CN112464541B - 一种考虑多尺度不确定性的混合复合材料铺层方法 - Google Patents
一种考虑多尺度不确定性的混合复合材料铺层方法 Download PDFInfo
- Publication number
- CN112464541B CN112464541B CN202011504349.0A CN202011504349A CN112464541B CN 112464541 B CN112464541 B CN 112464541B CN 202011504349 A CN202011504349 A CN 202011504349A CN 112464541 B CN112464541 B CN 112464541B
- Authority
- CN
- China
- Prior art keywords
- layer
- alternative
- parameters
- materials
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000002131 composite material Substances 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000000463 material Substances 0.000 claims abstract description 196
- 238000009826 distribution Methods 0.000 claims abstract description 79
- 238000003062 neural network model Methods 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000002068 genetic effect Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 16
- 238000013139 quantization Methods 0.000 claims description 7
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000000644 propagated effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 5
- 239000000835 fiber Substances 0.000 description 3
- 239000003733 fiber-reinforced composite Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/26—Composites
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种考虑多尺度不确定性的混合复合材料铺层方法。包括选择备选材料集合,并获得备选材料集合的微观属性,通过多尺度分析模型获得备选材料集合的宏观属性的分布类型;利用宏观属性及其分布类型确定备选材料集合的宏观有限元模型;构建备选材料集合的微观属性与混合复合材料参数的神经网络模型,对训练后的神经网络模型计算均方误差MSE,根据均方误差MSE来判断训练后的神经网络模型的准确性,使用遗传算法对备选材料集合的选择和层堆叠序列的选择进行优化处理。本发明的方法使用了多种优化算法,大大减小了设计人员与计算机的负担,大大提高计算速度,也提高了优化的准确性,同时也更加符合工程实际应用。
Description
技术领域
本发明属于纤维增强复合材料堆垛顺序与材料分布优化的方法领域,具体涉及一类混合复合材料的多尺度不确定性铺层优化方法。
背景技术
纤维增强复合材料具有在各种载荷下高强度重量比、高刚性重量比和低成本的优点,并且在汽车、船舶、民用、航空航天、建筑的应用中呈指数增长。与由单纤维和单基体组成的传统复合材料相比,混合复合材料是通过将两种或两种以上的纤维组合成一个基体来制造的。混合复合材料的性能是单个成分的加权总和,一种纤维的优点可以弥补混合复合材料中其他类型的成分所缺乏的特性。同时,针对复合材料的多尺度分析,国内外已经有一定的研究成果,能够实现微观尺度分析输出结果的稳定可靠。并且,在实际的工程运用中,多尺度分析更加符合复合材料的现实应用,分析结果与实际使用情况更加匹配。
通过对混合复合材料进行适当的多尺度不确定性工程优化设计来优化指定的性能参数,将能够更好的扩大混合复合材料的实际应用范围,扩展混合复合材料的应用前景。
发明内容
本发明的目的在于解决混合复合材料设计过程较为复杂繁琐的问题,提供一种从堆垛顺序与材料分布出发的简易多尺度不确定性混合复合材料铺层布置方法。
本发明的技术方案如下:
