首页期刊导航|力学学报
期刊信息/Journal information
力学学报
力学学报

郑泉水

双月刊

0459-1879

lxxb@cstam.org.cn

010-62536271

100190

北京市北四环西路15号2号楼 324 房间

力学学报/Journal Chinese Journal of Theoretical and Applied MechanicsCSCD北大核心CSTPCDEI
查看更多>>《力学学报》由首任主编钱学森等创刊1957年，由中国科学院主管、中国力学学会和中国科学院力学研究所主办。《力学学报》是力学学科的综合性学术刊物，报道在理论和应用力学所有领域里，在理论、方法和实验方面的研究进展。期刊鼓励发表与力学相关的交叉学科的研究成果，力求成为力学与其他工程和科学分支的桥梁，成为有助于中国力学年青学子成长和推动与中国重大工程建设合作的平台。从2012 年开始，学报将提供四个栏目： 1 、特邀论文，2 、全文，3 、快报，4 、对近期在本刊发表论文的讨论。对栏目 1和2的论文从收稿到发表的平均周期，将力争控制在6个月以内；对栏目3和4，则为3个月以内。尽管期刊是逢单月正式发表，论文稿一旦接受发表，将在24小时内网上登出。本刊论文对中国力学学会的所有会员（超过2万人）开放下载
正式出版
收录年代

    考虑叶片造型的压气机流动稳定性模型研究进展

    孙大坤朱恒毅许登科冀国锋...
    1819-1837页
    查看更多>>摘要：压气机实际稳定裕度是否达到指标直接决定了发动机是否可以投入使用.目前的压气机气动设计体系中缺乏一种高效、准确的评估失稳边界的工具,导致在设计定型后依然存在实际稳定裕度不足的风险.因此迫切需要发展快速可靠的压气机稳定性预测工具以供设计阶段使用.现代航空压气机叶片的气动设计朝着三维精细化方向发展,如何在设计阶段考虑叶片三维造型的变化对稳定性的影响愈发关键.传统的激盘/半激盘模型难以精细捕捉到三维叶片造型对流动稳定性的影响,而非定常数值模拟方法对计算资源的消耗在压气机设计阶段难以承受.为了在精细考虑叶片造型影响的同时提高计算效率,为气动设计阶段提供稳定性评估工具,本团队首先在 2013 年提出了叶轮机流动稳定性通用理论,通过分布式叶片力源项建模考虑复杂叶片造型的影响,通过系统特征值描述流动稳定性.继而针对不同的预测目标和应用条件,发展了 3 种简化模型:子午面模型、流线模型和径向展开模型.其中子午面模型能够准确刻画叶尖间隙、叶片掠和叶片加载方式等关键设计参数对流动稳定性的影响,为设计阶段提供了一种可靠的失稳边界预测工具;流线模型可以快速评估展向各条流线系统的流动稳定性,并定量地给出流动稳定性最为薄弱的区域,从而有针对性地指导叶片扩稳设计;径向展开模型可以快速地预测离心压气机的流动失稳点,定量评估离心压气机流动稳定性.以上模型可以应用于压气机气动设计体系,为设计定型的压气机提供了可靠的稳定性评估方法,为压气机气动/稳定性一体化设计提供了技术储备.

    压气机流动稳定性三维叶片造型稳定性预测叶片力建模压气机设计

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    数据驱动的结构分析与设计专题序

    郭旭廉艳平
    1838-1839页
      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于扩散模型的高阶拓扑绝缘体实时设计

