基于卷积神经网络的结构力学机动分析,首发论文 -全讯担保网

您当前所在位置: 全讯担保网-0008全讯注册 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交pdf文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 202405-50
论文题目 基于卷积神经网络的结构力学机动分析
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:albert einstein,编入参考文献时写法:einstein a.

示例2:原姓名写法:李时珍;编入参考文献时写法:li s z.

示例3:yelland r l,jones s c,easton k s,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择doc或latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的doc文件
上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!

基于卷积神经网络的结构力学机动分析

首发时间:2024-05-13

1   

张乐业(2003—),男,2023级人工智能技术应用学生

田翔翔 1   

田翔翔(1991—),男,讲师,主要研究方向:视觉传达设计

2   

张洪俊(1969—),男,高级工程师,主要研究方向:道路桥梁设计、人工智能,e-mail:583304953@qq.com

  • 1、江苏财会职业学院,连云港222061
  • 2、万世先行数智交通科技有限公司,南京210016

摘要:尝试利用卷积神经网络实现对平面杆系结构的机动分析。通过3dsmax动画软件、opencv模块,自建几何不变体系和几何可变体系的图像数据集。基于tensorflow及keras深度学习平台框架,构建和训练卷积神经网络模型。模型在训练集、验证集和测试集上均达到了100%的精度。在额外的测试集上的精度为93.7%,这表明卷积神经网络能够学习并掌握结构力学机动分析的相关知识。未来可通过数据集的多样性来提高模型的泛化能力,对于复杂结构其具有超越人类专家的潜力。卷积神经网络在结构力学机动分析领域具有一定的实用价值。利用可视化技术,揭示了卷积神经网络是如何学习和识别结构特征的。利用预训练的vgg16模型进行特征提取和微调,发现泛化能力不及作者自建的模型。

关键词:

for information in english, please click here

kinematic analysis of structural mechanics based on convolutional neural network

1   

张乐业(2003—),男,2023级人工智能技术应用学生

tian xiangxiang 1   

田翔翔(1991—),男,讲师,主要研究方向:视觉传达设计

2   

张洪俊(1969—),男,高级工程师,主要研究方向:道路桥梁设计、人工智能,e-mail:583304953@qq.com

  • 1、jiangsu college of finance & accounting, lianyungang, 222061, china
  • 2、wanshi antecedence digital intelligence traffic technology co., ltd, nanjing, 210016, china

abstract:attempt to use convolutional neural network to achieve kinematic analysis of plane bar structure. through 3dsmax animation software and opencv module, self-build image dataset of geometrically stable system and geometrically unstable system. we construct and train convolutional neural network model based on the tensorflow and keras deep learning platform framework. the model achieves 100% accuracy on the training set, validation set, and test set. the accuracy on the additional test set is 93.7%, indicating that convolutional neural network can learn and master the relevant knowledge of kinematic analysis of structural mechanics. in the future, the generalization ability of the model can be improved through the diversity of dataset, which has the potential to surpass human experts for complex structures. convolutional neural networks have certain practical value in the field of kinematic analysis of structural mechanics. using visualization technology, we reveal how convolutional neural network learns and recognizes structural features. using pre-trained vgg16 model for feature extraction and fine-tuning, we found that the generalization ability is inferior to the self-built model.

keywords:

click to fold

点击收起

基金:

论文图表:

引用

导出参考文献

张乐业,田翔翔,张洪俊. 基于卷积神经网络的结构力学机动分析[eb/ol]. 北京:中国科技论文在线 [2024-05-13]. https://www.paper.edu.cn/releasepaper/content/202405-50.

no.****

动态公开评议

共计0人参与

动态评论进行中

评论

全部评论

0/1000

勘误表

基于卷积神经网络的结构力学机动分析

网站地图