摘要
摘要
现如今城市高层和超高层建筑增多，钢结构被广泛应用。研究钢结构应
力状态的重要性不言而喻，检测钢构件应力状态的超声无损检测方法应运而
生。目前针对平面应力的研究主要利用多个单向应力组合完成，但单点检测
仍无法满足平面应力分布反演需求。为了解决此问题，本文模拟了多种工况
形成特征数据库，基于卷积神经网络实现了从应力单点检测到区域应力分布
的反演，并验证了钢板平面应力检测的全域应力反演结果的有效性。
本文首先建立了钢板平面应力分布特征样本数据库，作为网络训练的数
据基础。针对阵列传感器的平面应力检测方法理论，建立了钢板平面应力反
演的应力场模型，通过改变荷载条件和加载位置模拟出多种工况模型作为样
本数据。在此基础上自主编译了数据前处理和后处理模块，完成了批量样本
模型的生成以及特定应力值的读取，开发出样本数据预处理模块以实现标准
化处理，最终利用MySQL管理系统完成数据库设计和搭建。
本文提出了基于卷积神经网络的钢板平面应力分布反演方法。采用CNN
处理二维矩阵并加入编译器模块，构成编码器-解码器架构，利用反卷积功能
将卷积后的特征进行还原，实现网络输入图像和输出图像长宽一致，最终搭
建了一种适用于处理回归问题的改进卷积神经网络。改进卷积神经网络由数
据库调用模块，卷积神经网络模块，训练函数模块及预测函数模块组成。经
此网络训练迭代后的结果，相对于有限元模拟值，能达到较小的平均绝对误
差和平均相对误差。
在此基础上完成了钢板平面应力分布反演模型验证及优化。利用测试样
本进行了钢板平面应力分布反演试验，验证了模型的泛化能力。此外开发了
平面应力云图可视化模块，实现对应力场的直观描述。研究了两项超参数对
网络精度的影响并探究了其他优化模型运算性能的方法。进一步地，在训练
效率和结果精度上与传统机器学习网络方法对比，验证了改进卷积神经网络
性能的优越性。本文提出的深度学习网络模型方法不仅解决了钢板平面应力
反演问题，突破了分析前必须已知受力参数等限制，且相比传统有限元软件
建模有更多样的场景应用，有着广泛的工程用途。
关键词：深度学习；有限元分析；平面应力反演；卷积神经网络
--I
Abstract
Abstract
Nowadays,withtheincreaseofhigh-riseandsuperhigh-risebuildingsincities,
steelstructureiswidelyused.Theimportanceofstudyingthestressstateofsteel
structureisself-evident,andtheultrasonicnondestructivetestingmethodfortesting
thestressstateofsteelmemberscomesintobeing.Atpresent,theresearchonplane
stressismainlycompletedbyusingmultipleunidirectionalstresscombinations,but
thesinglepointdetectionstillcannotmeettherequirementofplanestress
distributioninversion.Inordertosolvethisproblem,thispapersimulatedavariety
ofworkingconditionformationcharacteristicdatabase,realizedtheinversionfrom
thestressdetectionresultsofasinglepointtotheregionalstressdistributionbased
ontheconvolutionalneuralnetwork,and