基于机器学习聚类分析的构件性能优化设计方法及系统技术方案

本发明专利技术提供了一种基于机器学习聚类分析的构件性能优化设计方法及系统，包括以下步骤：特征量获取步骤：对目标进行处理，获得目标的特征量；聚类分析步骤：针对特征量进行聚类分析，得到目标的多个聚类集群；优化步骤：选择材料性能模型对聚类集群进行优化，得到目标的材料部署结果。本发明专利技术可以快速高效实现“正确的材料部署于构件正确的位置”，提出了一种构件性能优化设计新方法，进一步拓展了材料结构的可设计性。的可设计性。的可设计性。

【技术实现步骤摘要】
基于机器学习聚类分析的构件性能优化设计方法及系统


[0001]本专利技术涉及材料结构性能优化设计的
，具体地，涉及一种基于机器学习聚类分析的构件性能优化设计方法及系统。

技术介绍

[0002]将正确的材料部署于正确的位置，是高性能构件优化设计的基本原则，也是最终目标。随着全球“碳达峰，碳中和”愿景的提出，各行各业都对结构轻量化、高性能提出了更高的要求，尤其是运载交通领域，如航空航天，车辆运载等产业。如何设计优化工程材料在高性能构件上的部署，快速、精确获得满足服役要求的高性能零件设计，甚至达到更优性能以胜任更严酷的服役环境是材料结构一体化设计制造实现的关键技术。拓扑优化在设计上是对结构几何形状进行减材的一种轻量化思路，但在很多情况下，结构几何尺寸有着较多约束条件，难以充分实现优化，甚至难以实现最终性能指标。事实上，同一构件上不同位置在服役过程中需要的材料性能并不相同，因此，构件的高性能设计还需要考虑如何在确定的几何形状下，充分利用不同材料微观组织及材料性能在构件上的部署，达到构件性能最优化，从而为制造工艺的设计和实施提供关键依据。
[0003]从理论上可以分析，当构件上每一处位置所部署的材料在该处服役时对整体性能贡献都最高，那么零件的整体性能就会达到最佳，从而提高构件性能或满足服役需求。众所周知，每一种材料在不同的制造工艺下都有其独特的微观结构，决定了其综合性能和用途。因此，如果可以根据构件服役要求，充分利用不同材料综合性能特点实现最优部署，就能够实现构件性能的最优化。目前纤维增强树脂材料以及扩散连接等工艺已经可以完成聚合物，金属，陶瓷等不同材料间的高质量接合，通过改变纤维角度或者局部压力温度也可以分别调控纤维增强树脂材料和金属陶瓷的微观结构，从而实现对宏观结构的细观材料组织的调控成型。在塑性成型领域，不同的热力加载会造成金属材料不同的微观结构和损伤特性，使成型后的金属材料具有不同的综合性能，通过热力条件的调控，也可实现不同金属组织结构的获取。当构件承受复杂载荷时，有可能的情况是各个位置上每一个材料点所需性能是不一样的，每一处都需要不同的材料性能和相应的微观结构，需要合理且高效的优化方法实现构件内不同性能区域的划分和材料性能匹配。
[0004]聚类分析是一种有效的无监督归类机器学习算法，根据一定标准，通过将相似的对象分到同一个簇中，可以合并同类项以简化分析，包括K
‑
均值，均值漂移，凝聚层次等聚类算法。而对于受相同载荷的一定几何结构，都存在着特征量，例如可以认为相近应变，位移分布趋势的区域所承受的载荷是类似的，将其集群为一个区域，该区域可以赋予相同的材料性能模型，对应制造成型中相同的纤维角度或是金属陶瓷组织。目前聚类分析机器学习算法已被广泛应用于通信管理行业，并逐步开始应用于力学计算以及优化设计领域。
[0005]公开号为CN113168891A的中国专利技术专利文献公开了一种用于材料系统的设计优化和/或性能预测的数据驱动的表示和聚类离散化方法及系统及其应用。所述方法包括：生成所述材料系统在多个尺度上的表示，其中，某一尺度上的所述表示包括在所述尺度上作
为所述材料系统的构建块的微观结构体积单元(MVE)；向MVE提供输入；收集根据预先定义的一组材料属性和边界条件由所述材料系统的材料模型计算出的所述MVE的响应场数据；将机器学习应用于所收集的数据，以生成聚类；计算每个聚类与每个其他聚类的相互作用张量；以及使用所生成的聚类和所计算的相互作用对控制偏微分方程进行求解，以得出可用于所述材料系统的多尺度模型中的迭代方案中的响应预测。将聚类分析应用于多尺度计算，有效降低了计算复杂性，提高了计算效率；
[0006]公开号为CN113239457A的中国专利技术专利文献公开了一种基于灰聚类算法模型的多工况车架拓扑优化方法，采用灰聚类算法模型将结构初步拓扑优化后伪密度单元集合A，依据单元与结构的关联性将集合A中的样本组进行聚类，根据具体实际工程情况确定聚类指标，进而将集合A划为删除的单元集合B和保留单元集合C；对样本中的难聚类单元按照距力传递路径的远近选取阈值进行过滤分类处理后进行灰聚类分析，进而将A划分为删除单元集合B或保留单元集合C，并以车架为实施载体本专利技术的具体步骤。基于灰聚类分析，对车架进行了拓扑优化，提高了其可制造性。
[0007]公开号为CN112711448A的中国专利技术专利文献公开了一种基于Agent技术的并行构件组装及性能优化方法，其步骤为：通过Agent管理系统生产了具有不同功能的Agent；构件连接Agent负责构件接口的粘合和数据重分布，构件执行Agent和资源管理Agent相互协作，把构件部署在满足要求的计算节点上；定义了4种不同的构件自适应策略，不同的构件自适应Agent、构件执行Agent和资源管理Agent相互合作，针对平台计算资源的不同情况，完成构件的自适应过程，提高了构件的性能。
[0008]针对上述中的相关技术，专利技术人认为上述方法在复合材料结构优化设计方面，目前还鲜有应用，材料利用率较低、造成资源浪费，产品性能较弱，但本领域确实需更高效，更合理的设计方式，以提高材料利用率，从根本上减少资源浪费，增强产品性能。