1)选择多种不同的复合材料作为混合复合材料的备选材料集合其中,/>表示第一种备选材料,/>表示第二种备选材料,/>表示第三种备选材料,/>表示第n种备选材料,n表示备选材料的总和,并对备选材料集合/>的微观属性进行不确定性量化,不确定量化后得到备选材料集合/>的微观属性的分布类型,其中,备选材料集合/>的微观属性包括微观弹性属性和微观强度属性;
2)基于步骤1)获得的备选材料集合的微观属性的分布类型,通过备选材料集合/>的多尺度分析模型,将备选材料集合/>的微观属性不确定性传播到宏观层面,获得备选材料集合的宏观弹性属性与宏观强度属性的分布类型;
3)获得备选材料集合的宏观弹性属性与宏观强度属性的分布类型后,利用宏观弹性属性和宏观强度属性及其分布类型确定备选材料集合的宏观有限元模型,对备选材料集合/>和备选材料集合/>的宏观有限元模型的层堆叠序列(θ1,θ2,θ3、、、θx)进行拉丁超立方采样后,再通过层合板方法对备选材料集合/>的宏观有限元模型进行分析,分析之后获得备选材料集合/>的性能参数/>失效参数FI和总体成本参数C;其中,θ1表示混合复合材料中的第一层材料的堆叠角度;θ2表示混合复合材料中的第二层材料的堆叠角度;θ3表示混合复合材料中的第三层材料的堆叠角度;θx表示混合复合材料中的第x层材料的堆叠角度,x表示层堆叠序列的总和;
4)构建备选材料集合的微观属性与混合复合材料参数的神经网络模型,构建的神经网络模型包括一个输入层、一个中间层和一个输出层,其中,输入层输入所需的备选材料集合/>所需的备选材料集合/>中各个备选材料的微观弹性属性、微观强度属性以及层堆叠序列(θ1,θ2,θ3、、、θx),/>表示第一种备选材料,/>表示所需的第二种备选材料,/>表示所需的第三种备选材料,/>表示所需的第m种备选材料,m表示所需的备选材料的总和;输出层输出性能参数/>失效参数FI和总体成本参数C;
5)对训练后的神经网络模型计算均方误差MSE;
6)根据均方误差MSE来判断训练后的神经网络模型的准确性;
若获得的均方误差MSE小于预设的均方误差阈值,则表明构建的神经网络模型精确,进行步骤7);
若获得的均方误差MSE大于等于均方误差阈值,则构建的神经网络模型不精确,进而基于性能预测方差对神经网络模型进行参数学习,然后回到步骤5);
7)使用遗传算法(GA)对备选材料集合的选择和层堆叠序列(θ1,θ2,θ3、、、θx)的选择进行优化处理,获得混合复合材料铺层中各层材料选择和各层堆叠角度。
所述步骤1)中,对所述的备选材料集合的微观属性进行不确定性量化,具体是:
首先,将备选材料集合的微观弹性属性和微观强度属性中的各个属性参数视为不同的稀疏变量y,在稀疏变量y采样分布的不同的分布类型θk和不同的分布参数ε下处理统计获得以下公式表示的稀疏变量y的概率密度函数fy(y|ε,θk):
其中,L(ε,θk)为稀疏变量y在分布类型θk和分布参数ε下的似然估计值,∫L(ε,θk)dε为稀疏变量y的似然估计值对分布参数ε的积分,θk表示第k个分布类型;
根据稀疏变量y在不同的分布类型θk和不同的分布参数ε下的所有似然估计值统计获得稀疏变量y的最大似然估计值Lmax(ε,θk),然后采用最小信息准则法计算不同的分布类型θk的信息熵AICk:
AICk=2numk-2ln(Lmax(ε,θk))
式中,numk表示分布参数ε的数量,Lmax(ε,θk)表示稀疏变量y在分布类型θk和分布参数ε下的最大似然估计值,AICk表示第k个分布类型的信息熵,k表示分布类型的序数;
接着,采用以下公式获得不同分布类型的概率值Pθ_k:
Pθ_k=exp((AICmin-AICk)/2)
式中,AICmin表示最小的信息熵;
最后,将概率值Pθ_k大于分布类型概率阈值PΔ的分布类型θk作为稀疏变量y的分布类型,即为该稀疏变量y对应的备选材料集合的微观属性的分布类型。
所述步骤7)中,使用遗传算法(GA)对备选材料集合的选择和层堆叠序列(θ1,θ2,θ3、、、θx)的选择进行优化处理,具体是:优化变量为层堆叠序列(θ1,θ2,θ3、、、θx)和备选材料集合/>
利用精确的神经网络模型输出获得的性能参数并构建性能参数/>的稳健优化函数f1:
θ=(θ1,θ2,θ3、、、θx)
其中,mean表示取均值,std表示取标准差,p为权重系数,表示备选材料选择的最终方案集合,θ表示层堆叠序列的最终方案;θ1表示混合复合材料中的第一层材料的堆叠角度;θ2表示混合复合材料中的第二层材料的堆叠角度;θ3表示混合复合材料中的第三层材料的堆叠角度;θx表示混合复合材料中的第x层材料的堆叠角度,x表示层堆叠序列的总和;表示最终方案集合中的第一种材料,/>表示最终方案集合中的第二种材料,/>表示最终方案集合中的第三种材料,/>表示最终方案集合中的第j种材料,j表示最终方案集合中的材料的总和;
用罚函数法,并建立以下惩罚目标函数
其中,λ表示惩罚参数,α表示小正公差系数,g表示失效参数FI和总体成本参数C的不等式约束,h表示混合复合材料的受力平衡约束;
同时设定失效参数FI和总体成本参数C的约束条件;以惩罚目标函数最大化为目标进行求解获得备选材料选择的最终方案集合/>和层堆叠序列的最终方案θ的两个参数结果;
所述步骤6)中,基于性能预测方差对神经网络模型参数学习的方法,具体步骤是:
6.1)从步骤4)输入的神经网络模型中所需的备选材料集合中各个备选材料的微观弹性属性、微观强度属性以及层堆叠序列(θ1,θ2,θ3、、、θx)以及所需的备选材料集合中各自随机选择后组建一个输入数据集合作为样本点;样本点通过神经网络模型处理预测获得每个样本点的性能参数/>失效参数FI和总体成本参数C;
6.2)重复步骤6.1)进行多次处理获得多个样本点及其对应的性能参数失效参数FI和总体成本参数C;
6.3)采用公式计算得到每个样本点的特征值γi:
γi=ωilog(u(i))
u(i)=rand(0,1)
其中,ωi为计算第i个样本点得到的性能参数值,γi表示第i个样本点的特征值,rand(0,1)表示产生一个0到1之间的随机数,u(i)表示第i个样本点对应的随机数;
6.4)选择最大特征值的样本点,利用样本点的输入数据集合重新训练神经网络模型,以更新神经网络模型的参数;
6.5)回到步骤5)。
本发明的有益效果如下:
1)本发明从微观尺度开始对混合复合材料进行堆垛顺序和材料分布的优化,与从宏观尺度开始优化混合复合材料相比较,分析更加准确,同时也更加符合工程实际应用。
2)单一复合材料本身因为其独特的组成成分,使其在设计与制作方面显得极其复杂,进而,在计算机设计优化方面就十分考验计算机的性能,但是,混合复合材料相较于单一复合材料而言就显得更加复杂,所以这里使用了多种优化算法,大大减小了设计人员与计算机的负担,同时也增加了优化的准确性。
3)相较于传统的遗传算法(GA)而言,这里提出了新的惩罚目标函数,其目的在于减少不符合约束条件的优化变量,这将进一步的减少计算机的计算负担,大大提高计算速度,提高优化的准确性。
总之,本发明的方法使用了多种优化算法,大大减小了设计人员与计算机的负担,大大提高计算速度,也提高了优化的准确性,同时也更加符合工程实际应用。
附图说明
图1为本发明中实施例的混合复合材料模型示意图;
图2为本发明中实施例的堆叠顺序和材料补丁优化的迭代过程;
图3为本发明中混合复合材料有限元分析流程;
图4为本发明中混合复合材料优化流程。
具体实施方式
以下结合附图和实施例对本发明作进一步的描述,但本发明的保护范围并不仅限于此,本发明的方法具体包括以下步骤,如图3和图4所示:
1.确定好需要分析的混合复合材料的基本信息:边界条件为四边简支的九层混合复合材料,长L=0.508m,宽W=0.406m,每层的厚度为ΔT=0.125mm。最大的总体成本参数C=9.5USD,失效概率的最小值为其中,可靠性参数Pf与失效参数FI的关系为:Pf=P[1-FI≤0],P为混合复合材料受到的分布力。选择三种备选材料:材料Ⅰ、材料Ⅱ、材料Ⅲ,后续计算中将用“1”代表材料Ⅰ,“2”代表材料Ⅱ,“3”代表材料Ⅲ;层堆叠序列从角度[-45,45,0,90]中选择并重新组合。性能参数/>定为固有频率Ff。建立混合复合材料模型示例如图1所示。
2.对备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的微观属性进行不确定性量化:具体是:
首先,将备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的微观弹性属性和微观强度属性中的各个属性参数视为不同的稀疏变量y,在稀疏变量y采样分布的不同的分布类型θk和不同的分布参数ε下处理统计获得以下公式表示的稀疏变量y的概率密度函数fy(y|ε,θk):
其中,L(ε,θk)为稀疏变量y在分布类型θk和分布参数ε下的似然估计值,∫L(ε,θk)dε为稀疏变量y的似然估计值对分布参数ε的积分,θk表示第k个分布类型;
根据稀疏变量y在不同的分布类型θk和不同的分布参数ε下的所有似然估计值统计获得稀疏变量y的最大似然估计值Lmax(ε,θk),然后采用最小信息准则法计算不同的分布类型θk的信息熵AICk:
AICk=2numk-2ln(Lmax(ε,θk))
式中,numk表示分布参数ε的数量,Lmax(ε,θk)表示稀疏变量y在分布类型θk和分布参数ε下的最大似然估计值,AICk表示第k个分布类型的信息熵,k表示分布类型的序数;
接着,采用以下公式获得不同分布类型的概率值Pθ_k:
PA_k=exp((AICmin-AICk)/2)
式中,AICmin表示最小的信息熵;
最后,将概率值Pθ_k大于分布类型概率阈值PΔ的分布类型θk作为稀疏变量y的分布类型,即为该稀疏变量y对应的备选材料集合的微观属性的分布类型。
不确定性量化后获得备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的微观属性的分布类型,其中,备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的微观属性量有微观弹性属性和微观强度属性。
