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.8 P.585-680

Cover:

<795>

Contents:

<730>

<<< CONTENTS >>>

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

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

Review

Review: Micro-mechanical damage diagnosis methodologies based on machine learning and deep learning models

Shahab Shamsirband, Nabi Mehri Khansari

DOI: 10.1631/jzus.A2000408 Downloaded: 2753 Clicked: 4638 Cited: 0 Commented: 0(p.585-608) <Full Text> <PPT> 1565

Chinese summary <26> 基于機器學習和深度學習模型的微觀力學損傷診斷方法

概要:本文總結了各向同性和正交各向異性材料微觀力學損傷診斷開(kāi)發的機器學習(ML)和深度學習(DL)技術的全面最新進展.材料中(zhōng)的微觀力學損傷診斷對工(gōng)業部件的安全具有重要作用.ML和DL作爲一(yī)種智能方法,不僅能用于特定的損傷檢測,還能用于其他多種類型材料的損傷檢測,可以識别材料結構中(zhōng)的不連續性.可靠性和可持續性因素被當做ML和DL技術在損傷診斷領域的評價準則.DL和基于集成的技術在微觀力學損傷診斷複雜(zá)性中(zhōng)應用最多且穩健性最顯著.

關鍵詞組：損傷檢測;機器學習;混合結構;微觀損傷;深度學習

Articles

A deep neural network-based algorithm for solving structural optimization

Dung Nguyen Kien, Xiaoying Zhuang

DOI: 10.1631/jzus.A2000380 Downloaded: 2538 Clicked: 3967 Cited: 0 Commented: 0(p.609-620) <Full Text> <PPT> 1620

Chinese summary <27> 一(yī)種基于深度神經網絡的結構優化求解算法

目的:提出一(yī)種新的優化方法以解決結構優化問題.
創新點:不是通過靈敏度分(fēn)析來解決優化問題,而是利用深度學習神經網絡的優勢來尋找優化函數的最優值.
方法:1. 采用基于拉格朗日對偶和深度神經網絡的方法.2. 将輸入數據用于訓練神經網絡,直到輸出值與預測值非常接近爲止.3. 通過深度學習插值求解拉格朗日min-max對偶問題,從而找到最小(xiǎo)輸入值.
結論:1. 該方法可以解決結構優化問題,但它限制了設計變量輸入的數量.2. 該方法的準确性取決于輸入的區間大(dà)小(xiǎo);因此,下(xià)一(yī)步工(gōng)作是發展新方法以減少輸入數據集的數量.

關鍵詞組：深度拉格朗日方法;結構優化;深度學習;拉格朗日對偶

Physics-informed neural networks for estimating stress transfer mechanics in single lap joints

Shivam Sharma, Rajneesh Awasthi, Yedlabala Sudhir Sastry, Pattabhi Ramaiah Budarapu

DOI: 10.1631/jzus.A2000403 Downloaded: 2714 Clicked: 3591 Cited: 0 Commented: 0(p.621-631) <Full Text> <PPT> 1505

Chinese summary <23> 用于評估單搭接接頭應力傳遞的物(wù)理神經網絡

目的:開(kāi)發物(wù)理神經網絡,研究單搭接接頭的應力傳遞機理.
創新點:1. 創建了一(yī)種新的基于物(wù)理神經網絡(PINN)的深度機器學習(DML)方法來求解兩個非齊次耦合四階偏微分(fēn)方程.2. 通過将開(kāi)發的方法和閉合解(由MAPLE軟件獲得)進行對比,驗證了結果的可靠性.
方法:1. 通過包含1個輸入層、2到3個隐藏層和1個輸出層的人工(gōng)神經網絡(ANN)實現本文提出的基于PINN的DML方法.2. 将邊界和初始條件以及搭接接頭組成部分(fēn)的材料特性提供給輸入層,在隐藏層中(zhōng)計算損失函數,并從輸出層提取滿足邊界條件的σ₁和σ₃應力值.
結論:1. 通過基于DML框架的PINN方法研究單個搭接接頭的力學,以及對受邊界條件影響的耦合四階非齊次偏微分(fēn)方程的求解,所提方法可被擴展到多基闆及其相間的各種應力分(fēn)量的估計.2. 通過用所提方法估計界面剪切應力并将其與精确解對比發現,基于DML的方法獲得的結果可有效表征物(wù)理行爲.

