基于岩土广义双τ~2强度理论的弹塑性本构模型建立及程序实施

基于广义双τ~2强度理论建立非关联流动的弹塑性本构模型(文中简称Dτ~2弹塑性本构模型),并采用应力张量第一不变量I_1,应力偏张量的第二不变量J_2以及洛德角θ_σ来表达该强度理论,推导Dτ~2弹塑性本构模型的完全隐式本构积分算法,并给出相应的有限元实施步骤.广义双τ~2强度理论在数值实施方面避免了"奇异屈服面"处理困难的问题,其数值实现相对简单.基于推导的本构积分算法编制求解程序,采用Prandtl经典问题解析解进行了Dτ~2弹塑性本构模型以及实施方法的正确性验证,对比Dτ~2弹塑性本构模型、DP本构模型以及Prandtl理论解析之间的关系,该强度理论和程序可以广泛应用于土木、采矿和水利等岩土工程安全性及稳定性的分析研究.     

结合免疫聚类和免疫进化规划的RBF网络设计方法

提出了一种结合免疫聚类和免疫进化规划的径向基函数(RBF)网络设计方法.该方法采用人工免疫聚类机制根据输入数据集合自适应地确定RBF网络隐层中心的数量和初始位置,并通过提取RBF网络核函数宽度的先验知识作为疫苗构成免疫算子.该算子可以缩小进化算法搜索空间的范围,提高算法的收敛速度.仿真结果表明,采用本方法设计的RBF网络结构精简,具有较强的泛化能力.     

混凝土弹塑性损伤本构模型的动力扩展

在静力弹塑性损伤实用本构模型的基础上,通过将损伤能量释放率阀值粘滞化,建议能考虑应变加载速率影响的实用本构模型.并将阻尼应力引入到本构模型中,使得建议的模型能直接在材料层次考虑刚度阻尼耗能影响.在此基础上,引入受拉塑性应变,延缓受拉损伤的发展,提高模型的稳定性.推导了该模型的计算公式并给出了详细数值算法,将建立的本构模型在ABAQUS中二次开发,通过对Koyna重力坝动力隐式分析表明:刚度阻尼的能量耗散作用能显著增强动力隐式分析的稳定性,引入受拉塑性应变后能增强模型数值稳定性,提高模型计算效率,同时应变率效应对结构的位移反应有一定的影响,且能进一步提高模型的数值稳定性.     

粘弹性自由层阻尼悬臂梁的有限元模型

根据非弹性位移场(ADF)模型的本构方程和控制方程,推导了自由层阻尼梁单元的有限元方程.通过对一类常用的粘弹性沥青阻尼片的试验参数拟合,采用Lanczos方法,计算了自由层阻尼悬臂梁的固有频率和模态阻尼比,并和试验结果进行了对比.结果表明,ADF模型可以准确地描述粘弹性材料的本构关系,并能直接在时域内与有限元方法相融合,可方便地对复合结构进行动力分析.     

一种改进的RBF神经网络混合学习算法

提出一种基于粒子群优化算法、K-means算法及减聚类算法的径向基函数(RBF)神经网络混合学习算法.该算法使用减聚类方法确定隐层节点数,具有自适应确定隐层节点的能力,避免了调整隐层节点的人为干预.通过K-means算法形成粒子群优化(PSO)算法初始粒子群,避免了初始粒子群的随机性,提高了粒子群优化算法的优选能力;采用PSO算法训练RBF神经网络中的所有参数.数值结果表明,改进的混合算法具有更高的分类准确率。     

复合材料层合板粘弹性本构方程

本文从连续介质力学角度，用宏观唯象理论，给出了复合材料层合结构变温下的线性粘弹性本构方程的一般形式，并将本构方程在时间域上离散，采用线性拉格朗日插值函数，导出积分型本构方程的递推公式，便于实际工程问题求解。     

一种局域连接前向人工神经网络结构的研究

双隐层标准前馈（ＢＰ）网络只要其隐层节点数足够多就能解决任何形式的分类问题．应用标准（ＢＰ）网络识别多模式类分类问题时存在以下缺陷：（１）对不同模式类均使用相同数目的隐层元；（２）增加新模式类后，网络要重新学习；（３）网络识别的机理研究困难．笔者提出了一种局域连接前馈神经网络（ＬＣＮＮ）结构，其隐层神经元与输出神经元之间为局域连接，学习算法与ＢＰ算法类似．ＬＣＮＮ具有以下特点：（１）便于自构网络结构，提高网络的推广能力；（２）便于提取各模式类的不变特性；（３）具有较强的记忆能力，便于实现追加学习．以五种海底沉积层介质类型的分类识别为例，分别利用标准前馈（ＢＰ）网络与ＬＣＮＮ网络进行分类识别，结果表明：ＬＣＮＮ便于自构网络结构，具有追加学习的能力．     

基于子空间分析的前馈神经网络隐层评测方法

针对最佳平方逼近3层前馈神经网络模型,采用子空间分析方法,讨论了隐单元的误差补偿性能,提出了隐层评测方法.研究结果表明隐单元选取策略应遵循其输出向量有效分量位于误差空间、回避耗损空间和尽可能靠近某一能量空间的原则,这一结果与隐单元采用什么激发函数无关,也允许各隐单元采用不同激发函数.网络的隐层性能评价可以通过隐层品质因子、隐层有效系数、隐单元剩余度来进行,而总体结果可采用隐层评价因子进行评测.评测实验表明,所提出的隐层评测方法是合理有效的.图1,表1,参11.     