3.基于步骤2获得的备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的微观属性的分布类型,通过备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的多尺度分析模型,将备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的微观属性不确定性传播到宏观层面,获得备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的宏观弹性属性与宏观强度属性的分布类型;
4.获得备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的宏观弹性属性与宏观强度属性的分布类型后,利用宏观弹性属性和宏观强度属性及其分布类型确定备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的宏观有限元模型,对备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)和备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的宏观有限元模型的层堆叠序列(θ1,θ2,θ3、、、Ax)进行拉丁超立方采样后,再通过层合板方法对备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的宏观有限元模型进行分析,分析之后获得备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的固有频率Ff、失效参数FI和总体成本参数C;
5.构建备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的微观属性与混合复合材料参数的神经网络模型,构建的神经网络模型包括一个输入层、一个中间层和一个输出层,其中,输入层输入备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ),备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)中各个备选材料的微观弹性属性、微观强度属性和层堆叠序列(θ1,θ2,θ3、、、θx);输出层输出固有频率Ff、失效参数FI和总体成本参数C;
6.对训练后的神经网络模型计算均方误差MSE;
7.根据均方误差MSE来判断训练后的神经网络模型的准确性;
若获得的均方误差MSE小于预设的均方误差阈值,则表明构建的神经网络模型精确,进行步骤8);
若获得的均方误差MSE大于等于均方误差阈值,则构建的神经网络模型不精确,进而基于性能预测方差对神经网络模型进行参数学习,然后回到步骤6);具体步骤是:
7.1)从步骤5)输入的神经网络模型中备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)中各个备选材料的微观弹性属性、微观强度属性和层堆叠序列(θ1,θ2,θ3、、、θx)以及所需的备选材料集合中各自随机选择后组建一个输入数据集合作为样本点;样本点通过神经网络模型处理预测获得每个样本点的性能参数失效参数FI和总体成本参数C;
7.2)重复步骤7.1)进行多次处理获得多个样本点及其对应的固有频率Ff、失效参数FI和总体成本参数C;
7.3)采用公式计算得到每个样本点的特征值γi:
γi=ωilog(u(i))
u(i)=rand(0,1)
其中,ωi为计算第i个样本点得到的性能参数值,γi表示第i个样本点的特征值,rand(0,1)表示产生一个0到1之间的随机数,u(i)表示第i个样本点对应的随机数;
7.4)选择最大特征值的样本点,利用样本点的输入数据集合重新训练神经网络模型,以更新神经网络模型的参数;
7.5)回到步骤6)。
8.使用遗传算法(GA)对备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的选择和层堆叠序列(θ1,θ2,A3、、、Ax)的选择进行优化处理,获得混合复合材料铺层中各层材料选择和各层堆叠角度。具体是:优化变量为层堆叠序列(θ1,θ2,θ3、、、θx)和备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ);
利用精确的神经网络模型输出获得的性能参数并构固有频率Ff的稳健优化函数f1:
θ=(θ1,θ2,θ3、、、θx)
其中,mean表示取均值,std表示取标准差,p为权重系数,表示备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)选择的最终方案集合,θ表示层堆叠序列的最终方案;θ1表示混合复合材料中的第一层材料的堆叠角度;θ2表示混合复合材料中的第二层材料的堆叠角度;θ3表示混合复合材料中的第三层材料的堆叠角度;θx表示混合复合材料中的第x层材料的堆叠角度,x表示层堆叠序列的总和;为了减少选择不合适约束条件的层堆叠序列(θ1,θ2,θ3、、、θx)与备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)用罚函数法,同时建立以下惩罚目标函数/>
