基于人工神经网络的混凝土类材料SHPB动态压缩性能预测

针对混凝土类脆性材料高应变率下本构行为，结合ABAQUS有限元仿真与反向传播（Back propagation，BP）人工神经网络技术，对分离式霍普金森压杆（Split Hopkinson pressure bar，SHPB）实验过程中关键波形参数进行仿真和机器学习，建立了混凝土类材料SHPB高应变率下力学性能预测的机器学习模型，极大地提升了复杂脆性材料受冲击状态下变形行为与本构参数之间关联机制的计算效率。利用商业有限元软件ABAQUS的动态分析模块，通过在入射杆自由面设置4种不同的应力波，得到在不同应变率下材料应力-应变曲线，通过对比数值模拟结果和SHPB实验，验证了基于有限元分析的计算结果准确性。以20组ABAQUS仿真结果作为训练样本，其中入射波作为输入层，透射波和反射波作为输出层，建立相应的机器学习预测模型。研究结果表明：基于BP人工神经网络技术的机器学习预测模型具有良好的适用性，可代替量大且耗时的有限元仿真建模、分析及后处理流程，实现了高应变率下混凝土类材料应力-应变曲线形式本构行为的高效准确预测，同时可以预测给定训练样本以外更大应变率范围下材料应力-应变曲线。

Prediction of Dynamic Compressive Performance of Concrete-Like Materials Subjected to SHPB Based on Artificial Neural Network