基于三维Hill’48屈服准则的液压成形本构模型及数值验证

基于三维Hill’48屈服准则建立了内高压成形的力学模型,将半隐式向后Euler应力更新算法与显式有限元方法相结合,通过用户自定义子程序UMAT将本构模型嵌入有限元软件LS-DYNA中,通过单个单元的拉伸试验对其进行验证,并将本构模型应用于液压胀形过程的数值仿真模拟,与各向同性Mises屈服准则进行了对比分析.结果表明,二次开发的本构模型正确,能够较好地反映管材胀形的变形规律.     

SPH方法中本构模型及在侵彻问题中的应用

研究侵彻问题中,在自编的光滑流体动力学SPH(smoothed particle hydradanamic)程序中引入两类本构模型,一类考虑状态方程的影响,一类采用弹塑性本构积分.对相同子弹冲击飞机蒙皮的算例进行了模拟分析.数值算例验证了弹性预估-塑性校正算法的稳定性和求解精度,给出了侵彻过程中靶板的破坏形式、等效应力...     

模糊支持向量机中隶属度确定的新方法

针对目前模糊支持向量机方法中,一般使用样本与类中心之间的距离关系构建隶属度函数的不足,提出一种改进的隶属度确定方法.该方法不仅考虑样本与类中心之间的关系,还考虑样本之间的关系根据样本的类中心与传统支持向量机构造的分类面构建2个超球,由样本点与超球的位置关系计算其隶属度,能够有效地区分样本点、噪音点以及孤立点.通过文本分类实验表明,与其他两种隶属度函数方法相比,基于双超球的模糊支持向量机方法可以更有效地将文本训练集中的噪音剔除,具有较好的分类性能.     

模糊数学在地层对比中的应用

本文用模糊聚类分析和相对比较法对××媒田的媒层和地层进行对比。模糊聚类分析是先选定参数,用数量积公式求出相似系数,建立模糊等价矩阵,在逐类归并得出动态聚类图,据此图即可分析对比。相似比较法是先建立二元比较级,将备选样本按某种特性排序,再按一定的算法转化为总体排序,求出每个参数名次总和,其最小者就与固定样本最相近。这两种方法均可获得满意的结果。     

基于模糊聚类的中药对照指纹图谱研究

针对一般模糊聚类法在样本特征相似时分辨力差,以及现有的建立对照指纹图谱方法在选择样本时容易出现的随机性强,偶然人为错选等弱点,将摄动的模糊数学聚类方法（FCMBP）引用到对照指纹图谱建立的前期样本选择上,提出一种基于模糊模式识别的建立中药对照指纹图谱的新方法.通过田基黄薄层色谱指纹图谱实验证明,该方法能进一步提高对照指纹图谱的有效性和合理性.     

确定前向神经网络隐层节点数的模糊聚类分析法

概述了前向网络结构目前的研究状况,从隐层的本质特征出发,提出对样本数据采用模糊聚类分析法进行特征抽取,并综合考虑了样本的输入、输出信息,实例分析说明此方法可行的,较互相关分析法、奇异值分解法有更高的效率。     

模糊聚类算法在痕迹图像分割中的应用

针对痕迹图像在比对与识别中的预处理要求,以图像像素灰度和邻域信息的二维矢量为聚类样本,以二维直方图确定阈值数,采用对样本进行加权的模糊c均值聚类算法对痕迹图像进行多阈值分割处理.实验结果表明,基于样本加权的模糊聚类算法速度快,对痕迹图像有较好的分割效果.     

基于FCM和FSVM的说话人辨认

针对经典支持向量机对非目标样本没有拒绝能力,且应用于说话人辨认时存在不可分区域的问题,提出一种基于模糊C均值聚类和模糊支持向量机的多级模糊说话人辨认方法。首先利用模糊C均值聚类方法对特征向量进行聚类,减少样本的数目,加快模糊支持向量机训练速度。最终由FSVM得出判决结果。并通过仿真实验验证了该方法的有效性。     

两阶段模糊c-均值聚类算法及其应用

针对模糊c-均值算法对初始值敏感、收敛结果易陷入局部极小值的缺点,提出了两阶段模糊c-均值聚类算法.首先通过恰当的贴近度(满足相似相近性)估计分类数,选取初始聚类中心;然后通过模糊c-均值算法进行聚类,最后对所得的聚类中心采用逻辑斯谛型的灰色模型进行预测.由于聚类中心具有统计特征,因此较好地克服了样本间的随机误差,灰色逻辑斯谛模型较好地克服了每个样本内误差.采用上述方法对全国30个省市农村居民年收入进行了分析和比较,得出了具有参考价值的结果.     

基于高斯分布的非平衡FSVM

针对传统模糊支持向量机算法采用样本到类中心的距离关系来构建模糊隶属度函数存在不足,以及易受数据集不平衡的影响,提出了一种基于高斯分布的FSVM,该方法既考虑了2类样本数量的不平衡问题,同时进一步考虑了样本不同方向上的分布特性.将样本的分布特性应用于模糊隶属度函数的设计,有效地提高了对正常样本和噪声、野值样本的区分能力.实验结果表明,在处理不平衡和有噪声干扰的数据集时,该方法较传统的FSVM具有更强的鲁棒性.     

基于粗集的模糊聚类方法和结果评估

粗集的决策表的属性包括定量属性和定性属性,针对这种情况,根据一种对象的相似性度量方法,使用模糊聚类方法对粗集对象进行模糊聚类,对聚类结果进行了评估(根据这种聚类方法得到的结果和实际的分类结果进行比较)．在这种相似性度量方法基础上,证明了粗集的等价关系可以被转化为模糊等价矩阵．基于粗集的聚类步骤如下：首先,一个粗集等价关系都可以转化为一个模糊相似矩阵,其次,转化成一个模糊等价矩阵,最后,进行模糊聚类．对此方法进行了实验,并对实验的结果进行评估．实验结果说明了这种方法的简单高效．