.png){kind=icon}
返回
Efficient Prediction Method for 3D Mesoscopic Stress Fields in Composite Solid Propellants Based on Multi-slice Input
.png){kind=icon}
PRE
AI
DOI：10.1016/j.compscitech.2026.111651.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
针对有限元方法的高昂计算成本、现有深度学习模型特征表征不足以及预测复合固体推进剂三维细观应力场时3D样本稀缺的问题，本文提出了一种集成两级数据集、双注意力U-Net（DA-U-Net）、多切片输入和迁移学习的有效预测方法。我们通过改进的随机顺序吸附算法构建了2D预训练和3D切片微调数据集，并设计了具有边缘和通道注意力的DA-U-Net以准确捕获粒子-基体界面和高应力区域的特征。采用编码器冻结和解码器仅微调策略，并实验比较了1–13切片输入方案和六种迁移学习策略。结果表明，DA-U-Net在预训练中优于对比模型，达到R²=0.9361、MAE=0.0218 MPa、SSIM=0.9324和力平衡残差=0.0206 N。综合考虑预测精度、计算效率及指标饱和特性，确定9切片输入为最优方案，与单切片输入相比预测误差降低约27%。迁移学习以2个3D样本和完全解锁的解码器为最佳策略，性能接近冻结第一解码器层。该模型在30%–45%粒子体积分数下表现出良好的泛化能力，为推进剂应力场预测提供了高效解决方案，并为颗粒增强复合材料的细观力学研究提供参考。
Keyword:
Deep learning
Stress field prediction
Composite solid propellants
Multi-slice input
Transfer learning
期刊
IF:
9.8
论文数:
868
被引数:
5.0W
机构
引用论文
Microstructural characterisation of fibre-hybrid polymer composites using U-Net on optical images
PREAI
分享收藏Damage analysis of solid propellants with default defects based on macro-microscopic approach.png)
MATERIALS & DESIGN
OAAI
MATERIALS & DESIGNIF7.9
OAAI分享收藏分享收藏Difference-based deep learning framework for stress predictions in heterogeneous mediaCOMPOSITE STRUCTURESOAAI
COMPOSITE STRUCTURESIF7.1
OAAI分享收藏
查看更多内容