Это мой первый раз, когда я работаю с нейронными сетями, и мне было поручено предсказать некоторые значения набора данных, и я мог бы использовать некоторую помощь при принятии решения о том, какая архитектура является самой умной для этой задачи. Я работаю с Keras, используя Tensorflow в качестве бэкэнда.
Я не буду вдаваться в подробности, но в основном я выполнил множество симуляций CFD для схожих, но слегка отличающихся геометрий, чтобы получить значение напряжения на поверхности геометрий. Все геометрии имеют одинаковую удельную связь и число узлов, и у меня есть значение напряжения для каждого из этих узлов.
Проще говоря, у меня есть входная матрица [2500,3300], где 2500 - количество узлов в каждой геометрии, 3 - координаты x, y, z в пространстве каждого узла сетки, а 300 - сумма. количество геометрий у меня есть. Для напряжения у меня есть выходная матрица [2500,300], где 2500 - это значение напряжения для каждого узла, а 300 снова соответствует числу экземпляров. Я хотел бы обучить какую-то нейронную сеть, чтобы я мог предсказать значения напряжения, заданные геометрией.
Я строил свою архитектуру на следующей статье, но я не могу не использовать ту часть, в которой используются сверточные сети. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5805990/
Самый простой подход, который я могу придумать, - это полностью подключенная сеть, но я изо всех сил пытаюсь выяснить архитектуру слоя, чтобы связать трехмерную матрицу геометрии с двумерной матрицей выходных напряжений с моим скудным знанием предмета.
Любое предложение более чем приветствуется. Спасибо за вашу помощь !!!