【零基础学智能仿真-16】循环神经网络与LSTM/GRU——学习力学响应的历史记忆

课程摘要本节承接一维卷积，学习RNN、LSTM、GRU和双向循环网络处理力学时序数据的方法。课程从“当前载荷相同，结构响应为什么仍然不同”出发，讲解隐藏状态、时间展开、反向传播、梯度消失及门控记忆机制，并用纯NumPy训练一个循环神经网络，预测具有历史效应的位移响应。学习者将掌握时序数据组织、整序列划分、训练评估与因果性判断，为蠕变、动力响应、疲劳及裂纹扩展预测奠定基础。一、承接第十五节：为什么还要学习RNN？第十五节学习了一维卷积。它使用固定宽度的局部窗口提取时序特征：\[ y_t = \sum_{k=0}^{K-1}w_kx_{t+k}+c \]如果卷积核长度为5，它主要观察相邻的5个时刻。增加卷积层数可以扩大感受野，但对于明显依赖长期历史的力学问题，我们还需要一种能够沿时间传递状态的模型。例如：黏弹性材料的当前应变与过去载荷有关；塑性材料的当前响应与加载路径有关；疲劳损伤与历史循环次数和载荷幅值有关；裂纹扩展速度与先前裂纹长度和载荷历史有关；动力响应与前一时刻的位移和速度有关。这类问题通常不能写成：\[ y_t=f(x_t) \]更合理的表达为：\[ y_t = f(x_t,x_{t-1