单步预测评估在ABAQUS-Umat中的复合材料渐进失效分析及附子程序

简介：
本研究探讨了利用ABAQUS-Umat进行复合材料渐进失效分析的方法，并开发了一种改进的单步预测评估算法，增强了模型对复杂力学行为的模拟能力。 5.2 单步预测的评估 本节将对单步预测进行评价，即利用历史数据来预测时间t处的车流量情况。表5列出了TaxiBJ与BikeNYC所有方法下的RMSE值。在这一对比中，ST-ResNet明显优于其他所有的比较模型。 特别地，在TaxiBJ数据集上，结果表明：配备12个残差单元的ST-ResNet相较于ARIMA提升了26%，较SARIMA提高了37%，比VAR高出26%，比ST-ANN多出14%，超越DeepST 7%。在与基于RNN的方法对比时，其性能分别优于RNN从28%到64%不等；对于LSTM模型，则是领先了18.1%-45.7%之间；而对于GRU模型则是高出17.4%-46.1%，表现出色。 ST-ResNet-noExt为ST-ResNet的一个简化版，未考虑外部因素（如天气数据）。这一版本的性能略低于完整版的ST-ResNet，这表明了外部信息的有效性。DeepST采用时空CNNs，在所有比较模型中表现最佳。虽然ST-ANN和VAR都利用了时空信息及不同流之间的关系，但它们的表现却不如DeepST优秀，原因在于这些方法主要依赖于近期的时间数据。 对于时间序列模型而言，GRU与LSTM的RMSE值相近，并且总体上优于RNN，因为这两种模型都能够捕捉到长时间内的时序相关性。然而，在GRU-336、LSTM-336以及RNN-336这些基于RNN的方法中，它们的表现最差，这说明了基于RNN的模型在捕获长期依赖关系（如周期性和趋势）方面存在不足。 为了更直观地展示各模型之间的差异性，我们在图10(a)中进行了排序。