全文速览
背景介绍
图文解析
图1：机器学习的基本步骤展示了机器学习模型从数据预处理到特征选择，再到模型训练和性能评估的整个流程。数据预处理包括数据质量评估、缺失值检查、数据清洗、缩放和转换。特征选择是将相关特征输入到ML算法中。ML模型通过训练理解训练数据的特征，并使用测试数据进行性能评估。
图2：典型的线性FEA流程图展示了有限元分析的基本步骤，包括刚度矩阵K、力向量F和主要变量（例如位移）U的计算。图中还展示了全局和元素量的区别。这个流程图说明了FEA的基本原理，即通过离散化几何域，使用插值函数近似主要变量，并通过解决得到的方程组来找到主要和次要变量。
图3：常用ML算法展示了一些常用的机器学习算法，包括支持向量机（SVM）、决策树、随机森林、K最近邻（KNN）、K均值聚类、逻辑回归、人工神经网络（ANN）、卷积神经网络（CNN）和循环神经网络（RNN）。这些算法在FEA中有着广泛的应用，例如SVM用于分类和回归问题，决策树用于分类，KNN用于分类和回归，ANN用于复杂的非线性问题。
图4：可能的变量x1分裂位置展示了在三个类别（Class-1、Class-2和Class-3）中，变量x1的可能分裂位置。这是决策树算法中的一个重要步骤，决策树通过选择最佳分裂点来构建树模型。
图5：决策树的选择过程展示了一个有三个类别的数据集是如何通过选择特征x1和x2的特定值来分裂的。这个过程最终导致数据集被分成三个类别。这是决策树算法中特征选择和值选择的一个例子。
图6：对应于图5的决策树展示了一个决策树，它对应于图5中的特征和值选择过程。决策树通过一系列的if-then规则来对数据进行分类。
图7：KNN的图形说明展示了K最近邻（KNN）算法的工作原理。KNN通过计算新数据点与现有类别之间的欧几里得距离来对新数据点进行分类。图中展示了一个新数据点的五个最近邻居，以及如何根据这些邻居的类别来确定新数据点的类别。
图8：K均值聚类算法的图形说明展示了K均值聚类算法的工作原理。K均值聚类通过将未标记的数据集分成k个预定义的簇来对数据进行分组。每个簇都有一个中心点，算法通过迭代过程最小化数据点与它们对应簇（由中心点表示）之间的距离。
图9：神经元模型展示了人工神经网络（ANN）中的神经元模型。神经元是ANN中的基本信息处理单元，它接收输入信号，通过加权求和，然后通过激活函数输出信号。
图10：具有四个输入和三个输出的ANN架构展示了一个具有四个输入和三个输出的ANN架构，其中包含三个隐藏层。这张图说明了ANN如何通过多个层次的神经元来处理输入数据并产生输出。
图11：卷积神经网络（CNN）展示了卷积神经网络（CNN）的基本结构，包括卷积层、池化层和全连接层。CNN通过这些层来处理网格模式数据，如时间序列数据和图像。
图12：循环神经网络（RNN）展示了循环神经网络（RNN）的结构，RNN能够处理序列数据或时间序列数据。RNN的输出依赖于序列中的先前元素。
图13：具有三个门的LSTM单元展示了长短期记忆（LSTM）单元的结构，LSTM是RNN的一种变体，它通过输入门、输出门和遗忘门来调节信息的流动，从而克服了RNN的长期依赖问题。
图14：生成对抗网络（GAN）的流程图展示了生成对抗网络（GAN）的基本结构，包括生成器和判别器两个神经网络。生成器学习生成合成数据样本，而判别器学习区分真实和生成的样本。这两个网络同时训练，生成器试图生成能够欺骗判别器的样本，而判别器则试图正确分类真实和生成的样本。
总结展望
往期精彩回顾
弹性力学的研究内容及发展概况 |
谈弹塑性力学的物性方程：理论与实验终于协调了 |
| 理论力学、材料力学与结构力学的关系 |
| 一名优秀的工程师首先是力学家 |
| 直观的力学性能-动图讲解 |
| 浅谈有限元方法的核心思想：数值近似和离散化 |
有限元四面体网格与六面体网格的争议 |
| 关于疲劳问题的有限元分析清单 |
| 如何看“力学” |
疲劳失效和SN曲线 |
