深度学习主机的配置单,深度学习笔记本配置表

图2 基于深度学习的网/膜复合材料的逆向设计示意图

由于网格离散特性的存在，其具有极高的可编程性。实验证明，网/膜复合材料具有高几何依赖性。可通过设计网型的几何图案来控制和预测其强度等力学性能，甚至后续的裂纹扩展。目前的关键问题是如何设计网型来预测其力学性能和裂纹扩展类型。如图2所示，这里我们构建了大量深度学习模型，来探索其几何-性能之间的复杂关系，从而达到有选择性优化网/膜复合材料几何图案的逆向设计的目的。

图3 深度学习模型的超参数分析

图4 深度学习模型中训练集和测试集的预测性能

对该深度学习模型可进行进一步的编译配置和超参数分析，得到最优的深度学习模型。这一部分可通过算法优化、添加遗落层和归一化等多种方式共同进行。图3描述了不同GRU层数的叠加结果和GRU单胞中不同神经元数量的对比结果。基于上述配置和超参数分析，使用3个GRU层和500个神经元能得到最优的深度学习模型。如图4所示，训练集和测试集的深度学习模型其预测性能表现很好。