Prediction of Concrete Meso-Model Stress-Strain Curves Based on GoogLeNet北大核心CSCD

非均质复合材料的宏观力学性能往往取决于细观组分的分布方式和力学性能,但是建立明确的关系表达式极其困难。为了应对这一挑战,以混凝土为研究对象,提出了一种基于深度学习的策略,能够高效、准确地通过细观模型图像信息获取应力-应变曲线。首先,使用基于卷积神经网络（convolutional neural network,CNN）的GoogLeNet模型进行图像信息识别和提取,并针对应力-应变曲线的复杂性特点,进行了数据预处理操作,并且设计了相应的多任务损失函数。数据集中的细观模型图像采用基于Monte-Carlo的随机骨料模型生成,并且使用数值模拟试验获取对应细观模型的单轴压缩应力-应变曲线。最后,通过对神经网络的训练和测试评估了所提出方法的可行性。结果表明,GoogLeNet模型训练效率和预测精度均优于AlexNet和ResNet模型,具有良好的泛化能力和鲁棒性。