本发明涉及电数字数据处理领域，具体地说是涉及一种基于数据处理反演脆性材料应变率效应的方法。
背景技术：
1、脆性材料（诸如混凝土、岩石、聚合物等压缩强度为静水压力敏感性材料的统称）广泛应用于各类国防和民用工程中，其力学性能的研究始终是工程界关注的热点。强动载荷作用下，该类材料的力学行为与其在准静态加载下所表现出的行为有显著区别，主要体现为加载应变率对材料本构关系及强度的影响，此行为被称为应变率效应。当前，分离式霍普金森杆技术是该类材料在中、高应变率 (102-104 s-1)下动态力学性能测试的主要手段。
2、早期，该类实验测试所得的离散结果被直接用来拟合数学公式，并进而发展该类材料的动态本构关系。然而，随着研究的深入，人们逐渐意识到，该类材料在高应变率下所表现出的显著动力增强，可能代表试件中应力状态的改变，实验观测所得的表观应变率效应并不能全部归因于真实的材料性能，材料特性（如密度、泊松比、摩擦角、膨胀角等）、尺寸、端面摩擦等所导致不同程度的惯性效应（也称为结构效应），也对其做出了不可忽视的贡献。将试验所测数据不加修正地考虑在应变率效应模型中，将过分夸大该类材料的动态强度，从而导致危险的结构设计。
3、因此，如何识别试验数据中的真实应变率效应成为该领域的重要课题。部分学者选择基于对比输入和输出动力放大系数数值，反复迭代调整的方式确定真实动力放大数值，但运算效率过低，且收敛困难，有时无法得到准确数值。
4、目前，电数字数据处理技术在多个方面均有应用。如申请公布号为cn118536072a的中国发明专利公开一种基于无监督学习和大数据的桥梁裂缝检测识别方法及系统，其采用聚类算法对预处理后的结构数据进行聚类分析，针对经过预处理后的结构数据中的图像数据，采用卷积神经网络进行桥梁的裂缝区域的定位和分割；以及提取分割出的裂缝区域的裂缝特征通过机器学习算法构建健康评估模型等，从而实现自动化检测桥梁裂缝。
技术实现思路
1、本发明的目的在于提出一种基于数据处理反演脆性材料应变率效应的方法，该方法提高了确定脆性材料应变率效应的效率和精度。
2、本发明所采用的技术解决方案是：
3、一种基于数据处理反演脆性材料应变率效应的方法，包括以下步骤：
4、s1、制备若干个脆性材料霍普金森杆试验试件，在试件周测喷涂散斑；布置实验装置，架设双目高速摄像机，并调整其位置，使得双目高速摄像机能够拍摄到试件周测清晰完整的散斑图像；
5、s2、进行动态shpb试验，通过改变shpb试验中子弹长度、子弹直径和入射速度，进行不同应变率下的脆性材料霍普金森杆试验试件动态冲击试验，高速摄像机拍摄试验中试件在冲击作用下的散斑变形过程；
6、s3、将s2步中高速摄像机拍摄到的照片进行分析，计算试件散斑区域应变场云图；将试件散斑区域应变场云图按照时间顺序排列，提取应变场信息，组装成包含时间信息的云图序列；
7、s4、开展不同应变率强化模型参数下的有限元模拟，模拟s2步不同子弹长度、子弹直径、入射速度下的冲击试验，得到脆性材料动态提高后的屈服面；将脆性材料屈服面参数代入有限元分析，改变参数，，，进行数值分析；根据高速摄像机拍摄帧率，输出同样时间维度的试件周测应变场云图，采用s3步处理方式，组装成包含时间信息的三维云图序列；把三维云图序列分为训练集、验证集、测试集；
8、s5、将s4步三维云图序列中的像素值进行归一化，如公式（3-1）所示，确保数据分布适合神经网络训练；
9、 （3-1）
10、其中x为三维云图序列中某个像素的应变值，xmin、xmax分别为三维云图序列中应变的最小值与最大值；
11、s6、搭建3d cnn卷积神经网络，该3d cnn卷积神经网络包括若干个3d卷积层和池化层，将s5中处理后的三维云图序列依次采用3d卷积层和池化层进行处理，得到高维的特征图；
12、s7、建立全连接层，在通过3d卷积层和池化层后，输出一个高维的特征图，使用全连接层将3d特征展平为一维向量，然后进行线性变换；
13、s8、将s4步三维云图序列输入搭建的网络模型进行学习，建立参数，，，与s4步三维云图序列的映射关系，如公式（6-1）所示：
