基于神经网络的柔性体材料建模

发布时间：2023-06-03 16:34

　　基于物理的仿真方法是计算机图形学研究中的一大热点,其中涉及了各种不同类型的物体,例如:刚体、柔性体、流体等等。如何得到具有物理真实感的柔性体形变是计算机动画、电影制作、医疗诊断以及工业制造中的关键问题,这一技术在业界有着诸多运用。一个柔性体的材料模型描述了形变与所产生内力之间的关系,这一关系可能具有高度非线性的特征。因此,本文采用神经网络作为基本弹性材料模型的补充,从而表达出复杂且多样的真实或艺术效果。本文提出了一个从物体稀疏运动轨迹中学习柔性体材料模型的框架,最终基于该模型模拟得到更多该柔性体的具有物理真实感的动画。为了解决轨迹稀疏,即获取的表面点不完整的问题,我们用稀疏降维时空优化算法来生成完整的轨迹运动数据,并生成校正的补偿力,之后再用径向基函数来学习形变到补偿力的映射关系。在学习到由径向基函数表达的材料模型后,为了提升模型的使用速度,还需要将其转化为神经网络。对于上述算法,本文给出了大量的实验进行说明和验证。

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及其意义
    1.2 国内外研究综述
        1.2.1 基于物理的仿真方法
        1.2.2 本构模型
        1.2.3 材料建模
        1.2.4 材料模型的参数化表达
        1.2.5 材料粗化
        1.2.6 本文主要架构
第二章 算法概述
    2.1 柔性体建模方案设计
    2.2 算法总览
第三章 柔性体材料建模方法
    3.1 基本材料模型
    3.2 参数化材料补偿模型
第四章 材料学习算法
    4.1 正向仿真方法
    4.2 预启动
    4.3 时空优化
        4.3.1 时空优化算法的公式化描述
        4.3.2 模型降阶方法
        4.3.3 稀疏降维时空优化
        4.3.4 在带噪音的真实数据上做时空优化
    4.4 模型的参数化表达
    4.5 神经网络的构造
第五章 结果与分析
    5.1 时空优化算法
    5.2 非线性本构材料建模
    5.3 经典超弹性材料建模的实验验证
    5.4 用户自定义的弹性和阻尼模型
    5.5 真实材料的学习
    5.6 材料粗化
    5.7 径向基函数和神经网络模型的对比
    5.8 性能对比
    5.9 附录:所有实验用例模型的详细参数一览
第六章 总结与展望
参考文献
致谢
硕士期间发表的论文
硕士期间参加的科研工作
硕士期间获得的奖励
学位论文评阅及答辩情况表



本文编号：3829657