一种有限元模型生成深度学习图像数据集的方法及服务器与流程

阅读：评论：0

1.本发明涉及人工智能领域，尤其涉及一种有限元模型生成深度学习图像数据集的方法及服务器。

背景技术：

2.有限元分析广泛应用于航天、机械、土木等领域，用于解决工程对象的应力及变形响应计算、优化设计、可靠性分析。有限元计算需要的时间成本较大，特别是当单元数量较多，或需要计算次数较多的时候，如三维模型的可靠度计算，有限元计算的时间往往是数十天。在可靠度计算的时候，模型的网格和边界条件是一样的，模型之间只有材料参数不同。在现有的技术中，都是生成数以万计不同材料参数的模型，然后依次进行计算。
3.通过深度学习能够在训练图像数据集中自动进行特征提取，得到网络模型的权重参数，并对未知图像进行预测。如果利用深度学习训练已计算的有限元模型，然后对不同材料参数或模型的有限元模型进行预测，进而可以减少有限元模型的计算次数，加速产品的设计周期。利用深度学习用于减少产品设计过程中有限元计算的次数，其工程意义将是巨大的。
4.然而，目前还无法利用人工智能技术解决大量重复有限元计算的痛点，关键是缺乏从有限元模型生成能够输入到深度学习网络中的数据集的方法。

