利用深度學習之任意材質及形態金屬結構於拉伸及壓縮測試下的快速應力場計算

中山醫學大學機構典藏 CSMUIR > 醫學科技學院 > 醫學影像暨放射科學系暨碩士班 > 博碩士論文 > Item 310902500/23105

Please use this identifier to cite or link to this item: https://ir.csmu.edu.tw:8080/ir/handle/310902500/23105

Title:	利用深度學習之任意材質及形態金屬結構於拉伸及壓縮測試下的快速應力場計算 Rapid stress field calculation of arbitrary material and shape of metal object under tensile and compression testing using deep learning
Authors:	廖靖旻 Ching-Min Liao
Contributors:	醫學科技學院:醫學影像暨放射科學系;陸正昌(Cheng-Chang Lu);施政廷(Cheng-Ting Shih)
Keywords:	積層製造;工程應力分析;有限元分析;深度神經網路 additive manufacturing (AM);manufacturing stress analysis;finite element analysis;deep neural network
Date:	2021-07-01
Issue Date:	2022-08-01T09:24:27Z (UTC)
Abstract:	由於科技蓬勃發展，工程製造技術提升，現今已能夠大量生產出高度複雜之模型。然而，在工程領域中常用於作為實際測試之有限元分析模擬軟體已無法對大量且高度複雜之模型即時地進行力學分析。因此，本研究提出利用深度學習技術以即時地對在拉伸及壓縮測試下任意形態金屬結構與任意材料之力學分析。本研究利用有限元分析模擬軟體產生2998筆具隨機孔隙結構、任意金屬材料以及任意拉伸與壓縮距離之資料，且將其整合成矩陣之形式，以利力學神經網路之讀取與訓練。本研究提出四種多輸入單輸出之三維力學神經網路，分別為基於卷積神經網路的編碼解碼網路（CNN-based Encoder-Decoder, ED）、三維U型網路（three-dimentional Unet, 3D-Unet）、基於編碼解碼的力學嵌合網路（CNN-based Encoder-Decoder with mechanical embedding, ED-Mech）以及基於編碼解碼的力學嵌合殘差學習三維網路（CNN-based Encoder-Decoder with mechanical embedding and residual learning, 3D-StressNet），以進行快速馮米塞斯應力場之預測，並以均方根誤差、平均絕對誤差以及平均絕對百分誤差評估力學神經網路之效能。本文提出之四種力學神經網路在訓練過程中，隨著迭代次數的增加，訓練曲線圖呈現穩定收斂，在訓練完成時，均方根誤差也有持續下降之趨勢。其中，以具有力學嵌合及殘差學習模塊之3D-StressNet效能最佳，誤差結果為最低。其均方根誤差與平均絕對誤差分別為5853以及16.9。而在測試案例中，也以0.12%之平均絕對百分誤差顯示其預測馮米塞斯應力場之優秀性能。在大量且高度複雜模型之力學分析上，深度學習技術具有強大之潛力以進行準確且快速地馮米塞斯應力場預測。本研究在提出了國際間首個多輸入單輸出之三維力學神經網路的同時，也建置了國際間首個三維力學資料庫。未來期望能使深度學習技術更加廣泛地運用於工程領域中，在保持精準度的同時也提升計算效率，以對社會做出貢獻，增進人類福祉。
URI:	https://etds.csmu.edu.tw/ETDS/Home/Detail/U0003-1207202114333900 https://dx.doi.org/10.6834/csmu202100133 https://hdl.handle.net/11296/7rqrwp https://ir.csmu.edu.tw:8080/handle/310902500/23105
Appears in Collections:	[醫學影像暨放射科學系暨碩士班] 博碩士論文

Files in This Item:

File	Description	Size	Format
index.html		0Kb	HTML	184	View/Open

Loading...