文献类型：期刊文章

作　　者：王正桓[1] 张超锋[2] 陆菁[3] 李伟力[4]

WANG Zheng-huan;ZHANG Chao-feng;LU Jing;LI Wei-li(Information Construction and Management Center,Jiangnan University,Wuxi 214122,China;School of Mechanical Engineering,Jiangnan University,Wuxi 214122,China;School of Design,Jiangnan University,Wuxi 214122,China;Wuxi Open University,Wuxi 214011,China)

机构地区：[1]江南大学信息化建设与管理中心,江苏无锡214122 [2]江南大学机械工程学院,江苏无锡214122 [3]江南大学设计学院,江苏无锡214122 [4]无锡开放大学,江苏无锡214011

出　　处：《包装工程》

基　　金：江苏省现代教育技术研究智慧校园专项(2020-R-84358);全国职业教育教师企业实践基地“产教融合”专项。

年　　份：2022

卷　　号：43

期　　号：1

起止页码：219-227

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、JST、RCCSE、核心刊

摘　　要：目的针对机械工程中软钢材料在大塑性拉伸载荷下力学特性分析的问题,提出一种基于深度学习的分析方法来预测其力学特性。方法首先对软钢材料不同台阶角度展开拉伸实验,并将采集到的实验数据利用智能技术进行预测分析。实验模型设计为双层结构,第1层结构采用共享全连接层特征输入,第2层使用极端随机树和长短时记忆网络做联合深度训练,并对训练结果经过激活函数计算后统一输出。采用联合训练模型在实验测试集上能较好地反映出应变与应力的变化趋势、速度和数值关系。结果实验结果显示,利用联合训练模型比单一ET和LSTM预测技术在拟合效果上分别提高了28.3%和63.5%。结论利用新模型取得较好的预测效果,这为分析金属阻尼器大塑性拉伸载荷下软钢材料力学特性的分析提供了重要的参考。

关 键 词：机械设计 力学特性 机器学习  极端随机树  长短时记忆网络  

分 类 号：TH122]