    徐志昂骆嘉晨丁相贵杜宗亮...
    1840-1848页
    查看更多>>摘要：作为一种全新的波控工具,高阶拓扑绝缘体可以将能量鲁棒高效地局域化在低维空间,且对缺陷不敏感.在光子和声子系统中,高阶拓扑绝缘体的快速设计仍然是一项挑战.采用移动可变形孔洞法显式描述C4v对称的单胞构型,并结合能带理论和对称指标刻画其性能(拓扑性质和非平凡带隙宽度).在此基础上,构建了包含几何参数、无量纲化带隙宽度与拓扑性质指标的高阶拓扑绝缘体数据集,并提出了一种基于去噪扩散概率模型(denoising diffusion probabilistic model,DDPM)的实时设计框架.相比采用其他生成式模型的设计框架,DDPM有效避免了训练不稳定和生成保真度低等问题.该框架可以精准且快速地按目标需求或最大化带隙宽度逆向设计力学高阶拓扑绝缘体,在单机上生成所需设计的平均相对误差在 3.5%以内,平均耗时仅需 0.01 s,相比传统逆向设计方法效率提升 6～7 个数量级.通过使用Wasserstein距离度量逆向设计样本的多样性,该框架相较基于深度学习代理模型的优化设计结果,表现出更高的生成结果多样性.此外,所得设计具有显式描述的几何信息,可以直接与CAD/CAE软件结合,避免了隐式描述算法中的后处理步骤.这种基于DDPM的实时设计框架可扩展应用于多物理场拓扑材料和其他类型超材料的逆向设计,并为构建声子和光子拓扑材料的数据库提供了基础.

    高阶拓扑绝缘体实时设计去噪扩散概率模型移动可变形孔洞法对称指标理论

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于机器学习的变刚度纤维增强复合材料最小化结构柔顺性优化设计

    段尊义刘亿张皓翔陈志远...
    1849-1860页
    查看更多>>摘要：纤维增强复合材料层合板的变刚度优化设计,通过逐点优化纤维铺角的可设计性,从而匹配结构中应力状态的空间变化,更高效地发挥纤维增强复合材料层合板在强度与刚度性能上的方向性,为设计师提供了更广阔的设计空间与设计灵活度.然而,基于梯度类算法的传统复合材料变刚度优化设计,因其设计变量众多,不可避免地在结构分析与灵敏度分析中面临大规模计算的挑战.同时,结构在概念设计阶段存在载荷工况随机性问题,如何在初始概念设计阶段,针对随机载荷工况制定高效的设计方案具有重要工程价值.近年来,随着人工智能与高性能计算的快速发展,基于传统优化获得的数据集构建端到端的机器学习模型,为实现实时的复合材料变刚度优化提供了可能.文章采用反向传播(back propagation,BP)神经网络算法,建立了基于机器学习的纤维增强复合材料变刚度优化设计方法.首先,基于正态分布纤维优化(normal distribution fiber optimization,NDFO)插值格式,构建以最小化结构柔顺度为目标的复合材料变刚度优化设计模型,考虑载荷大小与方向的随机性,获得神经网络模型训练所需的样本集数据.其次,以最小均方误差(means square error,MSE)为目标函数,采用BP神经网络模型对样本数据集进行训练.最后,建立基于皮尔逊相关系数(Pearson correlation coefficient)、均方误差的模型评价体系,对生成的神经网络模型进行评价.数值算例讨论了含圆孔MBB梁与悬臂C型梁变刚度优化设计,详细阐述了基于机器学习的复合材料变刚度优化方法的实施过程,系统地对比了所提出的基于机器学习的复合材料变刚度优化与传统基于NDFO插值格式复合材料变刚度优化设计结果在纤维铺角轨迹和目标函数的差异,验证了本方法的有效性.

    变刚度优化设计机器学习反向传播神经网络正态分布纤维优化纤维铺角

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    面向抗冲击结构尺寸优化的自训练分类判断优化设计方法

    王春彭高汝鑫廉艳平成湛山...
    1861-1875页
    查看更多>>摘要：抗冲击结构在军民安全领域有着广泛且重要的应用,但其优化设计因涉及极端载荷下的强非线性而面临结构响应求解耗时与灵敏度分析困难的挑战.针对该问题,提出了一种自训练分类判断优化设计方法.该方法采用基于支持向量机的自训练分类判断代理模型和遗传算法,求解抗冲击结构尺寸优化列式.与基于回归代理模型的传统方法不同,自训练分类判断代理模型可以减少样本集构建计算成本.同时,提出了面向分类判断代理模型的遗传算法约束处理策略及个体适应度计算方法.基于该方法开展的波纹夹芯结构抗爆性能和聚脲/陶瓷复合板抗侵彻性能优化设计,验证了其有效性和高效性.为抗冲击结构设计提供了一种新的高效优化方法,以期保障极端冲击载荷下装备结构服役性能和人员安全.

