编辑推荐：
现有光弹性神经网络方法仅能算主应力差，无法得主应力分量及方向。研究人员开发卷积神经网络（CNN），可同时直接确定全场第一主应力、第二主应力及主应力方向。经验证精度高，为光弹性应用提效，具重要意义。
在工程与科学领域，光弹性（Photoelasticity）作为一种关键的实验技术，常用于应力分析，其通过可视化、非接触的方式实现全场应力测量。传统方法如相移技术（PST）和 RGB 方法，需经过获取多幅图像、计算参数、消除不连续区域、应力分离等一系列繁琐流程，不仅效率低下，还易积累误差，难以实现瞬时应力测量。而现有基于神经网络的光弹性方法，也局限于计算主应力差（即第一主应力 σ?和第二主应力 σ?的差值），无法直接确定 σ?、σ?的绝对值及主应力方向（等倾参数 θ），但在实际问题中，直接求解主应力分量及明确主应力方向对评估材料失效、优化设计至关重要。为解决这些问题，国内研究人员开展了相关研究，旨在提升光弹性在应力分析中的效率与能力，该研究成果发表在《Engineering Applications of Artificial Intelligence》。
研究人员提出了一种基于自动编码器的卷积神经网络（CNN），该网络可直接且同时输出第一主应力、第二主应力和主应力方向（等倾参数）。为训练该网络，开发了一种数据集生成方法，构建了包含 41,000 个原始样本的高质量数据集，这些样本通过整合弹性解析解、有限元模拟软件和光弹性原理生成，且未进行数据增强。
研究中用到的主要关键技术方法包括：一是构建基于自动编码器的卷积神经网络架构，用于实现光弹性图像到全场应力分量及方向的直接映射；二是基于机械解析解和有限元模拟合成数据集，以获取涵盖复杂几何和应力分布的样本。
结果
- 数据集一致性验证：利用 20 组标准样本，验证了合成数据集与真实数据的一致性，为后续网络训练和验证奠定基础。
- 网络训练与整体性能：网络在训练后表现出高准确性和强泛化能力。
- 不同验证集性能评估：在基于解析解的 16,000 样本数据集、有限元模拟生成的 400 样本数据集和真实实验的 40 样本数据集这三个验证集上，对网络性能进行了详细评估与分析，结果均较为理想。在合成数据集上，结构相似性超过 0.98，均方误差低于 0.45，实验验证集也取得了令人满意的结果。
讨论
现有基于神经网络的光弹性方法受限于仅能确定主应力差，而本研究首次提出的 CNN 可直接确定第一主应力、第二主应力和等倾参数。所生成的基于机械解析解和有限元模拟的新型数据集，克服了以往研究中创建具有复杂几何和应力分布样本的困难。网络训练后，损失较低，表明其有效建立了光弹性图像与全场应力分量及方向的直接映射。
结论
本研究提出的适用于光弹性的卷积神经网络，首次实现了第一主应力、第二主应力和等倾参数的直接计算。构建的包含 41,000 个原始样本的高质量数据集，为网络训练提供了有力支撑。该网络显著提升了光弹性在应力分析中的效率，拓展了其潜在应用场景，为光弹性领域与深度学习的结合提供了新的思路和方法，所提出的数据集生成方法也可能为光弹性领域深度学习的发展提供有价值的见解。