其中,λ表示惩罚参数,α表示小正公差系数,g表示失效参数FI和总体成本参数C的不等式约束,h表示混合复合材料的受力平衡约束;具体实施中惩罚参数λ设置为-100,小正公差系数α设置为10-4,进而缩减了计算机进行优化所需要的时间;
同时设定失效参数FI和总体成本参数C的约束条件;以惩罚目标函数最大化为目标进行求解获得备选材料选择的最终方案集合/>和层堆叠序列的最终方案A的两个参数结果。
通过步骤8中的自适应遗传算法,不断的对层堆叠序列(θ1,θ2,θ3、、、θx)与备选复合材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)进行迭代,得到此示例中最优层堆叠序列[-45/-45/45/-45/90/-45/45/-45/-45]与备选复合材料分布[1;1;2;1;1],相对应的固有频率值为36.58Hz,如图2所示。
本说明书所述的内容仅仅是对发明构思实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也仅仅于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (3)
1.一种考虑多尺度不确定性的混合复合材料铺层方法,其特征在于:具体包括以下步骤:
1)选择多种不同的复合材料作为混合复合材料的备选材料集合其中,/>表示第一种备选材料,/>表示第二种备选材料,/>表示第三种备选材料,/>表示第n种备选材料,n表示备选材料的总和,并对备选材料集合/>的微观属性进行不确定性量化,不确定量化后得到备选材料集合/>的微观属性的分布类型,其中,备选材料集合/>的微观属性包括微观弹性属性和微观强度属性;
2)基于步骤1)获得的备选材料集合的微观属性的分布类型,通过备选材料集合/>的多尺度分析模型,将备选材料集合/>的微观属性不确定性传播到宏观层面,获得备选材料集合/>的宏观弹性属性与宏观强度属性的分布类型;
3)获得备选材料集合的宏观弹性属性与宏观强度属性的分布类型后,利用宏观弹性属性和宏观强度属性及其分布类型确定备选材料集合的宏观有限元模型,对备选材料集合/>和备选材料集合/>的宏观有限元模型的层堆叠序列(θ1,θ2,θ3、、、θx)进行拉丁超立方采样后,再通过层合板方法对备选材料集合/>的宏观有限元模型进行分析,分析之后获得备选材料集合/>的性能参数/>失效参数FI和总体成本参数C;其中,θ1表示混合复合材料中的第一层材料的堆叠角度;θ2表示混合复合材料中的第二层材料的堆叠角度;θ3表示混合复合材料中的第三层材料的堆叠角度;θx表示混合复合材料中的第x层材料的堆叠角度,x表示层堆叠序列的总和;
4)构建备选材料集合的微观属性与混合复合材料参数的神经网络模型,构建的神经网络模型包括一个输入层、一个中间层和一个输出层,其中,输入层输入所需的备选材料集合/>所需的备选材料集合中各个备选材料的微观弹性属性、微观强度属性以及层堆叠序列(θ1,θ2,θ3、、、θx),/>表示第一种备选材料,/>表示所需的第二种备选材料,/>表示所需的第三种备选材料,/>表示所需的第m种备选材料,m表示所需的备选材料的总和;输出层输出性能参数/>失效参数FI和总体成本参数C;
5)对训练后的神经网络模型计算均方误差MSE;
6)根据均方误差MSE来判断训练后的神经网络模型的准确性;
若获得的均方误差MSE小于预设的均方误差阈值,则表明构建的神经网络模型精确,进行步骤7);
若获得的均方误差MSE大于等于均方误差阈值,则构建的神经网络模型不精确,进而基于性能预测方差对神经网络模型进行参数学习,然后回到步骤5);
7)使用遗传算法GA对备选材料集合的选择和层堆叠序列(θ1,θ2,θ3、、、θx)的选择进行优化处理,获得混合复合材料铺层中各层材料选择和各层堆叠角度,最后按照混合复合材料铺层中各层材料选择和各层堆叠角度进行混合复合材料铺层;
所述步骤7)中,使用遗传算法GA对备选材料集合的选择和层堆叠序列(θ1,θ2,θ3、、、θx)的选择进行优化处理,具体是:优化变量为层堆叠序列(θ1,θ2,θ3、、、θx)和备选材料集合/>
利用精确的神经网络模型输出获得的性能参数并构建性能参数/>的稳健优化函数f1:
θ=(θ1,θ2,θ3、、、θx)
其中,mean表示取均值,std表示取标准差,p为权重系数,表示备选材料选择的最终方案集合,θ表示层堆叠序列的最终方案;θ1表示混合复合材料中的第一层材料的堆叠角度;θ2表示混合复合材料中的第二层材料的堆叠角度;θ3表示混合复合材料中的第三层材料的堆叠角度;θx表示混合复合材料中的第x层材料的堆叠角度,x表示层堆叠序列的总和;表示最终方案集合中的第一种材料,/>表示最终方案集合中的第二种材料,/>表示最终方案集合中的第三种材料,/>表示最终方案集合中的第j种材料,j表示最终方案集合中的材料的总和;
用罚函数法,并建立以下惩罚目标函数
其中,λ表示惩罚参数,α表示小正公差系数,g表示失效参数FI和总体成本参数C的不等式约束,h表示混合复合材料的受力平衡约束;
