參數反演
關注創建者：xj2330 創建時間：2020-12-08
參數反演的視頻教程
應用Isight進行材料參數反演
相比于金屬材料僅需要幾個參數便可描述其材料特性，橡膠的材料本構是非線性的，力學行為也更加復雜。材料本構控制著橡膠的力學行為，確定本構參數尤其重要。 ???本次課程給大家展示參數Abaqus在反演材料本構參數上的應用。 ???本次培訓的大綱如下： 1.?材料參數反向識別概述及應用場景 2.?當前常用的反演識別應用場景 3.?
￥9.9 45分鐘 323播放
查看
iSight參數優化-本構參數反演入門
一、視頻內容介紹 二、準備工作——非標測試數據、對應非標測試的仿真模型及相應仿真odb結果 三、參數優化流程搭建 # isight軟件簡介 # 框架梳理——優化對象（E、泊松比）、優化目標（仿真和測試誤差）、流程 # abaqus模塊——inp輸入、odb輸出讀取 # data matching模塊——仿真結果與測試結果比對 # optimization模塊——參數優化算法 # 數據流檢查
￥24.9 1小時14分鐘 4201播放
查看
參數反演的實例教程
其流程如圖所示：
信號模擬曲線圖如下所示，模擬曲線充分覆蓋了參考曲線，說明給定的參數范圍足夠以進行校準，最優值紅色曲線與參考值綠色曲線幾乎重合，算法很好地收斂到較小的信號差異。
下表是系統參數初始值與反演值的對比，模型信號差異很大程度上得到縮減，參數反演分析使模型得到校準，仿真擬合曲線和參考曲線之間實現了出色的一致性。
模型校準和參數反演，將產品的特性被準確、清晰地仿真模擬，不再過保守設計，研發人員可以利用高置信度的虛擬樣機，進行高效的結構優化設計，大大降低產品的成本和增強品質競爭力。
另外optiSLang可以集成到Workbench界面，直接讀取Workbench中Mechanical的分析流程中的參數。上述案例用Workbench界面分析時的流程如下圖所示。
利用optiSLang模型標定與參數反演功能，可以讓我們的仿真模型更加準確，從而保證仿真結果更加精確。
文章來源于上海安世亞太 ，作者陳志梅
展開 單純形法是一個需要更多迭代次數的方法，是比較適合做參數反演的。因此本案例使用單純形法（nelder-mead）反演了J-C模型的參數，如表1所示。由表1可知A、B、n、modulus的反演值與真實值相對誤差較小，而c、m具有較大的誤差。
表1 材料參數統計情況
未知參數
A
B
n
c
m
modulus
真實值
200MPa
230MPa
0.41
0.01
1
200GPa
反演值
194.9MPa
239.8MPa
0.3622
0.0021
0.1593
193GPa
相對誤差
2.55%
4.26%
11.66%
79%
84.07%
3.5%
再來看一下位移與力的曲線關系，圖2為真實與反演的位移-力曲線對比，很明顯反演曲線幾乎和真實曲線重合在一起了。再結合表1，參數c，m誤差較大但并未對結果造成明顯的的影響，這是由于材料屬性對這兩個數不敏感而引起的。因此在參數反演時，我們有必要先對參數的敏感性進行分析，這樣可以減少不必要的優化參數。敏感性分析將在下一期中進行展示，敬請期待！
圖2 反演與真實位移與力曲線對比
由上圖可知，位移-力曲線幾乎重合了，吻合度非常高，那么其反演的應力場和位移場是怎么樣的呢？圖3-圖4分別展示了反演的應力場和真實應力場對比關系，反演的位移場與真實位移場的對比關系，由圖無論是位移還是應力云圖，反演場和真實場的形態分布和數值大小都是非常接近的，這說明了反演結果的可靠性。
圖3 反演與真實應力云圖對比
圖4 反演與真實位移云圖對比
4.
