一种基于BP神经网络的薄壁加筋结构反向设计方法技术

本发明专利技术属于薄壁加筋结构技术领域，涉及一种基于BP神经网络的薄壁加筋结构反向设计方法，可根据实际需求快速准确反向设计薄壁加筋结构。本发明专利技术方法首先建立包括薄壁加筋结构承载性能和几何参数的数据库，通过BP神经网络训练得到能够高效准确预测薄壁加筋结构屈曲载荷的模型，然后利用算法调用BP神经网络，并嵌套遗传算法，将目标值输入到算法中，进而得到薄壁加筋结构的设计参数。薄壁加筋结构的设计参数。薄壁加筋结构的设计参数。

【技术实现步骤摘要】
一种基于BP神经网络的薄壁加筋结构反向设计方法


[0001]本专利技术属于薄壁加筋结构
，涉及一种基于BP神经网络的薄壁加筋结构反向设计方法，可根据实际需求快速准确反向设计薄壁加筋结构。

技术介绍

[0002]由于各行各业的高速发展，薄壁圆柱壳被应用的越来越广泛。在承受轴向压力时，薄壁圆柱壳的主要失效原因是丧失稳定性，从而发生屈曲。为了提高薄壁结构的稳定性，通常会在设计中添加筋条。薄壁加筋结构因其整体结构轻、承载能力强的特点，适用于大部分领域。目前，某些人工植入体和运载火箭的关键承载部分都采用加筋结构。
[0003]薄壁加筋结构十分复杂，具有大量的设计变量，如蒙皮厚度、筋条高度、宽度等。设计变量的爆炸式增长使得此类结构的评估和设计成为了一项具有挑战性的任务。机器学习的出现为解决此类问题带来了新希望。机器学习可以通过大量数据样本的学习找出神经元之间的联接关系，进而准确反映出输入与输出参数的映射机制。基于机器学习的复杂结构设计方法正在逐渐取代传统的设计方式，成为当前发展的一个热点及趋势。Y.Sharma等人应用机器学习技术，对双T型单极子天线进行优化，短时间内对超过两百万个设计点进行分析，并且预测误差在5％以内(Y.Sharma et al.,Machine Learning Techniques for Optimizing Design of Double T
‑
Shaped Monopole Antenna)；Liu等人将BPNN与反向传播算法相结合，对多孔塑性结构进行反向设计，得到满足目标泊松比的最优微观结构参数的最优解，并通过有限元模拟和拉伸实验验证了结果的准确性(Liu et al.,High
‑
efficient and reversible intelligent design for perforated auxetic metamaterials with peanut
‑
shaped pores)。这些研究表明，在进行结构优化和反向设计时，机器学习方法在克服传统方法的缺点方面有着巨大的发展空间。
[0004]薄壁加筋结构承受的主要载荷为轴向载荷，主要的失效模式为屈曲失稳。设计师针对实际服役状况设计的薄壁加筋通常通过经验或者保守设计，依据已有模型进行尺寸或拓扑优化设计，然而此种方法不仅费时费力，而且只能基于已有结构进行优化，并不能对大量设计变量进行统筹设计。这种设计方式会产生大量材料损失，因此需要一种能够根据实际服役情况快速、精准设计薄壁加筋结构的新方法。

