【技术实现步骤摘要】
一种基于在线机器学习的等几何拓扑优化方法
[0001]本专利技术属于结构优化设计相关
,更具体地,涉及一种基于在线机器学习的等几何拓扑优化方法。
技术介绍
[0002]等几何分析(Isogeometric analysis)以样条几何为基础,如用于表达几何模型的非均匀有理B样条(NURBS),并以其基函数作为形函数,利用其几何信息直接构建分析模型,实现了计算机辅助设计(CAD)和计算机辅助工程(CAE)的无缝结合。作为新的数值分析方法,等几何分析具有精确几何离散、高阶连续性、CAD与CAE一体化表达等优势,完美解决了有限元分析(Finite element analysis)的不足。同时,凭借其高精度与高效率,逐渐代替了有限元分析,不断与拓扑优化结合,形成了一系列等几何拓扑优化方法,成为学科研究和工程应用的重要的新方向。
[0003]目前,拓扑优化方法大致分为密度描述模型与边界描述模型两类,前者主要包括变密度法(SIMP)和渐进优化/双向渐进优化法(ESO/BESO),后者常见有水平集法(Level set)和移动可变形组件/空洞法(MMC/MMV)。其中,由于数学模型直观,实现简单且计算高效,变密度法的应用最为广泛。通过与等几何分析的结合,等几何变密度法的设计变量从单元密度转向支撑NURBS曲线的控制点密度,二者可通过NURBS基函数构建映射关系式,并经过不断的优化,得到满足设计要求的结构。
[0004]虽然等几何变密度法有着更精确的计算结果,但随着设计规模的增大和二维问题向三维问题的延伸,致 ...
【技术保护点】
【技术特征摘要】
1.一种基于在线机器学习的等几何拓扑优化方法,其特征在于,该方法包括下列步骤:S1设定初始训练次数r、机器学习模型更新频率f和总迭代次数R,构建待优化结构的优化模型,并对该模型的设计域进行等几何网格划分,获得等几何细单元和控制点,构建等几何细单元密度和单元刚度矩阵关系式;对所述设计域进行有限元网格划分获得有限元粗单元,确定粗单元与细单元的对应关系,构建有限元粗单元密度关系式;S2迭代次数w=1,计算所述粗单元的柔度,将所述细单元划分为若干个区域,每个区域大小与所述粗单元相同,获得每个子区域中的控制点密度和柔度,将任意子区域的控制点密度和区域柔度拼接形成密度矩阵ρ*;判断迭代次数是否满足下列条件:w≤r或w=r+k0f,k0是大于0的正整数,如果满足,则通过求解平衡方程以便计算得到每个所述子区域的灵敏度g,从而获得全局等几何细单元的灵敏度;否则,将任意子区域的密度矩阵ρ*输入机器学习预测模型中获得任意子区域对应的灵敏度g,以此获得全局等几何细单元的灵敏度;S3利用步骤S2中的全局等几何细单元的灵敏度更新所述控制点和细单元密度,判断迭代次数是否满足下列条件:w=r或w=r+k1f,k1是大于0的正整数,如果满足w=r,则将w≤r次数所获的密度矩阵ρ*作为输入,所述灵敏度矩阵g作为输出训练机器学习模型,以此获得机器学习预测模型;否则,提取当前迭代次数w=r+k1f对应的密度矩阵ρ*和灵敏度矩阵g,将二者分别作为更新所需的输入输出矩阵输入当前机器学习预测模型中,以此调整当前机器学习预测模型;S4判断当前迭代次数w是否达到总迭代次数R,如果否,则w=w+1,返回步骤S2;否则,结束。2.如权利要求1所述的一种基于在线机器学习的等几何拓扑优化方法,其特征在于,在步骤S1中,所述优化模型按照下列关系式进行:find:min:C=F
T
Usubject to:其中,D是该设计问题对应的区域,x是该设计域内任意一点,ρ(x)是该点对应密度,所述优化模型针对固定体积约束下的柔度最小化问题,C为目标函数,此外,F为外载荷向量,K为全局刚度矩阵,U为整体位移向量,V=V(ρ)为设计域内单元体积总和,V0为设计域的总体积,f为体积分数,该模型将设计域离散成总数为N个单元,e为单元下标,ρ
e
为下标对应的单元密度。3.如权利要求1或2所述的一种基于在线机器学习的等几何拓扑优化方法,其特征在于,在步骤S1中,所述等几何细单元刚度矩阵按照下列关系式进行:其中,ke是等几何单元刚度矩阵,B是单元的位移
‑
应变矩阵,由NURBS基函数对等几何
参数坐标计算得到;D是应力
‑
应变矩阵,与单元的杨氏模量E
e
及材料的泊松比μ有关;J1和J2分别为NURBS参数空间到物理空间和积分空间到NURBS参数空间的雅可比转换矩阵,Ω和分别为物理空间和积分空间。4.如权利要求1或2所述的一种基于在线机器学习的等几何拓扑优化方法,其特征在于,在步骤S1中,所述粗单元的密度按照下列步骤计算:S11将所述粗单元划分为预设数量的多个单元,每个单元中包含多个完整的细单元;S12确定...
【专利技术属性】
技术研发人员:夏兆辉,张昊博,刘健力,王启富,
申请(专利权)人:华中科技大学,
类型:发明
国别省市:
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。