一种基于图像特征学习的曲线加筋结构布局智能设计方法，属于工程薄壁加筋结构优化设计领域。首先基于路径函数确定曲线加筋结构的设计变量，通过搭建自编码网络完成对图像结构特征的学习，进一步进行模型的迁移学习，并搭建卷积神经网络完成对带有力学响应标签的图像集进行学习，最后基于该模型实现演化类算法对曲线加筋结构布局的优化设计。本发明专利技术解决了传统优化方法难以处理设计变量众多且可变的优化设计问题，有望成为工程领域中涉及部件布局设计问题的最具潜力的技术手段之一。
【技术实现步骤摘要】
一种基于图像特征学习的曲线加筋结构布局智能设计方法
本专利技术属于工程薄壁加筋结构设计领域，尤其涉及一种基于图像特征学习的曲线加筋结构布局智能设计方法。
技术介绍
曲线加筋布局设计由于具有更大的结构设计空间，会使得加筋结构的刚度分布、加载路径更加灵活，提高结构的承载效率，因此成为运载火箭、飞机、船舶等工程领域的研究热点。然而相对于传统的直线加筋结构，曲线加筋结构的路径表征函数更加复杂，导致设计变量爆炸式增长，进而严重地制约了曲线加筋结构布局优化设计，尤其对于设计变量数目动态变化的曲线加筋结构，基于传统代理模型的结构优化设计方法更加难以开展。
技术实现思路
针对曲线加筋结构布局优化设计中出现的诸多难点，本专利技术提出一种基于图像特征学习的曲线加筋结构布局智能设计方法，通过搭建深度学习网络提取曲线路径布局图像的结构特征，进一步优化曲线加筋结构布局设计，解决了传统优化方法所面临的困难，并为相关领域提供一种有效可行的方法。为了达到上述目的，本专利技术采用的技术方案如下：一种基于图像特征学习的曲线加筋结构布局智能设计方法，包括以下步骤：步骤100：选取曲线加筋路径函数生成图像集，输入自编码网络进行无监督学习训练，完成曲筋图像结构特征的提取，包括以下子步骤：步骤101：选取路径函数B(t)，并确定加筋薄壁结构路径函数设计变量，如式(1.1)所示；B(t)＝(1-t)2Ps(xs,ys)+2t(1-t)Pm(xm,ym)+t2Pe(xe,ye),t∈[0,1](1.1)<br>其中，B(t)为路径函数，t为路径函数控制变量，Ps(xs，ys)为路径起点坐标，Pm(xm，ym)为路径内一点坐标，Pe(xe，ye)为路径终点坐标；步骤102：对曲线加筋结构路径函数进行限定，具体的：根据结构不同边界类型组合确定路径函数类型，并对曲线加筋结构路径函数的设计域空间进行约束；步骤103：生成曲线加筋结构布局的图像集，具体的：确定每张曲线加筋结构图像的大小m*n，生成无监督学习训练所用的训练图像集N0；步骤104：搭建对曲线加筋结构布局图像的解码网络模型E和编码网络模型D；步骤105：将图像解码网络模型E和编码网络模型D进行组合，形成自编码网络模型；步骤106：将曲线加筋布局图像集N0输入自编码网络模型；步骤107：完成自编码网络模型对曲线加筋图像集N0的训练过程；步骤108：提取自编码网络模型训练后的解码网络模型E；步骤200：建立曲线加筋结构力学响应的分析模型，形成用于有监督学习训练的数据集，进一步输入由步骤108解码网络模型和全连接层搭建的卷积神经网络模型，完成曲线加筋结构力学响应的学习，包括以下子步骤：步骤201：根据曲线路径函数B(t)建立曲线加筋结构模型；步骤202：设置结构位移载荷边界条件，进行结构力学响应分析；步骤203：生成用于学习模型训练及检验的训练集、测试集图像，具体的：确定每张曲线加筋结构图像的大小m*n，根据图像对应结构力学响应，生成用于有监督学习模型训练及检验的训练集N1、检验集N2；另外设置用于模型优劣的评价标准，如式(1.2)所示，选取均方根(％RMSE)作为模型的误差评估；其中，n为样本数量，yi为结构响应值，为模型预测值；步骤204；由步骤108的解码网络模型E和两个全连接层搭建卷积神经网络模型F；步骤205：将含力学响应标签的训练集N1输入卷积神经网络模型F中进行训练；步骤206：根据检验集N2对卷积神经网络模型F的准确性进行判定，完成卷积神经网络对曲线加筋结构力学响应的训练过程；步骤300：基于步骤206对曲线加筋结构力学响应预测的卷积神经网络模型F，利用演化类算法完成曲线加筋结构布局的优化设计，包括以下子步骤：步骤301：搭建演化类算法优化框架，优化迭代起始首先生成初始曲线加筋图像集Ng；步骤302：将图像集Ng输入由步骤206提取的卷积神经网络模型F中；步骤303：利用演化类算法在所建立的卷积神经网络模型F上寻优获得新样本点K；步骤304：由获得的样本点K建立曲线加筋结构模型，并通过力学响应分析进行标记；步骤305：将新样本点K补充到训练图像集Ng形成图像集Ng+k，进一步输入步骤206中的卷积神经网络模型F进行重新训练；步骤306：将重新训练的卷积神经网络模型代替步骤302中的卷积神经网络模型F，继续开展演化类算法的优化过程；步骤307：判断当前优化过程是否达到算法收敛条件，如果收敛，输出最优设计变量，否则，返回执行步骤301，其中所述的收敛条件为达到优化算法的最大迭代次数。进一步，所述的步骤101中，选取的路径函数需要约束函数曲率不能过大且函数中间路径不能超出平板设计区域，包括但不限于与样条函数。