一种金属塑料复合材料结构的优化方法技术

本发明专利技术公开了一种金属塑料复合材料结构的优化方法，先确定影响复合材料性能的主要结构参数；通过有限元分析得出若干组相关结构参数值及与之对应的复合材料性能的影响值；再用上步以得出的数据对自适应神经模糊推理系统进行训练并建立各相关结构参数输入与复合材料性能输出之间的全局映射关系，获得复合材料性能的自适应神经模糊推理系统模型；最后以复合材料性能作为目标利用遗传算法对相关结构参数值进行复制、交叉和变异操作，最终得出与复合材料最优性能对应的各个结构参数值。本发明专利技术用有限元的方法得到结构参数及其对复合材料性能的影响值并借助自适应神经模糊推理遗传算法进行优化，既保证了精度，又提高了效率。

【技术实现步骤摘要】

本专利技术涉及最优结构参数得出的方法，具体是一种基于自适应神经模糊推理遗传算法 的金属塑料复合材料结构的优化方法。
技术介绍
金属复合材料是多功能复合材料的一种，它是一类以金属或合金为基体，以金属或非 金属线、丝、纤维、晶须或颗粒状组分为增强相的非均质混合物，其共同点是具有连续的 金属基体。其中，金属塑料复合材料从宏观上可以分为增强层与金属基体层，两者之间有 一中间过渡层，主要是在金属基体表面生成增强体薄层以改善金属表面的化学性能与物理 性能，通过中间层将金属与塑料连接起来，其中金属的表面也要进行一定造型处理，以增 强结合效果。金属表面进行什么形式的造型、造型尺寸大小、中间层连接层厚度以及塑料 层厚度等问题是决定复合材料性能的关键因素， 一直以来生产上都是根据经验来确定，难 以满足对复合材料性能要求较高的场合。对于金属塑料复合材料结构的优化，由于涉及到 的主要因素有若干项，用人工实验的方法来研究优化方案的缺陷是工作量太大且不准确。随着计算机技术的普及和计算速度的不断提高，有限元分析在工程设计和分析中得到 了越来越广泛的重视，已经成为解决复杂的工程分析计算问题的有效途径，其在机械制造、 材料加工和科学研究等各个领域的已广泛使用。神经网络具有很强的自适应、自组织、自学习的能力以及大规模并行运算的能力。但在实际应用中，神经网络也暴露了一些自身的固有缺陷即权值的初始化是随机的，其局 部极小、收敛时间过长以及鲁棒性差。遗传算法提供了一种求解复杂系统优化问题的通用框架，不依赖于问题的具体领域， 对问题的种类有很强的鲁棒性，所以广泛应用于很多学科。遗传算法的主要应用领域有 函数优化、组合优化、生产调度问题、自动控制、机器人学、图像处理、人工生命、遗传 编程、机器学习和数据挖掘。
技术实现思路
本专利技术的目的是为了克服现有技术中材料复合方面结构参数值确定的不准确性及低 效率性等缺陷，提供了一种效率高、准确性高、计算速度快和抗干扰能力强的基于有限元 分析与自适应祌经模糊推理遗传算法的金属塑料复合材料结构的优化方法。 本专利技术采用的技术方案是包括以下步骤 (1)确定影响复合材料性能的主要结构参数；(2) 通过有限元分析得出若干组相关结构参数值及与之对应的复合材料性能的影响值；(3) 用步骤(2)得出的数据对自适应神经模糊推理系统进行训练并建立各相关结构 参数输入与复合材料性能输出之间的全局映射关系，获得复合材料性能的自适应神经模糊 推理系统模型；(4) 以复合材料最佳性能作为目标利用遗传算法对相关结构参数值进行复制、交叉 和变异操作，得出与复合材料最优性能对应的各个结构参数值。本专利技术用有限元的方法得到结构参数及其对复合材料性能的影响值并借助自适应神 经模糊推理遗传算法进行优化，既保证了精度，又提高了效率。因此本专利技术的这种优化方 法对优化各种材料的结构及普通机构的结构具有非常重要的借鉴意义。 附图说明下面结合附图和具体实施方式对本专利技术作进一步详细说明。 图1是取某一组参数值所得的金属塑料复合材料金属基体的三维图。 图2是取同一组参数值所得的金属塑料复合材料整体的三维图 图3是各个部分进行网格划分的复合材料一个方向的视图。 图4是各个部分进行网格划分的复合材料另一个方向的视图。 图5是复合材料仿真得到的金属基体受力及损伤示意图。 图6是复合材料仿真得到的塑料层的脱层损伤示意图。 图7是与模糊神经系统等价的神经网络结构。 图8是耦合自适应神经模糊推理系统模型的遗传寻优图。 