    极端载荷数据驱动代理模型序列优化结构优化

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    深度学习与力学建模融合的骨力学性能研究

    严子铭胡元裕李想柳占立...
    1876-1891页
    查看更多>>摘要：骨缺损是骨科临床常见且复杂的疾患,根据患者体内缺损区骨组织力学性能,设计生物力学性能匹配的个性化骨假体,有望提升临床骨缺损诊疗的水平.然而,当前的个性化骨缺损诊疗,在体内骨组织微观结构分析、非均质各向异性力学行为表征和建模等方面存在诸多问题,难以实现生物力学性能的适配,导致骨重建效果不佳.针对上述问题,提出了一种融合数据驱动与力学建模的骨缺损重建方法,以实现临床条件下骨组织力学性能的准确表征.首先,以羊股骨远端为对象,提出了基于临床CT影像的多神经网络模型,通过建立低分辨率临床CT下的宏观骨密度分布与micro-CT下松质骨微结构形态特征的映射关系,能够直接通过临床CT对体内骨组织非均匀骨密度分布和结构张量等组织形态学参数进行准确预测.其次,建立了基于非均匀骨密度和结构张量的松质骨各向异性本构模型和实验表征方法.通过贝叶斯反演识别本构模型参数,修正了实验中由于材料主方向与加载方向偏离引入的系统误差.实验结果验证了所建立本构模型与参数反演方法的准确性,并揭示了不同部位松质骨力学行为与微结构生长方向的关系.文章通过深度学习与力学建模融合的骨力学性能研究,解决了临床医学影像下松质骨微观结构分析的难题,为个性化骨假体的设计奠定了基础.

    临床医学影像深度学习松质骨非均质各向异性本构

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于机器学习的增材制造合金材料力学性能预测研究进展与挑战

    胡雅楠余欢吴圣川奥妮...
    1892-1915页
    查看更多>>摘要：增材制造是现代高端装备制造领域的革命性突破技术之一.其中,增材构件的大批量生产和高可靠应用,关键在于制造可重复性、质量可靠性与性能可预测性.而在各向异性组织、广域分布缺陷、深部残余应力和复杂表面粗糙度等诸多因素的共同影响下,基于传统经验模型和有限数据的增材制造金属力学性能预测效率与准确性面临着严峻挑战.近年来,作为大数据与人工智能发展到一定阶段的必然产物,机器学习(machine learning,ML)方法为有效处理高维物理量之间的复杂非线性关系提供了契机,在增材制造合金材料力学性能预测领域得到持续关注.文章综述了机器学习在增材制造材料及构件力学性能预测中的国内外研究进展.首先简述了常见的机器学习算法和通用的机器学习流程,重点分析了融合物理信息的机器学习(physics-informed machine learning,PIML)方法的特点与构造方式;然后概述了增材制造合金材料力学性能 4 大影响因素的形成原因及机器学习在这些影响因素预测中的应用现状;重点介绍了ML和PIML在拉伸性能和疲劳断裂性能预测中的代表性研究成果;最后指出当前机器学习在力学性能预测中的局限性,并探讨了发展趋势和技术前景.

