Granular Computing Committee of Chinese Society of Granular Engineering (Preparatory)
Hohai University
Monash University
Start Time：Pending （Asia/Shanghai）
Duration：Pending
Session：[No Session] » [No Session Block]
No files
准确预测颗粒材料应力应变曲线，对于构建颗粒材料宏细观参数间的关系至关重要。相较于传统的室内和数值模拟三轴试验方法，数据驱动的深度学习方法能够快速预测不同条件下颗粒材料的非线性行为。然而，由于颗粒材料的力学性质复杂，现有深度学习方法在预测颗粒材料的应力应变曲线时存在精度不足的问题。为解决这一问题，本文提出了一种长短期记忆自编码器（LSTM-AE）网络，用于预测颗粒材料的应力应变曲线。同时，将LSTM-AE网络与LSTM网络、循环神经网络（RNN）、BP神经网络（BPNN）和XGBoost模型进行了对比和分析。结果表明，LSTM-AE网络在颗粒材料的应力应变曲线预测方面优于其他四种方法，具有更高的预测精度。这一研究为解决颗粒材料应力应变曲线的预测精度问题提供了有价值的参考。
Comment submit