技术实现要素：

5.为了克服现有技术的不足，本发明的目的之一在于提供一种有限元模型生成深度学习图像数据集的方法，其能解决目前缺乏从有限元模型生成能够输入到深度学习网络中的数据集的问题。
6.本发明的目的之二在于提供一种有限元模型生成深度学习图像数据集的服务器，其能解决目前缺乏从有限元模型生成能够输入到深度学习网络中的数据集的问题。
7.为了达到上述目的之一，本发明所采用的技术方案如下：
8.一种有限元模型生成深度学习图像数据集的方法，包括以下步骤：
9.s1：提取有限元模型计算文件；
10.s2：确定图片数据集中的图像的宽度和高度；
11.s3：计算图像坐标系中的节点处材料参数值；
12.s4：计算切片平面上材料参数值；
13.s5：确定像素矩阵中每个像素点处各颜通道的灰度值；
14.s6：将像素矩阵组装成多通道图像。
15.优选的，所述有限元模型计算文件包括节点坐标、单元序号和材料参数。
16.优选的，所述图片数据集中的图像的宽度的取值范围为(64,1000)，所述图片数据集中的图像的高度的取值范围为(64,1000)。
17.优选的，所述s3具体由以下步骤实现：
18.s31：通过有限元模型计算文件中节点坐标乘以比例因子k获得图像坐标系中的节点坐标，其中k的单位为像素/m；
19.s32：将所有共享同一节点的材料参数值进行加权平均计算，获得图像坐标系中的节点处材料参数值。
20.优选的，所述k的取值为：
21.k＝min[i/(xmax-xmin)，j/(ymax-ymin)]；
[0022]
其中，所述i为图片数据集中的图像的宽度，所述j为图片数据集中的图像的高度，所述xmax为有限元模型在x维度方向的节点坐标的最大值，xmin为有限元模型在x维度方向的节点坐标的最小值，ymax为有限元模型在y维度方向的节点坐标的最大值，ymin为有限元模型在y维度方向的节点坐标的最小值。
[0023]
优选的，所述s4具体由以下步骤实现：
[0024]
生成d个平行与xoy平面的切片平面，形成像素矩阵，然后插值计算切片平面上坐标(i，j，dd)处的材料参数值，得到第d个切片平面上计算的第n个材料参数值矩阵记为qd,n；其中，其中i、j分别为区间(0，i]和(0，j]内的整数，dd为第d个切片平面。
[0025]
优选的，所述s5具体由以下步骤实现：
[0026]
通过灰度值＝round{[(c
m,n-c
min,n
)/(c
max,n-c
min,n
)]*255}，确定像素矩阵中每个像素点处各颜通道的灰度值；其中，c
max,n
，cmin,n分别为所有节点中第n个材料参数的最大值和最小值，c
m,n
为第m个节点处的第n个材料参数值，round()为取整函数。
[0027]
优选的，所述有限元模型包括二维有限元模型和三维有限元模型。
[0028]
为了达到上述目的之二，本发明所采用的技术方案如下：
[0029]
一种有限元模型生成深度学习图像数据集的服务器，包括储存器和处理器；
[0030]
储存器，用于储存程序指令；
[0031]
处理器，用于运行所述程序指令，以执行如上述的有限元模型生成深度学习图像数据集的方法。
[0032]
相比现有技术，本发明的有益效果在于：通过在提取的有限元分析模型中切片的方式得到图像，将每个像素点的各颜通道至归一化到固定的彩空间，并在图片中模型空白区域的各颜通道赋值为0，进而得到可输入到深度学习模型中的图片。该方法得到的多通道数据集可以输入到卷积神经网络中，为利用深度学习解决工程领域大量重复计算提供了训练数据支撑。
附图说明
[0033]
图1为本发明中所述的有限元模型生成深度学习图像数据集的方法的流程图。
[0034]
图2为实施例三中提供的有限元计算模型的示意图。
[0035]
图3为实施例三中的第一多通道图像的示意图。
[0036]
图4为实施例三中的第二多通道图像的示意图。
具体实施方式
[0037]
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
[0038]
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0039]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0040]
下面，结合附图以及具体实施方式，对本发明做进一步描述：
[0041]
在本发明中，将有限元模型转换成图片数据，其中所述有限元模型包括二维有限元模型和三维有限元模型，从而方便进行深度学习研究，其中图片是只有长和宽，而有限元模型是三维的，故在本发明中，解决了物理坐标系(长度为m或者mm)与图像坐标系(长度为像素)之间的转换、将图片中每个像素点的灰度值与材料参数值对应以及使得有限元模型在第三维方向上的尺寸与图片的通道数对应起来。
[0042]
实施例一：
[0043]
如图1所示，一种有限元模型生成深度学习图像数据集的方法，包括以下步骤：
[0044]
s1：提取有限元模型计算文件；
[0045]
具体的，所述有限元模型计算文件包括节点坐标、单元序号和材料参数。在本实施例中，利用有限元分析软件生成的计算文件生成深度学习图像数据集。在该计算文件内，包含有限元模型中所有节点编号及坐标、单元编号及节点信息、材料参数。
[0046]
s2：确定图片数据集中的图像的宽度和高度；
[0047]
具体的，所述图片数据集中的图像的宽度的取值范围为(64,1000)，所述图片数据集中的图像的高度的取值范围为(64,1000)。进一步的，图片数据集中的图像的宽度i和高度j是根据深度学习模型图片输入尺寸的需求确定，且图片的宽度i和高度j都要大于64且小于10000。
[0048]
s3：计算图像坐标系中的节点处材料参数值；
[0049]
具体的，所述s3具体由以下步骤实现：
[0050]
s31：通过有限元模型计算文件中节点坐标乘以比例因子k获得图像坐标系中的节点坐标，其中k的单位为像素/m；
[0051]