    数据驱动机理驱动微观组织缺陷演化疲劳寿命

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    金属增材制造晶体塑性有限胞元自洽聚类分析方法

    于飞廉艳平李明健高汝鑫...
    1916-1930页
    查看更多>>摘要：金属增材制造是一种先进的数字化制造技术,在高性能及复杂构件快速制备方面具有独特的优势.然而,其成形材料微观组织复杂且存在不可避免的制造缺陷,导致实际制造材料性能与设计性能存在偏差,亟需发展考虑真实材料微观组织和缺陷的力学性能高效预测方法.针对该问题,发展了晶体塑性有限胞元-自洽聚类分析方法,包括离线数据准备和在线快速计算两个阶段.其中,在离线阶段,采用晶体塑性有限胞元法和聚类算法建立实际微观组织代表体元离散数据;在线阶段,采用基于加权余量-子域法的自洽聚类分析和考虑Hall-Petch效应的晶体塑性模型求解了代表体元问题的Lippmann-Schwinger方程,进而通过应力应变均匀化获得材料的宏观等效力学性能.通过理想及含不规则孔隙的多晶算例验证了所提出方法的计算精度及高效性;进一步,采用该方法研究了激光选区熔融增材制造IN625 合金力学性能,并揭示了工艺参数对其力学性能的影响.结果表明,文章工作为金属增材制造成形材料力学性能预测提供了一种高效的计算方法.

    数据驱动方法自洽聚类分析晶体塑性有限胞元增材制造

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    两类数据驱动计算均匀化方法对比研究

    白晓伟赵鲁阳李亮罗利龙...
    1931-1942页
    查看更多>>摘要：目前针对非均质材料与结构的多尺度仿真尚面临本构建模复杂和多尺度计算成本高的难题.数据驱动计算均匀化方法一方面通过数据科学的手段降低与本构模型相关的人力和时间成本,另一方面将耗时的细观问题计算移至线下进行,从而显著提升非均质材料与结构的在线计算效率.该方法按控制方程的来源可大致分为两类:第一类是基于能量泛函的数据驱动算法,旨在通过人工智能手段高效地获取材料本构关系,继而在经典计算力学框架下通过能量极值求解问题;第二类是基于距离泛函的数据驱动算法,其绕开材料本构建模过程,直接利用本构数据中的点与满足守恒方程的点的距离极值寻求问题的解.文章简要回顾两类数据驱动计算均匀化方法的求解思路,以纤维增强复合材料结构为例,分别从定性和定量的角度分析样本数据量对两类算法计算效率和精度的影响,继而从算法实现、计算精度、计算效率和后处理等方面进行对比分析,探讨两者在求解多尺度问题时的优势与不足,以期为发展高效的非均质材料结构分析技术提供参考.

    数据驱动计算力学计算均匀化非均质材料与结构

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于NTK理论和改进时间因果的物理信息神经网络加速收敛算法

    潘小果王凯邓维鑫
    1943-1958页
    查看更多>>摘要：物理信息神经网络(physics-informed neural networks,PINNs)是一类将先验物理知识嵌入神经网络的方法,目前已经成为求解偏微分方程领域的研究热点.尽管PINNs在数值模拟方面展现出巨大的应用前景,但它仍然面临收敛缓慢的挑战.文章从神经正切核(neural tangent kernel,NTK)理论出发,通过对单隐藏层神经网络模型进行分析,推出PINNs的神经正切核矩阵具体表达式,并以此进一步分析PINNs收敛速度的影响因素,给出PINNs快速收敛的两个必要条件.应用神经正切核理论分析PINNs领域的 3 种相关算法(时间因果算法、傅里叶特征嵌入、学习率退火)的加速收敛效果,结果表明这 3 种算法均不能满足PINNs加速收敛的所有必要条件.文章提出一种动态傅里叶特征嵌入时间因果算法(dynamic Fourier feature embedding causality,DFFEC),综合考虑了NTK矩阵特征值平衡和时间顺序收敛对PINNs收敛速度的影响,在Allen-Cahn,Reaction,Burgers和Advection等 4 个算例上的数值实验结果表明,所提出的DFFEC算法可以显著提高PINNs的收敛速度.特别是在Allen-Cahn算例上,与时间因果算法相比,所提出的DFFEC算法具有至少50倍的加速收敛效果.

    物理信息神经网络收敛速度谱偏差神经正切核非定常流动

      原文链接:
    • NETL
    • NSTL
    • 万方数据