以惩罚目标函数最大化为目标进行求解获得备选材料选择的最终方案集合/>和层堆叠序列的最终方案θ的两个参数结果。
2.根据权利要求1所述的一种考虑多尺度不确定性的混合复合材料铺层方法,其特征在于:
所述步骤1)中,对所述的备选材料集合的微观属性进行不确定性量化,具体是:
首先,将备选材料集合的微观弹性属性和微观强度属性中的各个属性参数视为不同的稀疏变量y,在稀疏变量y采样分布的不同的分布类型θk和不同的分布参数ε下处理统计获得以下公式表示的稀疏变量y的概率密度函数fy(y|ε,θk):
其中,L(ε,θk)为稀疏变量y在分布类型θk和分布参数ε下的似然估计值,∫L(ε,θk)dε为稀疏变量y的似然估计值对分布参数ε的积分,θk表示第k个分布类型;
根据稀疏变量y在不同的分布类型θk和不同的分布参数ε下的所有似然估计值统计获得稀疏变量y的最大似然估计值Lmax(ε,θk),然后采用最小信息准则法计算不同的分布类型θk的信息熵AICk:
AICk=2numk-2ln(Lmax(ε,θk))
式中,numk表示分布参数ε的数量,Lmax(ε,θk)表示稀疏变量y在分布类型θ和分布参数ε下的最大似然估计值,AICk表示第k个分布类型的信息熵,k表示分布类型的序数;
接着,采用以下公式获得不同分布类型的概率值Pθ_k:
Pθ_k=exp((AICmin-AICk)/2)
式中,AICmin表示最小的信息熵;
最后,将概率值Pθ_k大于分布类型概率阈值PΔ的分布类型θk作为稀疏变量y的分布类型,即为该稀疏变量y对应的备选材料集合的微观属性的分布类型。
3.根据权利要求1所述的一种考虑多尺度不确定性的混合复合材料铺层方法,其特征在于:
所述步骤6)中,基于性能预测方差对神经网络模型参数学习的方法,具体步骤是:
6.1)从步骤4)输入的神经网络模型中所需的备选材料集合中各个备选材料的微观弹性属性、微观强度属性以及层堆叠序列(θ1,θ2,θ3、、、θx)以及所需的备选材料集合中各自随机选择后组建一个输入数据集合作为样本点;样本点通过神经网络模型处理预测获得每个样本点的性能参数/>失效参数FI和总体成本参数C;
6.2)重复步骤6.1)进行多次处理获得多个样本点及其对应的性能参数失效参数FI和总体成本参数C;
6.3)采用公式计算得到每个样本点的特征值γi:
γi=ωilog(u(i))
u(i)=rand(0,1)
其中,ωi为计算第i个样本点得到的性能参数值,γi表示第i个样本点的特征值,rand(0,1)表示产生一个0到1之间的随机数,u(i)表示第i个样本点对应的随机数;
6.4)选择最大特征值的样本点,利用样本点的输入数据集合重新训练神经网络模型,以更新神经网络模型的参数;
6.5)回到步骤5)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011504349.0A CN112464541B (zh) | 2020-12-18 | 2020-12-18 | 一种考虑多尺度不确定性的混合复合材料铺层方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011504349.0A CN112464541B (zh) | 2020-12-18 | 2020-12-18 | 一种考虑多尺度不确定性的混合复合材料铺层方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112464541A CN112464541A (zh) | 2021-03-09 |
CN112464541B true CN112464541B (zh) | 2024-05-24 |
Family
ID=74804791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011504349.0A Active CN112464541B (zh) | 2020-12-18 | 2020-12-18 | 一种考虑多尺度不确定性的混合复合材料铺层方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464541B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114239157A (zh) * | 2021-11-17 | 2022-03-25 | 合肥通用机械研究院有限公司 | 一种基于机器学习的复合材料储氢容器铺层角度设计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991212A (zh) * | 2017-03-07 | 2017-07-28 | 西安交通大学 | 一种基于ga_pso优化grnn网络算法的叶根强度安全特性预测方法 |