技术实现思路

[0005]为解决上述问题，本专利技术提供一种基于BP神经网络的根据已有需求反向设计薄壁加筋结构的新方法。该方法首先建立包括薄壁加筋结构承载性能和几何参数的数据库，通过BP神经网络训练得到能够高效准确预测薄壁加筋结构屈曲载荷的模型，然后利用算法调用BP神经网络，将目标值输入到算法中，进而得到薄壁加筋结构的设计参数。
[0006]为了达到上述目的，本专利技术采用的技术方案是：
[0007]一种基于BP神经网络的薄壁加筋结构反向设计方法，包括如下步骤：
[0008]第一步：进行薄壁加筋结构参数化建模，批量产生几何模型，导入有限元软件中进
行计算分析；
[0009]第二步：进行数据库创建，批量提取第一步的计算结果，将薄壁加筋结构几何参数和对应屈曲载荷提取到表格中；
[0010]第三步：在编程软件中建立BP神经网络，设置初始网格结构，并通过参数敏感性分析确定网格参数；
[0011]第四步：进行BP神经网络训练；
[0012]本步骤目的是为了得到高准确率的正向预测薄壁加筋结构屈曲载荷的网络模型，该步骤均在编程软件中进行，具体如下：首先读取第二步的数据，通过输入层将数据输入到第三步建立的BP神经网络中；然后在隐藏层中，通过权值w和偏置b将输入数据进行处理，公式可写为：
[0013][0014]其中σ(
·
)是非线性激活函数，为第n
‑
1层第k个神经元到第n层第j个神经元的权值，为第n层的第j个神经元的偏置，为激活第n层第j个神经元的值，为正在应用激活函数前的输出加权和。
[0015]本方法使用的激活函数为Sigmoid函数：
[0016][0017]随后，将隐藏层输出的数据输出到输出层，然后通过反向传播算法计算误差，并用梯度下降法调整权值偏置，并最小化误差，本方法使用的误差函数为MSE：
[0018][0019]其中F
m
为第m个样本的屈曲载荷，为第m个样本网络预测屈曲载荷。
[0020]通过不断循环上述过程来训练BP神经网络，当误差小于初始设定阈值时，网络的训练停止，得到最优状态的BP神经网络。
[0021]第五步：嵌套遗传算法，进行薄壁加筋结构的反向设计；
[0022]本步骤是在第四步建立好的BP神经网络的基础上，嵌套遗传算法，完成根据需求的薄壁加筋结构反向设计。该步骤均在编程软件中进行，具体如下：首先设置遗传算法的初始参数，将需求的屈曲载荷设计为目标值，然后读取初始种群和第四步训练好的BP神经网络，随后通过BP神经网络预测出初始种群中参数对应的屈曲载荷，将预测的屈曲载荷与目标值对比，依据适应度函数计算得到个体的适应度值；然后通过选择，参考适应度值，提取出优质子代；接着进行交叉，以某一概率交换它们之间的部分数据，产生新的子代；最后进行变异，对选中的个体，以某一概率改变某个或某些数据为其他的等位数据，得到新的子代；再将新的子代输入到神经网络中，计算新适应度值，循环上述过程。最后依据适应度值排序，输出最优适应度值的数组中模型的几何参数，完成薄壁加筋结构的反向设计。
[0023]本专利技术的有益效果：本专利技术简单易行，全部流程可在常见有限元分析软件和编程
中完成，并且设计好的算法可以持续使用，因而，一套算法就可以完成薄壁加筋结构的设计，提出了一种能够根据需求高效准确的设计薄壁加筋结构的新方法。
附图说明
[0024]图1(a)和图1(b)为实施例中薄壁加筋圆筒几何参数示意图；图1(a)为整体几何参数；图1(b)为筋条几何参数。
[0025]图2(a)～图2(d)为加筋方式示意图，图2(a)为正交格栅形式，图2(b)为各向异性格栅形式，图2(c)角格栅形式，图2(d)为ISOGRID格栅形式。
[0026]图3(a)和图3(b)为实施例中薄壁加筋结构屈曲仿真结果图；图3(a)为薄壁加筋结构位移云图，图3(b)为薄壁加筋结构屈曲载荷曲线。
[0027]图4为BP神经网络流程图。
[0028]图5为本专利技术的反向设计薄壁加筋方法的流程图。
[0029]图6(a)和图6(b)为实施例中反向设计结构屈曲仿真结果图；图6(a)为反向设计结构位移云图，图6(b)为反向设计结构屈曲载荷曲线。
具体实施方式
[0030]以下结合附图和技术方案，进一步说明本专利技术的具体实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的薄壁加筋结构反向设计方法，其特征在于，包括如下步骤：第一步：进行薄壁加筋结构参数化建模，批量产生几何模型，导入有限元软件中进行计算分析；第二步：进行数据库创建，批量提取第一步的计算结果，将薄壁加筋结构几何参数和对应屈曲载荷提取到表格中；第三步：建立BP神经网络，设置初始网格结构，并通过参数敏感性分析确定网格参数；第四步：进行BP神经网络训练；首先读取第二步的数据，通过输入层将数据输入到第三步建立的BP神经网络中；然后在隐藏层中，通过权值w和偏置b将输入数据进行处理，公式写为：其中σ(
·
)是非线性激活函数，为第n
‑
1层第k个神经元到第n层第j个神经元的权值，为第n层的第j个神经元的偏置，为激活第n层第j个神经元的值，为正在应用激活函数前的输出加权和；使用的激活函数为Sigmoid函数：随后，将隐藏层输出的数据输出到输出层，然后通过反向传播算法计算误差，并用梯度下降法调整权值偏置，并最小化误差；使用的误差函数为MSE：其中F

【专利技术属性】
技术研发人员：牛一彪，刘亚东，周书涛，舒利明，吕永涛，
申请(专利权)人：大连市中心医院北京强度环境研究所，
类型：发明
国别省市：