salavati, Timon Rabczuk

DOI: 10.1631/jzus.A2000317 Downloaded: 1909 Clicked: 3401 Cited: 0 Commented: 0(p.492-498) <Full Text> <PPT> 1505

Chinese summary <21> 一(yī)種功能梯度多孔梁的深度能量方法

概要:本文提出了一(yī)種深度能量方法(DEM)來求解功能梯度多孔梁.采用歐拉-伯努利假設,且功能梯度多孔梁在整個厚度範圍内具有不同的力學性能.随後開(kāi)發了DEM,并通過與作者在以前的工(gōng)作中(zhōng)采用的解析解進行對比證明了其性能.本文所提出的方法完全不需要離(lí)散化技術(例如有限元方法),而是通過優化梁的勢能來訓練神經網絡. 一(yī)旦神經網絡訓練好,其求解可在很短的時間内完成.

關鍵詞組：能量法;多層感知(zhī)器方法;梯度功能多孔材料;Euler-Bernoulli梁理論