s32：将所有共享同一节点的材料参数值进行加权平均计算，获得图像坐标系中的节点处材料参数值。
[0052]
k＝min[i/(x
max-x
min
)，j/(y
max-y
min
)]；
[0053]
其中，所述i为图片数据集中的图像的宽度，所述j为图片数据集中的图像的高度，所述x
max
为有限元模型在x维度方向的节点坐标的最大值，x
min
为有限元模型在x维度方向的节点坐标的最小值，y
max
为有限元模型在y维度方向的节点坐标的最大值，y
min
为有限元模型在y维度方向的节点坐标的最小值。
[0054]
在本实施例中，所述图像坐标系中的节点坐标由有限元模型计算文件中的节点坐
标乘以比例因子k得到，其中k的单位为像素/m。在有限元计算文件中的节点坐标都是以长度作为单位，需要将其转换到图像坐标系下，即以像素作为单位。k的取值按照如下方法：若有限元模型在x、y维度方向的节点坐标范围分别为[x
min
，x
max
]和[y
min
，y
max
]，则k的取值按式(1)确定：
[0055]
k＝min[i/(x
max-x
min
)，j/(y
max-y
min
)]
ꢀꢀ
(1)；
[0056]
有限元模型计算文件
[0057]
在有限元模型生成计算文件中，没有节点处的材料参数信息，要得到每个节点处的材料属性值，可以基于计算文件中单元材料属性和单元节点信息计算(有限元模型中是每个单元对应一个材料参数值，而单元是通过节点坐标定义的)，具体方法是加权平均所有共享同一节点的单元的材料参数值，得到的每个节点坐标及其处材料参数值为(xm,ym,zm,c
m,1,cm,2,
…
,c
m,n,
…
,c
m,n
)，其中，xi、yi、zi为第m个节点在图像坐标系下的三维坐标，c
m,n
为第m个节点处的第n个材料参数值。
[0058]
s4：计算切片平面上材料参数值；
[0059]
具体的，所述s4具体由以下步骤实现：
[0060]
生成d个平行与xoy平面的切片平面，形成像素矩阵，然后插值计算切片平面上坐标(i，j，dd)处的材料参数值，得到第d个切片平面上计算的第n个材料参数值矩阵记为q
d,n
；其中，其中i、j分别为区间(0，i]和(0，j]内的整数，dd为第d个切片平面。
[0061]
在本实施例中，生成d个平行于xoy平面的切片平面，平面的z坐标为z＝d1,d2,
…
,dd,
…
,dd，系列平面的间距要小于z方向上有限元模型中单元的最小尺寸，避免一个单元不被任何切片平面切割到。如果有限元模型是二维模型，则只需要一个切片平面z＝0。
[0062]
计算点(i，j，dd)处的材料参数值，其中i、j分别为区间(0，i]和(0，j]内的整数，点(i，j，dd)处的材料参数值计算方法为离散点插值的方法，即已知(xm,ym,zm)处的材料参数值为(c
m,1
,c
m,2
,
…
,c
m,n
,
…
,c
m,n
)，则(i，j，dd)处的材料参数值(c
i,j,1
,c
i,j,2
,
…
,c
i,j,n
,
…
,c
i,j,n
)可以通过双线性插值方法计算得到，将第d个切片平面上计算的第n个材料参数值矩阵记为q
d,n
。
[0063]
s5：确定像素矩阵中每个像素点处各颜通道的灰度值；
[0064]
具体的，所述s5具体由以下步骤实现：
[0065]
通过灰度值＝round{[(c
m,n-c
min,n
)/(c
max,n-c
min,n
)]*255}，确定像素矩阵中每个像素点处各颜通道的灰度值；其中，c
max,n
，c
min,n
分别为所有节点中第n个材料参数的最大值和最小值，c
m,n
为第m个节点处的第n个材料参数值，round()为取整函数。
[0066]
在本实施例中，确定每个像素点处各颜通道的值是利用式(2)计算，其原理是将材料参数最大值对应白，材料参数最小值对应黑，其他材料参数值通过插值计算，图片中超出有限元模型边界的部分各通道像素值为0。由于灰度值只能取整数，因此式(2)中包含有取整计算函数。
[0067]
灰度值＝round{[(c
m,n-c
min,n
)/(c
max,n-c
min,n
)]*255}(2)
[0068]
s6：将像素矩阵组装成多通道图像。
[0069]
具体的，将材料参数值矩阵q
d,n
在第三个维度上组装成多通道图像[q
1,1
,q
1,2
…
,q
1,n
,
…
,q
1,n
,
…
,q
d,1
,q
d,2
,
…
,q
d,n
,
…
,q
d,n
,
…
,q
d,1
,q
d,2
,
…
,q
d,n
,
…
,q
d,n
]，该多通道图片的维度为i
×j×
(n
·
d)，其中，i、j分别为图像的宽度和高度，n为材料参数的个数，d为一个有
限元模型的切片数量。每一个有限元模型的对应一张多通道图像，通过对很多个有限元模型生成多通道图像，即可以得到可用于深度学习的多通道图像数据集。
[0070]
实施例二：
[0071]
一种有限元模型生成深度学习图像数据集的服务器，包括储存器和处理器；
[0072]
储存器，用于储存程序指令；
[0073]
处理器，用于运行所述程序指令，以执行如实施例一所述的有限元模型生成深度学习图像数据集的方法。
[0074]
实施例三：
[0075]
选取基坑可靠度分析案例，基坑模型为二维模型，模型的宽度为1m，如图2，模型的材料参数值为弹性模量e，泊松比μ，粘聚力c，内摩擦角φ。首先生成200个inp格式的有限元计算文件，通过提取文件中的节点信息、单元信息、材料信息。多通道图像的宽度和高度分别为543像素
×
48像素，通道数为4。第一多通道图像(图3)和第二多通道图像(图4)分别为利用图2(即有限元计算模型)和inp文件生成的两个多通道图像。利用200个inp计算文件则可以获得200个多通道图像，这些图像可以输入到深度学习网络中，进而利用深度学习网络预测其他材料参数的模型计算结果。
[0076]
对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。