具体实施例方式如图1 8所示，本专利技术按如下步骤实施一、 确定影响复合材料性能的主要结构参数此金属塑料复合材料由金属基体与塑料 层两大部分组成，金属基为45钢，其上排布有凸出的小圆柱；塑料层分为两层，与金属 板接触的是起粘结作用的中间层，中间层上面是工作层，中间层材料是聚苯硫醚，工作层 是由三种配比一定的物质构成。用复合材料在横向低速冲击作用下损伤和变形行为的情况 来衡量材料整体性能，则影响复合材料性能的结构参数包括金属板上小圆柱的直径及高 度、中间层厚度、工作层厚度。二、 通过有限元分析得出若干组相关结构参数值及与其对应的复合材料性能的影响 值。其步骤是1、 用正交试验的方法取若干组结构参数值；2、 取其中一组结构参数，按照结构参数值在三维绘图软件里绘制金属塑料复合材料 的金属基体实体图，如图1所示；然后绘制金属塑料复合材料的整体实体图，如图2所示， 并以适合各式保存；3、 将实体图形导入有限元分析软件中；4、 依次定义材料属性，使三层物质相结合，定义分析步，定义边界条件与载荷，划 分网格，提交分析作业，进行后处理，最后得出复合材料性能影响值。其中划分网格后的 情况如图3、图4所示；经过后处理之后，得到复合材料金属基体受力及损伤图，如图5 所示，还得到了复合材料塑料层的脱层损伤图，如图6所示，图中l为塑料层脱层处。5、按照上述方法，取第二组数据，依次进行上面的步骤2到4操作。以此类推得出若 干组结构参数值及其对复合材料性能的影响值。三、用上步以得出的数据对自适应模糊神经系统进行训练并建立各相关结构参数输入 与复合材料性能输出之间的全局映射关系，获得复合材料性能的自适应神经模糊推理系统 模型。有/s个输入单输出的T2S型模糊推理系统可叙述为 y i : If X is Ai Then y产 .T .X, i = 1 ,2 '…，n (1) 式中，Ri表示模糊推理系统规则库中的第i条规则；J= (Xl, x2,， xm ) t ￡Rffl为 系统的输入；Ai= (Au，A2i， ■ ， Ami )为语义变量向量；yi为局部输出；7 = (1 ， x1 , '■， xm ) T e Rm + 1为增广输入；^ = 〔 ， ，…，,)T eif"为结论参 数向量；"为模糊推理规则集个数。对于系统输入Jo ,有y = y (為)=|]K(X0)《i。 (2)式中，K(Xhr，为对应第i条规则的激发强度或匹配度， 7为相应于"AND"的f-模算子，取乘积运算；为第k个输入分量的第i个语言变量隶属函数。上述方法中，各前提参数(前提结构及前提参数)的确定具有很大的主观性，且 缺乏自适应能力。为此，用图7所示的前向神经网络结构来等价该模糊系统，这样就可以用神经算法改进。对一组输入输出模式(样本)(Xi , Yi ) , i = 1 , ， p ,采取误差回逆算法或综合采用误差回逆算法与最小二乘法,寻求最佳参数集Kpt满足，力+枢z广i:)]2式中为加权系数，JKJT,)为对应输入《的输出。以小圆柱的直径、高、中间层厚度、工作层厚度(XhX2,…,Xi)为输入，以复合材料的性能为输出(Yi),对自适应模糊神经系统进行训练，建立复合材料性能的自适应神经 模糊推理系统模型。四、以复合材料最佳性能作为目标利用遗传算法对相关结构参数值进行复制、交叉和 变异等操作，最终得出与复合材料最优性能所对应的各个结构参数值。把优化目标以适度值的方式嵌入到遗传算法中，直接对上述自适应神经模糊推理系 统模型(ANFIS)所表达的关系进行寻优并针对结构参数值的个数来确定适合的种群数、 杂交率、变异率和进化代数。如图8所示，以前述自适应神经模糊推理系统模型表达的结 构参数与本文档来自技高网...

【技术保护点】
一种金属塑料复合材料结构的优化方法，其特征是包括以下步骤：　（１）确定影响复合材料性能的主要结构参数；　（２）通过有限元分析得出若干组相关结构参数值及与之对应的复合材料性能的影响值；　（３）用步骤（２）得出的数据对自适应神 经模糊推理系统进行训练并建立各相关结构参数输入与复合材料性能输出之间的全局映射关系，获得复合材料性能的自适应神经模糊推理系统模型；　（４）以复合材料性能作为目标，利用遗传算法对相关结构参数值进行复制、交叉和变异操作，得出与复合材料最优 性能对应的各个结构参数值。

【技术特征摘要】

【专利技术属性】
技术研发人员：骆志高，陈保磊，庞朝利，
申请(专利权)人：江苏大学，
类型：发明
国别省市：32[中国|江苏]