一种基于PSO-BP神经网络的梁单元结构优化方法技术

本发明专利技术公开了一种PSO

【技术实现步骤摘要】
一种基于PSO
‑
BP神经网络的梁单元结构优化方法


[0001]本专利技术涉及工业软件设计的
，尤其设计一种基于PSO
‑
BP神经网络的梁单元结构优化方法。

技术介绍

[0002]随着现代科学技术的不断发展，工业软件及优化设计方法都在不断增加，其中优化设计是以数学的优化理论为基础，通过计算机工业软件及二次开发编程来达到优化的目的。
[0003]现有技术将ABAQUS与BP神经网络进行联合优化仿真。首先对梁单元结构进行初始结构设计，并将设计参数组合的一部分作为PSO的初始化粒子，对 BP神经网络的初始权值和阈值进行优化。通过ABAQUS软件宏录制功能对梁单元结构进行参数化建模。在Jupyter中进行python二次开发编程，快速批量的修改所需优化参数的*.inp文件，经批量提交CAE求解器之后提取所需要的仿真数据。在确定BP神经网络各层结构之后就可将数据导入神经网络进行训练并进行预测。且使用PSO
‑
BP优化时所需的时间短且效率高。

技术实现思路

[0004]本专利技术的目的在于，提供一种基于PSO
‑
BP的梁单元结构优化方法以解决优化效率低、重复性较高的问题。
[0005]为实现上述目的，本专利技术提供一种基于PSO
‑
BP神经网络的梁单元结构优化方法。
[0006]根据梁单元结构初始结构参数确定PSO初始粒子群。采用PSO算法优化BP 神经网络初始权值和阈值。根据所得初始最优权值和阈值，构建PSO
‑
BP神经网络的预测模型。对所需优化的梁单元结构进行参数化建模，并以TXT文本格式输入设计参数后建立相对应的梁单元结构有限元模型。
[0007]根据ABAQUS宏录制功能所得的文件进行二次开发，并结合相应的GUI界面实现批量生成ABAQUS所需*.inp文件及数据提取的功能。在确定BP神经网络各层参数后将所得数据输入BP神经网络进行训练以提高BP预测模型的准确率。同时在SW中进行二次开发，实现梁单元结构的三视图及工程图的快速生成功能。
[0008]本专利技术还提供一种计算机终端设备，包括一个或多个处理器和存储器。存储器与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一实施例所述的基于PSO
‑
BP的梁单元结构优化方法。
[0009]本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一实施例所述的基于PSO
‑
BP 的梁单元结构优化方法。
附图说明
[0010]为了更清楚地说明本专利技术的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0011]图1为本专利技术某一实施例提供的基于PSO
‑
BP的梁单元结构优化方法的流程示意图；
[0012]图2为本专利技术另一实施例提供的PSO算法流程示意图
[0013]图3为本专利技术某一实施例提供PSO
‑
BP神经网络优化梁单元结构流程示意图具体
[0014]实施方式
[0015]下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0016]应当理解，文中所使用的步骤编号仅是为了方便描述，不作为对步骤执行先后顺序的限定。
[0017]应当理解，在本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0018]术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0019]术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0020]请参阅图1，本专利技术提供一种基于PSO
‑
BP神经网络的梁单元结构优化方法，包括：
[0021]S101、先确定初始结构参数，并将参数组合的一部分提取出来作为PSO 算法的初始化粒子，达到优化最优BP初始权值和阈值的目的。
[0022]请参阅图2、基于PSO
‑
BP神经网络和ABAQUS的联合优化方法。首先对梁单元结构进行参数化设计，并使用anaconda的jupyter编程功能进行编程，以实现前处理文件的批量生成和后处理有限元分析数据的批量提取。同时通过*.bat 文件格式可达到批量提交前处理文件的目的。通过参数化设计可快速对梁单元结构进行建模以及生成前处理文件并提交CAE求解器进行分析，能快速实现操作，节约重复操作的时间，提高效率。
[0023]S102、梁单元结构参数化建模以及ABAQUS二次开发，前处理批量生成及提取仿真数据。二次开发可快速实现*.inp文件的批量生成，并在文件中修改梁单元的结构参数以及前处理参数的修改，在经历二次开发后可节约大量浪费在重复操作上的时间。对后处理过程进行二次开发，特别是对于提取数据这一部分， ABAQUS求解器求解后会生成比较多的数据，我们所需要的只是其中一部分数据，获取最多的一般是最大连接处的应力、应变、整体位移以及塑性变形等数据，具体的，能获取所需的数据并将数据作为BP神经网络的训练集进行训练，同时还能得到仿真的云图，更加直观的查看仿真分析的结果。
[0024]ABAQUS的宏录制功能可将进行的每一步操作以代码的形式进行记录，通过一次完整的有限元分析过程可得到完整的代码，对代码进行参数的修改及部分删减即可得到所需
的二次开发的代码。
[0025]在确定梁单元结构的初始结构参数后再SW中进行三维建模，通过SW自带的方程式功能可将参数之间进行关联，再模型建立之后通过修改参数可快速实现模型的更新，在节约时间的同时还可得到更新后的梁单元结构的三视图以及工程图。
[0026]S103、将提取数据作为bp神经网络训练数据进行训练并获取训练后的参数
[0027]首先根据设计参数来确定神经网络的输入层、隐藏层以及输出层的数目，同时在网络中隐藏层神经元与输入层神经元的关系为:n2＝2
×
n1+1。
[0028]同时使用经PSO优化过后的权值及阈值，在BP神经网络之中进行训练可大幅加快神经网络的收敛速度。还可直接进行训练查看未经优化的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PSO
‑
BP的梁单元结构优化方法，其特征在于，包括：根据预设的参数进行组合，并将其中部分给PSO进行优化。获取最优初始权值和阈值；根据BP神经网络对梁单元结构进行参数化设计，并基于ABAQUS进行二次开发，以批量生成CAE求解文件和提取仿真数据；根据所述最优权值和阈值，将提取的数据进行处理后作为BP神经网络的训练数据，并获取优化后的设计参数；将所述训练后的参数输入SolidWorks中进行参数更新，并获取更新后的三视图及工程图。2.根据权利要求1所述的基于PSO
‑
BP神经网络的梁单元结构优化方法。其特征在于，根据预设的参数进行组合，并将其中部分参数组合给PSO进行优化。获取最优权值和阈值。包括：根据所述PSO算法，将设计参数组合的一部分作为PSO算法的初始化粒子，在经过PSO算法运行过后可生成BP神经网络的初始最优权值和阈值。3.根据所述权利要求2中的基于PSO
‑
BP神经网络的梁单元结构优化方法，所述的根据设计参数后对ABAQUS进行二次开发，包括：在ABAQUS宏功能中对操作步骤生成相应代码进行记录。并在Jupyter中对代码进行修改实现批量生成*.inp文件以及通过bat文件批量提交给求解器求解。4.根据所述权利要求3所述的基于PSO

【专利技术属性】
技术研发人员：高阳，刘孝保，孙海彬，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：