进一步，所述的步骤103中，所述图像集中结构图像像素大小不固定，可根据具体研究结构的复杂性自行调整。进一步，所述的步骤104和步骤105中，搭建自编码网络模型所用的网络结构及超参数均设置可根据具体的研究问题自行调整。进一步，所述的步骤202中，结构的力学响应包括静力、动力或结构屈曲等响应特征，所用到的分析方法可以是有限元分析法、边界元分析法、等几何分析法和无网格法等类似分析方法。进一步，所述的步骤203中，生成的训练集、测试集中的样本数量的设定可根据研究问题自行调整，采用的模型误差评估需要具有全局性，包括但不局限于％RSME。进一步，所述的步骤205中，卷积神经网络模型随着训练步数的增加误差会逐渐地收敛，训练步数的设置可根据整体优化问题复杂性及模型收敛速度的综合优化效率自行调整。进一步，所述的步骤301中的演化类算法包括：遗传算法，模拟退火算法，人工神经网络算法，粒子群算法以及蚁群算法等类似优化方法。进一步，所述的步骤301至步骤307过程，需要对固定数目筋条和可变数目筋条分别进行优化，在可变数目筋条结构开展优化布局设计过程中，由于步骤100和步骤200形成的卷积神经网络已对曲筋图像完成结构特征力学响应的学习过程，无需额外生成可变筋条的训练集，只需基于可变筋条的程序代码重新开展步骤301至步骤307的优化过程，即可实现筋条数目动态可变的曲线加筋布局优化设计。本专利技术的有益效果是：提出一种基于图像特征学习的曲线加筋结构布局智能设计方法，搭建了由曲线路径表征图像到结构力学响应预测的卷积神经网络模型，进一步将该模型应用在曲线加筋结构布局的优化设计中。相较于传统的代理模型优化方法，基于曲线加筋图像的深度学习网络模型具有更好的结构响应预测效果，且以此开展的曲线布局优化得到可行的最优解。本专利技术有望成为工程结构中涉及部件布局优化设计问题的最具潜力的方法之一。附图说明图1为本专利技术实施例提供的基于图像特征学习的曲线加筋布局智能设计方法的实现流程图；图2为图像特征学习网络的结构图；图2(a)为对图像进行编码及解码的自编码本文档来自技高网...
【技术保护点】
1.一种基于图像特征学习的曲线加筋结构布局智能设计方法，其特征在于，包括以下步骤：/n步骤100：选取曲线加筋路径函数生成图像集，输入自编码网络进行无监督学习训练，完成曲筋图像结构特征的提取，包括以下子步骤：/n步骤101：选取路径函数B(t)，并确定加筋薄壁结构路径函数设计变量，如式(1.1)所示；/nB(t)＝(1-t)
【技术特征摘要】
1.一种基于图像特征学习的曲线加筋结构布局智能设计方法，其特征在于，包括以下步骤：
步骤100：选取曲线加筋路径函数生成图像集，输入自编码网络进行无监督学习训练，完成曲筋图像结构特征的提取，包括以下子步骤：
步骤101：选取路径函数B(t)，并确定加筋薄壁结构路径函数设计变量，如式(1.1)所示；
B(t)＝(1-t)2Ps(xs,ys)+2t(1-t)Pm(xm,ym)+t2Pe(xe,ye),t∈[0,1](1.1)
其中，B(t)为路径函数，t为路径函数控制变量，Ps(xs，ys)为路径起点坐标，Pm(xm，ym)为路径内一点坐标，Pe(xe，ye)为路径终点坐标；
步骤102：根据结构不同边界类型组合确定路径函数类型，并对曲线加筋结构路径函数的设计域空间进行约束；
步骤103：确定每张曲线加筋结构图像的大小m*n，生成无监督学习训练所用的训练图像集N0；
步骤104：搭建对曲线加筋结构布局图像的解码网络模型E和编码网络模型D；
步骤105：将图像解码网络模型E和编码网络模型D进行组合，形成自编码网络模型；
步骤106：将曲线加筋布局图像集N0输入自编码网络模型；
步骤107：完成自编码网络模型对曲线加筋图像集N0的训练过程；
步骤108：提取自编码网络模型训练后的解码网络模型E；
步骤200：建立曲线加筋结构力学响应的分析模型，形成用于有监督学习训练的数据集，进一步输入由步骤108解码网络模型和全连接层搭建的卷积神经网络模型，完成曲线加筋结构力学响应的学习，包括以下子步骤：
步骤201：根据曲线路径函数B(t)建立曲线加筋结构模型；
步骤202：设置结构位移载荷边界条件，进行结构力学响应分析；
步骤203：确定每张曲线加筋结构图像的大小m*n，根据图像对应结构力学响应，生成用于有监督学习模型训练及检验的训练集N1、检验集N2；另外设置用于模型优劣的评价标准，如式(1.2)所示，选取均方根(％RMSE)作为模型的误差评估；
其中，n为样本数量，yi为结构响应值，为模型预测值；
步骤204；由步骤108的解码网络模型E和两个全连接层搭建卷积神经网络模型F；
步骤205：将含力学响应标签的训练集N1输入卷积神经网络模型F中进行训练；
步骤206：根据检验集N2对卷积神经网络模型F的准确性进行判定，完成卷积神...
【专利技术属性】
技术研发人员：郝鹏，张坤鹏，刘大川，王博，李刚，段于辉，石云峰，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。