技术实现思路

[0009]针对现有技术中的缺陷，本专利技术的目的是提供一种基于机器学习聚类分析的构件性能优化设计方法及系统。
[0010]根据本专利技术提供的一种基于机器学习聚类分析的构件性能优化设计方法，包括以下步骤：
[0011]特征量获取步骤：对目标进行处理，获得目标的特征量；
[0012]聚类分析步骤：针对特征量进行聚类分析，得到目标的多个聚类集群；
[0013]优化步骤：选择材料性能模型对聚类集群进行优化，得到目标的材料部署结果。
[0014]优选的，该方法还包括验证步骤：根据材料部署结果，设计制造工艺，完成目标的性能实验验证。
[0015]优选的，在所述特征量获取步骤中，针对目标结构对目标进行仿真建模，对仿真建模后的目标划分单元，对仿真建模后的目标赋予均质体属性，对赋予均质体属性的目标施加实际载荷，计算获得目标的特征量。
[0016]优选的，在所述聚类分析步骤中，根据特征量分布梯度情况选定集群数量，针对特征量进行聚类分析，根据特征量数值、选定的集群数量以及聚类算法，将特征量划分为不同的特征量数值区间，将不同的特征量数值区间对应的单元划为不同的聚类集群。
[0017]优选的，在所述优化步骤中，根据实际工艺及材料情况，提供多种通过制造工艺能够实现的材料性能模型。
[0018]优选的，在所述优化步骤中，根据目标结构的设计要求指定优化标准，进行优化迭代计算，分别对各聚类集群变换材料性能模型，获得目标结构下满足指定优化标准的目标的材料部署结果。
[0019]优选的，该方法还包括重设步骤：若不满足指定优化标准，则返回聚类分析步骤，重新设定集群数量。
[0020]优选的，所述特征量表示均质结构在实际载荷下的特征响应，所述特征量包括但不限于应变、位移和温度。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习聚类分析的构件性能优化设计方法，其特征在于，包括以下步骤：特征量获取步骤：对目标进行处理，获得目标的特征量；聚类分析步骤：针对特征量进行聚类分析，得到目标的多个聚类集群；优化步骤：选择材料性能模型对聚类集群进行优化，得到目标的材料部署结果。2.根据权利要求1所述的基于机器学习聚类分析的构件性能优化设计方法，其特征在于，该方法还包括验证步骤：根据材料部署结果，设计制造工艺，完成目标的性能实验验证。3.根据权利要求1所述的基于机器学习聚类分析的构件性能优化设计方法，其特征在于，在所述特征量获取步骤中，针对目标结构对目标进行仿真建模，对仿真建模后的目标划分单元，对仿真建模后的目标赋予均质体属性，对赋予均质体属性的仿真建模后的目标施加实际载荷，计算获得目标的特征量。4.根据权利要求1所述的基于机器学习聚类分析的构件性能优化设计方法，其特征在于，在所述聚类分析步骤中，根据特征量分布梯度情况选定集群数量，针对特征量进行聚类分析，根据特征量数值、选定的集群数量以及聚类算法，将特征量划分为不同的特征量数值区间，将不同的特征量数值区间对应的单元划为不同的聚类集群。5.根据权利要求1所述的基于机器学习聚类分析的构件性能优化设计方法，其特征在于，在所述优化步骤中，根据实际工艺及材料情况，提供多...

【专利技术属性】
技术研发人员：何霁，江晟达，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：