有限元分析时划分网格的标准是什么？
1.导入模型的简化:关注的部分要细化，影响力学性能的圆角不要丢弃，而其他部分(如强度肯定满足要求、工作条件还不错的部分)可以粗略绘制，即删除所有带圆角的特征。
划分网格时原理是一样的，四面体网格最好用带中间节点的类型。最好用时间划分六面体网格。
3关于结果:我还没有t计算模式，没有经验。个人感觉如果结果收敛，应该是可信的；静力当然没问题，疲劳也不涉及。
如何更好地调试神经网络？
谢谢邀请我。以下是一些经验。深度学习在几个方面很棘手。数学和理论不仅能快速引出梯度公式和更新方程的毛团，而且深度学习模型非常复杂。TensorFlow开发TensorBoard后，神经网络的在线可视化和控制训练有了很大的进步，帮助开发者诊断无效的神经网络层。
从一小步开始，最先进的深度学习架构只会越做越大。作为一个试图实现这些架构的程序员，如果你确切地知道你在做什么，这不是一个问题。如果你的知识不完善，那么事情就会出错。无论是it'他试图模仿别人。;结果或超越已经做的事情。特别是在你刚开始一个新的深度学习项目的时候，我发现了两个特别有用的措施:用虚假数据来验证你的数据模型，在构建架构的时候一步一步来做。
伪造你的数据，得到你想要的结果。我的第一个建议主要出现在"正如我所说，从最简单的架构开始，并确定您的数据表示。对于问题的某些版本，实现一个小的全连接前馈网络(即使只是逻辑回归)。创建一个模拟数据流，其形状和尺寸与您通过网络推送的数据相同。尝试输入输出关系确定且容易学习的数据，和输入输出没有关系的数据，比较算法的性能:
这些示例如下所示。你觉得哪些关系比较容易学？
这种方法叫做单元测试。假数据可以检验你最终实现的算法的鲁棒性。
当我们构建一个九层的RNN时，引用是在Torch中实现的。我和我的同事最初开始在TheanoKeras复制这个架构，我们的努力被推迟了几天甚至几周。
以我自己为例，我终于意识到这是因为我同时更新了数据采集和分类器的代码。Theano是一回事，但是说到底，Keras有相当简单的模型规范习惯用法，所以理论上应该很难混淆。但当我到达第一个模型层时，我不自觉地引入了数据表示的微妙变化。无论好坏，当您输入的大小与层的预期大小不同时。有了矩阵，许多架构将变得非常混乱，导致以下有趣的错误消息:
因此，如果您的数据模型可能被损坏，请先回到单元测试并修复它。然后重新构建您正在实施的网络。不管怎样，数组的大小是多少...？
好好利用你的调试器。随着你的神经网络逐渐变成乱糟糟的代码，越来越多无聊的评论出现(#再试一次...)，也许像TDB、TensorBoard这样的工具，或者你自己定制的可视化系统，在实际的深度学习调试中会越来越有用:检查梯度，调整学习速率，解决"这个输出不是我想要或期望的。否则，训练模型的参数调整阶段是多么令人沮丧、痛苦和漫长。
当然，正确的选择是永远知道自己在做什么，永远不要犯错。这可能需要在纸上画出你的网络架构，并成为机器学习的大师，而不是参数调整工程师。。
我会把所有与科技相关的有趣文章都贴在这里。欢迎订阅我的头条号。偶尔回答有趣的问题。有问题可以随时在评论区回复讨论。
(码字不易，如果文章对你有帮助，可以喜欢~)