摘要：卷积神经网络已经成为强大的分割模型,但通常为手动设计,这需要大量时间并且可能导致庞大而复杂的网络.人们对自动设计能够准确分割特定领域图像的高效网络架构越来越感兴趣,然而大部分方法或者没有考虑构建更加灵活的网络架构,或者没有考虑多个目标优化模型.鉴于此,提出一种称为AdaMo-ECNAS的自适应多目标进化卷积神经架构搜索算法,用于特定领域的图像分割,在进化过程中考虑多个性能指标并通过优化模型的多目标适应特定的数据集.AdaMo-ECNAS可以构建灵活多变的预测分割模型,其网络架构和超参数通过基于多目标进化的算法找到,算法基于自适应PBI实现3个目标进化问题,即提升预测分割的F1-score、最大限度减少计算成本以及最大限度挖掘额外训练潜能.将AdaMo-ECNAS在两个真实数据集上进行评估,结果表明所提出方法与其他先进算法相比具有较高的竞争性,甚至是超越的.

摘要：加筋板的极限载荷是结构设计与校核中的一项重要指标,当前横向拉伸载荷作用下的研究还比较少见。为此,本文首先采用结合数字图像相关技术的拉伸试验及机器学习方法对激光焊接加筋板的极限载荷进行了系统研究,初步结果表明,机器学习方法虽然可高效预测与壳单元有限元模型吻合很好的结果,但预测结果较试验结果偏大。然后,为了探究其原因,通过考虑焊接变形、残余应力和材料性能弱化,结合试验结果并基于建立的极限载荷有限元精细分析模型,对激光焊接加筋板的失效机理进行了详细分析。研究结果表明,焊接变形和残余应力会弱化结构的承载性能,为了获得更加精确的预测结果,需在机器学习模型中考虑两者的影响。