CN110083900A (zh) * | 2019-04-17 | 2019-08-02 | 大连理工大学 | 一种面向混杂纤维复合材料板壳结构的快速协同优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106033555A (zh) * | 2015-03-13 | 2016-10-19 | 中国科学院声学研究所 | 基于满足k度稀疏约束的深度学习模型的大数据处理方法 |
-
2020
- 2020-12-18 CN CN202011504349.0A patent/CN112464541B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991212A (zh) * | 2017-03-07 | 2017-07-28 | 西安交通大学 | 一种基于ga_pso优化grnn网络算法的叶根强度安全特性预测方法 |
CN110083900A (zh) * | 2019-04-17 | 2019-08-02 | 大连理工大学 | 一种面向混杂纤维复合材料板壳结构的快速协同优化方法 |
Non-Patent Citations (1)
Title |
---|
试验设计法与BP-GA算法在复合材料结构优化中的应用;李洪波;徐元铭;黄英兰;;飞机设计;20070615(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112464541A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A comparative review between Genetic Algorithm use in composite optimisation and the state-of-the-art in evolutionary computation | |
CN109918708B (zh) | 一种基于异质集成学习的材料性能预测模型构建方法 | |
CN107886161A (zh) | 一种提高复杂信息***效能的全局敏感性分析方法 | |
CN110544011B (zh) | 一种智能化的体系作战效能评估和优化方法 | |
CN103077288B (zh) | 面向小样本试验数据的多元合金材料的软测量及其配方决策方法 | |
CN106056127A (zh) | 一种带模型更新的gpr在线软测量方法 | |
CN110083900B (zh) | 一种面向混杂纤维复合材料板壳结构的快速协同优化方法 | |
CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
CN113887694A (zh) | 一种注意力机制下基于特征表征的点击率预估模型 | |
CN113103535A (zh) | 一种基于ga-elm-ga的注塑件模具参数优化方法 | |
CN111461286A (zh) | 基于进化神经网络的Spark参数自动优化***和方法 | |
CN103488887B (zh) | 一种基于混合专家网络的产品可靠性评估方法 | |
CN112464541B (zh) | 一种考虑多尺度不确定性的混合复合材料铺层方法 | |
CN114706840A (zh) | 面向负载感知的多模数据库ArangoDB参数调优的方法 | |
CN111598313A (zh) | 一种风功率预测方法 | |
Wang et al. | Data-driven inverse method with uncertainties for path parameters of variable stiffness composite laminates | |
CN112905436B (zh) | 一种面向复杂软件的质量评估预测方法 | |
CN114564787A (zh) | 用于目标相关翼型设计的贝叶斯优化方法、装置及存储介质 | |
CN116244484B (zh) | 一种面向不平衡数据的联邦跨模态检索方法及*** | |
CN114186771B (zh) | 一种混合正则化随机配置网络工业过程运行指标估计方法 | |
CN115600492A (zh) | 一种激光切割工艺设计方法及*** | |
Liu et al. | Warpage optimization of the GFRP injection molding process parameters | |
Yang et al. | Power demand forecast based on optimized neural networks by improved genetic algorithm | |
CN113191007A (zh) | 一种多样化超材料逆向拓扑优化设计方法和*** | |
Bai et al. | Manufacturing quality prediction based on two-step feature learning approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |