基于深度学习的大跨度网壳结构形态创建方法技术

本发明专利技术公开了一种基于深度学习的大跨度网壳结构形态创建方法，该方法基于深度学习网络模型，发掘输入层大跨度网壳结构控制点几何特征变量和输出层结构应变能之间的最优映射关系，通过对预测值和大跨度网壳结构应变能实际值之间产生的误差进行反向传播来训练模型，实现大跨度网壳结构应变能最小的目标，最后使用ANSYS有限元软件对创建的大跨度网壳结构力学性能分析，并对薄弱区加强，实现力学性能优化。本发明专利技术通过数据训练实现自我学习，提高大跨度网壳结构形态优化效率和精度。跨度网壳结构形态优化效率和精度。跨度网壳结构形态优化效率和精度。

【技术实现步骤摘要】
基于深度学习的大跨度网壳结构形态创建方法


[0001]本专利技术涉及一种基于深度学习的大跨度网壳结构形态创建方法。

技术介绍

[0002]随着人们对建筑美学的不断追求、结构设计技术不断提高、计算机性能的日益完善，近年来越来越多的大跨度网壳结构被应用于实际工程中。在进行大跨度网壳结构设计时，不仅要追求建筑形式多样化，同时也要实现力学性能的合理性。因为大跨度网壳结构不再局限于传统规则形状，开始向“自由曲面”方向发展，而“自由曲面”是一种无法用解析公式描述的曲面结构，所以大跨度网壳结构形态设计有很大的挑战。
[0003]目前已有国内外学者对大跨度网壳结构形态创建与力学性能优化进行了研究，但因影响大跨度网壳结构形态的变量较多，数据处理繁琐庞大，使大跨度网壳结构形态创建效率较低，且存在计算结果精度无法保证的问题，而深度学习对复杂的非线性数据具有很强的分析和拟合能力，能提高大跨度网壳结构形态优化效率和精度，实现大跨度网壳结构形态多样性和结构受力合理性有机结合。深度学习可预测大跨度网壳结构应变能、承载力和稳定性，无需建立模型，可由数据直接计算，减少工本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的大跨度网壳结构形态创建方法，其特征在于，具体方法步骤如下：步骤1，选择控制点几何特征变量，并根据工程设计规范确定控制点几何特征变量的范围；步骤2，搭建适用于大跨度网壳结构形态创建的深度前馈神经网络模型；步骤3，收集现有工程设计中大跨度网壳结构模型的控制点几何特征变量以及相应的大跨度网壳结构应变能，以控制点几何特征变量为深度学习网络模型的输入，大跨度网壳结构应变能为标签，建立数据集；步骤4，利用步骤3中的数据集训练步骤2中的深度前馈神经网络模型，得到控制点几何特征变量预测模型；步骤5，利用步骤4中的控制点几何特征变量预测模型预测得到的控制点几何特征变量，采用NURBS技术进行大跨度网壳结构的几何建模，得到应变能最小的大跨度网壳结构。2.如权利要求1所述的一种基于深度学习的大跨度网壳结构形态创建方法，其特征在于，该方法还包括利用ANSYS有限元软件对所创建的大跨度网壳结构进行力学性能分析，并对薄弱区加强，使其受力合理。3.如权利要求1所述的一种基于深度学习的大跨度网壳结构形态创建方法，其特征在于，根据经验以及工程设计规范选择控制点几何特征变量。4.如权利要求1所述的一种基于深度学习的大跨度网壳结构形态创建方法，其特征在于，所述步骤2具体为：(2
‑
1)设计单个神经元，神经元的活性值x1,x2...x
d
为神经元的输入，d为控制点几何特征变量个数，w1,w2...w
d
为x1,x2...x
d
对应的权重，b是偏置，激活函数f(
·
)选用ReLU函数；(2
‑
2)基于(2
‑
1)中的神经元，设计深度前馈神经网络模型，包括输入层、隐藏层和输出层；所述深度前馈神经网络模型通过以下公式进行信息传播：A
(k)
＝f
k
(W
(k)
·
A
(k
‑
1)
+B
(k)
)其中，k＝1,2
…
,L，L表示深度前馈神经网络模型的层数；Z
(k)
表示第k层神经元的净输入，即净活性值；W
(k)
表示第k
‑
1层到第k层的权重矩阵；A
(k
‑
1)
表示第k
‑
1层神经元的输出，即活性值；B
(k)
表示第k
‑
1层到第k层的偏置；A
(k)
表示第k层神经元的输出，即活性值；f
k
(
·
)表示第k层神...

【专利技术属性】
技术研发人员：伞冰冰，王倩，毋凯冬，
申请(专利权)人：河海大学，
类型：发明
国别省市：