基于MUA-GRU非稳态Transformer模型的复杂材料应力应变预测OA

混凝土与砂土材料在加载过程中展现出显著的非线性力学行为,其中应力应变的非平稳动态特性使得传统预测方法难以实现高精度的预测。为解决该问题,提出一种基于多头注意力机制增强的门控循环单元(MUA-GRU)与非稳态Transformer相结合的深度学习预测模型。该模型利用自注意力机制精准捕捉材料在弹性、塑性及破坏阶段的动态响应,结合KAN模块实现复杂特征高效映射。基于离散元法(DEM)的PFC2D软件生成4组应力应变数据,并与支持向量回归(SVR)、长短期记忆网络(LSTM)、Informer及CNN-BiLSTM-MA等方法对比验证,结果显示:该模型在长短序列预测中决定系数(R2)为0.987~0.996,平均绝对百分比误差(MAPE)最低为0.65%,平均绝对误差(MAE)相较次优模型降低20%~47%。研究表明,多尺度特征提取与非稳态注意力机制的协同设计显著提升了材料力学性能的预测精度,为复杂材料力学行为预测及相关工程应用提供了更可靠的技术支持。