關鍵詞組：物(wù)理信息神經網絡;算法微分(fēn);人工(gōng)神經網絡;損失函數;單搭接接頭

Surrogate models for the prediction of damage in reinforced concrete tunnels under internal water pressure

Alireza Bigdeli, Aydin Shishegaran, Mohammad Ali Naghsh, Behnam Karami, Arshia Shishegaran, Gholamreza Alizadeh

DOI: 10.1631/jzus.A2000290 Downloaded: 2339 Clicked: 3768 Cited: 0 Commented: 0(p.632-656) <Full Text> <PPT> 1626

Chinese summary <20> 内部水壓作用下(xià)鋼筋混凝土隧道的結構損傷預測替代模型

目的:使用非線性有限元分(fēn)析和替代模型評估鋼筋混凝土隧道(RCT)在内部水壓作用下(xià)的性能.
創新點:1. 開(kāi)發替代模型,例如主成分(fēn)回歸分(fēn)析(PCR)、多元自然對數方程回歸(MLnER)和基因表達編程(GEP);2. 預測RCT的受損表面百分(fēn)比(PDS)、有效拉伸塑性應變(ETPS)、RCT的最大(dà)撓度以及RCT的頂部撓度.
方法:1. 開(kāi)發可模拟内部水壓作用下(xià)RCT性能的有限元模型,采用線性和非線性模型來預測PDS、最大(dà)ETPS、RCT的最大(dà)撓度以及RCT的頂部撓度.2. 考慮48種混凝土配合比設計,其中(zhōng)36種是由田口方法提出的,剩下(xià)的通過作者建議給出.輸入變量包括混凝土的抗壓和抗拉強度、縱向鋼筋的尺寸、橫向鋼筋的直徑和内部水壓.
結論:1. 内部水壓對PDS、最大(dà)ETPS、RCT最大(dà)撓度和RCT頂部撓度影響最大(dà).2. 抗壓和抗拉強度對PDS、最大(dà)ETPS、RCT最大(dà)撓度和RCT頂部撓度值有顯著影響.3. GEP方法能高精度預測結構損傷、最大(dà)ETPS、RCT的最大(dà)撓度和RCT頂部撓度.4. 安全系數應被應用于GEP模型的方程以提高其可靠性,尤其是使用這些公式來預測PDS和最大(dà)ETPS時.

關鍵詞組：基因表達編程;田口法;有限元分(fēn)析;有效拉伸塑性應變;偏轉;損壞

Crack identification in functionally graded material framed structures using stationary wavelet transform and neural network

Nguyen Tien Khiem, Tran Van Lien, Ngo Trong Duc

DOI: 10.1631/jzus.A2000402 Downloaded: 2404 Clicked: 3998 Cited: 0 Commented: 0(p.657-671) <Full Text> <PPT> 1545

Chinese summary <21> 使用穩定小(xiǎo)波轉換和神經網絡識别功能梯度材料框架結構裂紋

目的:功能梯度材料(FGM)框架結構的裂紋識别.
創新點:1. 可接收多裂紋FGM結構在任意高頻(pín)帶中(zhōng)的精确模态.2. 提出了一(yī)種使用穩定小(xiǎo)波轉換(SWT)模态和神經網絡識别FGM框架結構裂紋的一(yī)體(tǐ)化程序.
方法:使用動态剛度方法并結合與頻(pín)率相關的形狀函數,填補有限元方法的空白(bái).這些形狀函數被認爲是頻(pín)域内振動問題的精确解.
結論:1. 神經網絡與SWT模态振型方法相結合,即使在測得的模态噪聲很大(dà)的情況下(xià),也能準确評估FGM結構的裂紋深度.2. 本項研究中(zhōng)提出的FGM框架多裂紋識别一(yī)體(tǐ)化程序也适用于有限測量數據的情況,且這些數據不僅局限于模态,還包括結構的靜态或動态撓度.

關鍵詞組：裂紋識别;功能梯度材料;神經網絡;平穩小(xiǎo)波變換;動剛度法

Correspondence

Correspondence: Deep learning-based signal processing for evaluating energy dispersal in bridge structures

Nhi Ngo-Kieu, Thao Nguyen-Da, Toan Pham-Bao, Tam Nguyen-Nhat, Hung Nguyen-Xuan

DOI: 10.1631/jzus.A2000414 Downloaded: 2414 Clicked: 3869 Cited: 0 Commented: 0(p.672-680) <Full Text> <PPT> 1741

Chinese summary <23> 評估橋梁結構能量擴散的基于深度學習的信号處理方法

目的:1. 使用基于振動的損傷檢測方法進行結構健康監測.2. 基于材料力學性能評價提出一(yī)種新的結構健康監測方法.
創新點:1. 通過一(yī)個被稱爲損失函數(LF)的新指标描述材料粘彈性參數與振動參數之間的相關性.2. 使用卷積神經網絡(CNN)提取自動特征和損壞敏感性,以評估結構狀況.
方法:1. 測量真實橋梁的振動響應.2. 在頻(pín)域中(zhōng)進行信号處理以揭示振動能量損失.3. 基于深度學習和CNN對橋梁狀況進行分(fēn)類.
結論:1. 在真實結構中(zhōng)總是會發生(shēng)能量擴散.2. 基于振動能量損失變化的LF評估,可以對橋梁進行健康監測.3. 基于深度學習的能量擴散評估是可實現的,并且在多個實際橋梁中(zhōng)具有較高的可實施性.

關鍵詞組：結構健康監測;卷積神經網絡;深度學習;橋梁監測;粘彈性模型;材料性能;損耗因子