14、<mstyle displaystyle="true" mathcolor="#000000"><mrow><mo>[</mo><mrow><mi>α</mi><mi>,</mi><mi>λ</mi><mi>,</mi><mi>δ</mi><mi>,</mi><mi>γ</mi><msub><mrow /><mrow><mi>t</mi><mi>r</mi></mrow></msub></mrow><mo>]</mo></mrow><mi>=</mi><mi>f</mi><msub><mrow /><mrow><mi>3</mi><mi>d</mi><mi>c</mi><mi>n</mi><mi>n</mi></mrow></msub><mrow><mo>(</mo><mrow><mi>d</mi><msub><mrow /><mi>1</mi></msub><mi>,</mi><mi>h</mi><msub><mrow /><mi>1</mi></msub><mi>,</mi><mi>w</mi><msub><mrow /><mi>1</mi></msub><mi>,</mi><mi>ε</mi></mrow><mo>)</mo></mrow></mstyle> （6-1）
15、其中，，，，为待预测参数，为3d cnn建立的函数关系，、、、分别为云图的深度、高度、宽度与应变数值；
16、输入数据通过网络每一层进行前向传播，计算出每层的输出特征图，直至最终的预测结果。
17、本发明的有益技术效果如下：
18、本发明提出一种基于数据处理预测脆性材料应变率效应的方法，该方法结合了数字图像相关技术（dic）、有限元分析（fea）和3d卷积神经网络（3dcnn），用于脆性材料在动态加载条件下的应变率强化模型参数反演。通过dic实时测量表面应变场，并将实验数据与有限元模拟生成的云图序列结合，利用3dcnn对不同应变场进行参数反演，实现参数的自动化估计。最终，通过实验与模拟结果的闭环验证，提高了模型的准确性与效率。这一方法集成了物理建模与深度学习技术，为材料动态行为研究提供了快速精确的解决方案。
19、具体地，本发明具有以下优点：
20、（1）通过建立脆性材料的有限元模型，改变应变率强化模型中的相关参数，生成大量不同参数组合下的应变场云图序列；这为后续神经网络训练提供了丰富的模拟数据，并且通过不断调整参数，可以更好地逼近真实材料的动态力学行为。
21、（2）使用3d cnn对有限元生成的云图序列进行训练，能够基于输入的应变场云图序列反演出其对应的应变率强化模型参数。这种基于深度学习的反演技术有效提升了对复杂参数的估计能力，并减少了人为经验干预。
22、（3）该框架将有限元分析与深度学习相结合，形成了从实验数据获取、参数反演到模型验证的完整流程，提高了脆性材料动态本构模型的构建效率和精度。
23、本发明不仅提高了确定脆性材料应变率效应的效率和精度，还为材料科学研究和工程应用提供了有力支持。本发明方法在提升材料设计和分析水平，优化工程结构性能方面具有重要的应用前景。
1.一种基于数据处理反演脆性材料应变率效应的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于数据处理反演脆性材料应变率效应的方法，其特征在于，步骤s2中：通过公式（1-1）-（1-3）计算脆性材料霍普金森杆试验试件的平均应变率、平均应变、有效平均应力；
3.根据权利要求2所述的一种基于数据处理反演脆性材料应变率效应的方法，其特征在于，步骤s4中：
4.根据权利要求3所述的一种基于数据处理反演脆性材料应变率效应的方法，其特征在于，步骤s6中：
5.根据权利要求4所述的一种基于数据处理反演脆性材料应变率效应的方法，其特征在于，步骤s7中：
6.根据权利要求5所述的一种基于数据处理反演脆性材料应变率效应的方法，其特征在于，步骤s8中：
7.根据权利要求6所述的一种基于数据处理反演脆性材料应变率效应的方法，其特征在于，还包括以下步骤：
