申请/专利权人:广东工业大学
申请日:2024-03-08
公开(公告)日:2024-06-07
公开(公告)号:CN118153381A
主分类号:G06F30/23
分类号:G06F30/23;G06F30/25;G06F119/14;G06F111/10
优先权:
专利状态码:在审-公开
法律状态:2024.06.07#公开
摘要:本发明提供了一种基于T2T‑ViT的高密度应力场预测方法、系统及存储介质,所述方法包括:基于有限元法产生的冷冲压过程中的应力场二维数据,得到高密度应力场训练图像;构建T2T‑ViT神经网络预测模型,包括逐层设置的T2T模块和T2T‑ViT主干模块,T2T模块用于将每个图像拆分为具有固定长度的标记序列,T2T‑ViT主干模块包括一个深窄架构的神经网络架构,用于预测输出网格密度数据;将高密度应力场训练图像输入到T2T‑ViT神经网络预测模型中进行训练;利用测试集对训练好的T2T‑ViT神经网络预测模型进行验证;最后,利用经过验证的T2T‑ViT神经网络预测模型进行高密度应力场预测。本发明通过T2T‑ViT架构来实现高密度应力场的快速获取,并且利用感知特征进一步优化高密度应力场,提高预测的准确性。
主权项:1.一种基于T2T-ViT的高密度应力场预测方法,其特征在于,包括以下步骤:S1,获取应力场数据集,并划分为训练集和测试集,对训练集进行数据预处理,得到高密度应力场训练图像;S2,构建T2T-ViT神经网络预测模型,所述T2T-ViT神经网络预测模型包括逐层设置的T2T模块和T2T-ViT主干模块,所述T2T模块用于将每个图像拆分为具有固定长度的标记序列,所述T2T-ViT主干模块包括一个深窄架构的神经网络架构,用于预测输出网格密度数据;S3,将高密度应力场训练图像输入到所述T2T-ViT神经网络预测模型中,对所述T2T-ViT神经网络预测模型进行训练;S4,对所述测试集进行数据预处理,得到高密度应力场测试图像,对训练好的所述T2T-ViT神经网络预测模型进行验证;S5,利用经过验证的T2T-ViT神经网络预测模型进行高密度应力场预测。
全文数据:
权利要求:
百度查询: 广东工业大学 一种基于T2T-ViT的高密度应力场预测方法、系统及存储介质
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。