展開 實戰效果：支持并行計算與高維反演</strong> 對于復雜的反演任務，單線程太慢？本方案的進階版（包含在資源中）支持MATLAB的parfor并行調用。如附件中的RunGA_Dll_parfor.m所示，利用生成的_proto.m原型文件，您可以同時啟動多個Excel進程進行并行優化。</p><p><strong>實測數據</strong>：在處理像“凍土統一硬化本構模型”這樣復雜的非線性參數標定時，利用1stOpt的通用全局優化算法（UGO）配合本DLL，可以找到較好的解，且無需手動干預，一鍵掛機即可得到全局最優解。而Excel自帶Solver基本上找不到最優解。
展開 Hydraulic Fracturing SImulator
唯一基于有限元的全三維水力壓裂模擬技術
Hydraulic Fracturing Simulator水力壓裂解決方案
Hydraulic Fracturing Simulator不僅可以對水力壓裂過程進行模擬，而且針對地質參數與工程參數的不確定性，基于現場測量數據對模型參數進行反演分析，從而保證輸入參數的有效性和輸出結果的準確性，確保模型可以用于產量預測與優化。
Hydraulic Fracturing Simulator解決方案集成了如下核心技術：
1）ANSYS：世界領先的三維有限元分析軟件，可真實模擬三維地質結構及其力學行為。
2）multiPLas：基于ANSYS開發的巖土非線性本構與算法庫，實現了復雜三維節理巖體的斷裂與擴展分析。
3）流固耦合分析：基于ANSYS開發的各向異性滲流分析與雙向流固耦合技術，考慮滲流與裂隙擴展的交互影響，真實模擬水力壓裂過程。
4）optiSLang：Dynardo開發的多參數、多目標優化分析軟件，基于MOP技術提供了當今最高效的參數敏感性與優化分析功能，可以基于實測數據對數百個不確定性輸入參數進行快速反演分析，并對壓裂設計與產量進行優化。
參數反演針對某階段壓裂施工的初始地應力條件、灌注流量、井底壓力、瞬時關井壓力、微震監測數據等工程測量數據進行，其目標是確定合理的輸入參數以保證仿真結果與實測數據一致。反演得到的有效預測模型可用于后續工程階段或者同氣藏其他氣井的產量預測與優化。
展開 文章來源：微信公眾號：仿真社
本文你將獲得如下干貨：
1.獲得基于Python腳本的有限元模型修正法(FEMU)進行參數優化的完整源代碼（通用代碼，可直接反演各種材料參數，尺寸參數，相應的數據接口預留好了）；
2.使用Python腳本反演了懸臂梁模型的載荷位置和集中力大小；
3.快速掌握材料參數反演流程；
4.獲得社長對該反演代碼的親自答疑。
1.導讀
工程上要確定材料的參數通常是通過力學實驗獲得。然而當實驗成本較高，實驗數據稀少的時候，反演方法來確定材料參數就是一個非常不錯的選擇。有限元模型修正法是最常用的反演方法，主要包含兩部分有限元計算和優化確定參數。有限元計算一般通過有限元軟件來完成，而優化確定材料常用MATLAB或者Python程序。因此不同軟件的協同工作是必須的一個過程。本文以懸臂梁的集中力和集中力位置作為優化變量編寫了Python腳本的代碼，然后通過最小二乘法獲得了反演參數，這是一個通用程序，可直接嫁接到其他模型上。
2.研究內容
通過A點的位移數據，反演確定集中力F以及集中力的位置L。
圖1 反演模型
3.代碼詳解
反演代碼主要包含四個部分computModel、extractDisplacement、removeFile和Objective。
展開 
參數反演的最新內容