技术特征：

1.一种有限元模型生成深度学习图像数据集的方法，其特征在于，包括以下步骤：s1：提取有限元模型计算文件；s2：确定图片数据集中的图像的宽度和高度；s3：计算图像坐标系中的节点处材料参数值；s4：计算切片平面上材料参数值；s5：确定像素矩阵中每个像素点处各颜通道的灰度值；s6：将像素矩阵组装成多通道图像。2.如权利要求1所述的有限元模型生成深度学习图像数据集的方法，其特征在于：所述有限元模型计算文件包括节点坐标、单元序号和材料参数。3.如权利要求1所述的有限元模型生成深度学习图像数据集的方法，其特征在于：所述图片数据集中的图像的宽度的取值范围为(64,1000)，所述图片数据集中的图像的高度的取值范围为(64,1000)。4.如权利要求1所述的有限元模型生成深度学习图像数据集的方法，其特征在于，所述s3具体由以下步骤实现：s31：通过有限元模型计算文件中节点坐标乘以比例因子k获得图像坐标系中的节点坐标，其中k的单位为像素/m；s32：将所有共享同一节点的材料参数值进行加权平均计算，获得图像坐标系中的节点处材料参数值。5.如权利要求4所述的有限元模型生成深度学习图像数据集的方法，其特征在于，所述k的取值为：k＝min[i/(x
max-x
min
)，j/(y
max-y
min
)]；其中，所述i为图片数据集中的图像的宽度，所述j为图片数据集中的图像的高度，所述x
max
为有限元模型在x维度方向的节点坐标的最大值，x
min
为有限元模型在x维度方向的节点坐标的最小值，y
max
为有限元模型在y维度方向的节点坐标的最大值，y
min
为有限元模型在y维度方向的节点坐标的最小值。6.如权利要求1所述的有限元模型生成深度学习图像数据集的方法，其特征在于，所述s4具体由以下步骤实现：生成d个平行与xoy平面的切片平面，形成像素矩阵，然后插值计算切片平面上坐标(i，j，d
d
)处的材料参数值，得到第d个切片平面上计算的第n个材料参数值矩阵记为q
d,n
；其中，其中i、j分别为区间(0，i]和(0，j]内的整数，d
d
为第d个切片平面。7.如权利要求1所述的有限元模型生成深度学习图像数据集的方法，其特征在于，所述s5具体由以下步骤实现：通过灰度值＝round{[(c
m,n-c
min,n
)/(c
max,n-c
min,n
)]*255}，确定像素矩阵中每个像素点处各颜通道的灰度值；其中，c
max,n
，c
min,n
分别为所有节点中第n个材料参数的最大值和最小值，c
m,n
为第m个节点处的第n个材料参数值，round()为取整函数。8.如权利要求1所述的有限元模型生成深度学习图像数据集的方法，其特征在于，所述有限元模型包括二维有限元模型和三维有限元模型。9.一种有限元模型生成深度学习图像数据集的服务器，其特征在于：包括储存器和处理器；
储存器，用于储存程序指令；处理器，用于运行所述程序指令，以执行如权利要求1-8任意一项所述的有限元模型生成深度学习图像数据集的方法。

技术总结

本发明公开了一种有限元模型生成深度学习图像数据集的方法及服务器，其方法包括：S1：提取有限元模型计算文件；S2：确定图片数据集中的图像的宽度和高度；S3：计算图像坐标系中的节点处材料参数值；S4：计算切片平面上材料参数值；S5：确定像素矩阵中每个像素点处各颜通道的灰度值；S6：将像素矩阵组装成多通道图像。在本发明中，通过在提取的有限元分析模型中切片的方式得到图像，将每个像素点的各颜通道至归一化到彩空间，并在图片中模型空白区域的各颜通道赋值为0，进而得到可输入到深度学习模型中的图片。该方法得到的多通道数据集可以输入到卷积神经网络中，为利用深度学习解决工程领域大量重复计算提供了训练数据支撑。据支撑。据支撑。