首先利用LS-DYNA提取關鍵區域力學特征并借助時空分解進行系統解耦；隨后結合遺傳算法與目標級聯法進行參數反演，鎖定地板下部結構的最優剛度與阻尼；最后利用響應面模型完成下部結構（模塊化組件）優化設計，最終實現eVTOL地板加速度峰值的降低。該方法融合了LS-DYNA仿真與LPM快速迭代優勢，為航空器適墜性設計提供了高效的正向量化設計手段。
img.jishulink.com/msimage/202601/65cb2ff19723f3a5b368b6062e183e1d.png"></p><p>圖4 反演過程中數據平滑處理對 bond–slip 曲線結果的影響規律</p><p>圖4主要用于說明反演過程中數據平滑處理對 bond–slip 曲線結果的影響規律，其核心含義可以概括為以下幾點：</p><p>(1) <strong>展示不同平滑參數下反演
當需要對這些模型進行參數反演或優化時，Excel自帶的Solver（規劃求解）往往表現極差：<strong>容易陷入局部最優、不支持大規模非線性方程、速度慢且無法處理復雜約束</strong>。重寫模型到MATLAB或Python成本太高，怎么辦？
對科研而言，這種一致性最直接的收益就是迭代速度變快、復現更可靠：同一個工程文件夾里同時管理 Abaqus 輸入、DAMASK 的材料與控制文件、紋理與微結構配置、以及 Python 后處理腳本，不再需要為了跑一次材料點或者做一次參數擬合而準備另一套系統環境；對實驗對比而言，Windows 上更成熟的 EBSD/DIC/顯微分析工具鏈能與仿真輸出更緊密地銜接，紋理導入、局部應變場對比、參數反演與不確定性評估都更順暢
PINN通過融合物理定律與數據驅動，顯著減少訓練數據需求，提升泛化性能，并在參數反演、方程發現等逆問題中展現獨特優勢。此外，深度能量法（DEM）等變體進一步結合能量變分原理，為固體力學問題提供高效解決方案。3. 大模型賦能科學計算的新機遇以DeepSeek、ChatGPT為代表的大模型技術，正在顛覆傳統科學編程模式。通過自然語言交互生成PINN代碼，可加速復雜瞬態問題的求解流程。
[10] 劉大維.基于GA-BP的小應變硬化土本構模型的參數反演及在基坑工程中的應用研究[D].西安:長安大學,2023.
[11] 姜兆華.基坑開挖時鄰近既有隧道的力學響應規律研究[D].重慶:重慶大學,2014.
[12] 湯道飛,王長虹.小應變硬化土本構模型在FLAC3D中的開發及應用[J].上海大學學報(自然科學版),2023,29(3):549-561.
可視域基站和無人機選址優化
2 機器學習和深度學習方面
卷積神經網絡（CNN）、LSTM、支持向量機（SVM）、最小二乘支持向量機（LSSVM）、極限學習機（ELM）、核極限學習機（KELM）、BP、RBF、寬度學習、DBN、RF、RBF、DELM、XGBOOST、TCN實現風電預測、光伏預測、電池壽命預測、輻射源識別、交通流預測、負荷預測、股價預測、PM2.5濃度預測、電池健康狀態預測、水體光學參數反演
JC本構參數標定參數反演以及二次開發相關資料整理(uamtvumat).docx
注意圖中產生明顯變化的為極移地球物理的東向和北向分量，以及J2
該研究詳細闡明了地震在全球動力學參數長期變化物理成因分析中的重要性，且對于以后利用動力學參數的觀測值反演地幔的粘滯性，揭示圈層動力學過程，以及地球的長期物理演化都具有重要參考意義。該研究也進一步強調在今后的全球水循環估計、海平面變化、GIA效應等衛星觀測時，必須考慮地震效應的影響。
下表是系統參數初始值與反演值的對比，模型信號差異很大程度上得到縮減，參數反演分析使模型得到校準，仿真擬合曲線和參考曲線之間實現了出色的一致性。
模型校準和參數反演，將產品的特性被準確、清晰地仿真模擬，不再過保守設計，研發人員可以利用高置信度的虛擬樣機，進行高效的結構優化設計，大大降低產品的成本和增強品質競爭力。
