【技术实现步骤摘要】
本专利技术涉及耗能器，尤其是涉及基于神经网络的耗能器智能设计方法、系统及存储介质。
技术介绍
1、柔性防护网系统常用于地质灾害防护工程中，系统由柔性网片、钢丝绳、钢立柱和耗能器组成，广泛应用于防护落石和泥石流等严重的坡面地质灾害。耗能器的性能很大程度上决定了柔性防护网的柔性和对冲击能量的耗散能力。目前，系统常用的耗能件为减压环。在柔性防护网的计算模型中，耗能器往往采用简化的等代力学模型。基于简化复杂条件的计算模型，为快速获取高精度等代模型和按需设计特定结构尺寸的耗能器对柔性防护网的精确计算和设计极为重要。
2、现有对于耗能器的力学性能研究集中于数值模拟和力学试验。其数值模拟方法涉及到材料、几何与接触的高度非线性特征，计算难度大，计算效率不高。而试验成本较高，且同批次型号的耗能器在结构尺寸和性能上也具有差异，往往不能通过一次试验获取足够精确的力学性能。选择过强的耗能器会使柔性防护网的耗能性能过剩，造成不必要的成本，选择过弱的耗能器则会使柔性防护网拦截失效。目前缺乏有效的依据按需求选择耗能器的尺寸。
3、因此，基于上述问题，亟需提出一种能够快速、便捷和精确的计算耗能器力学性能和设计结构尺寸的一种新技术手段。
技术实现思路
1、本专利技术提供了基于神经网络的耗能器智能设计方法、系统及存储介质，利用数值模拟进行影响耗能器力学性能的参数分析，结合pso-bp神经网络建立从耗能器结构尺寸至力学性能的预测模型，然后基于pso算法和目标力学性能建立逆向参数寻优的耗能器智能设
2、本说明书实施例的第一方面公开了基于神经网络的耗能器智能设计方法，包括：
3、s1.数值模型标定：
4、进行耗能器力学试验，调试并建立与试验结构相符的数值模型；
5、s2.建立数据集：
6、基于调试好的数值模型进行耗能器结构尺寸的参数分析，获取结构尺寸参数与力学性能参数形成数据集，进行数据预处理，并将数据集划分为训练集和测试集；
7、s3.训练pso-bp神经网络：
8、初始化pso算法超参数，定义适应度函数，使用训练集训练pso-bp神经网络，使用测试集测试训练好的pso-bp神经网络并计算适应度值，最小化适应度值，提取最优初始权重和阈值；
9、s4.建立耗能器结构设计模型：
10、导入训练完成的pso-bp神经网络，基于pso-bp神经网络和pso逆向参数寻优算法，建立耗能器智能设计模型。
11、本说明书的一些实施例中，基于耗能器智能设计模型设计出结构尺寸，并进行该结构尺寸的实际产品的力学试验，得到试验力学性能；将试验力学性能与目标力学性能对比验证耗能器智能设计模型的有效性。
12、本说明书的一些实施例中，所述耗能器为减压环、棒式耗能器、板式耗能器、双u型耗能器或活塞杆式耗能器。
13、本说明书的一些实施例中，进行参数分析建立数据集时，以耗能器的结构尺寸为输入参数，耗能器的力学性能指标为输出参数。
14、本说明书的一些实施例中，所述耗能器为减压环时，所述耗能器的结构尺寸为减压环的环径、管径、管壁厚和铝套筒长度，所述耗能器的力学性能指标为减压环的启动荷载、最大荷载和耗能。
15、本说明书的一些实施例中，所述数据预处理为归一化处理，所述归一化处理包括最小-最大规范化、零-均值归一化和小数定标规范化。
16、本说明书的一些实施例中，数据集划分时，根据数据量的大小和训练难度选择划分方法，所述划分方法包括留出法、交叉验证法、留一法和自助法。
17、本说明书的一些实施例中，pso算法神经网络权重与阈值位置与速度更新函数：
18、；
19、；
20、式中：是粒子 i在 t时刻的速度；是粒子 i在 t时刻的位置；是惯性权重；是学习因子；是区间[0,1]上的随机数；分别是粒子 i到目前为止遇到的最佳位置和所有粒子目前所遇到的最佳位置。
21、本说明书实施例的第二方面公开了基于神经网络的耗能器智能设计系统，用于实现上述中任一项所述的基于神经网络的耗能器智能设计方法；
22、所述基于神经网络的耗能器智能设计系统包括：
23、数值模型标定模块，用于进行耗能器力学试验，调试并建立与试验结构相符的数值模型；
24、数据集建立模块，用于基于调试好的数值模型进行耗能器结构尺寸的参数分析，获取结构尺寸参数与力学性能参数形成数据集，进行数据预处理，并将数据集划分为训练集和测试集；
25、pso-bp神经网络训练模块，用于初始化pso算法超参数，定义适应度函数，使用训练集训练pso-bp神经网络，使用测试集测试训练好的pso-bp神经网络并计算适应度值，最小化适应度值，提取最优初始权重和阈值；
26、耗能器结构设计模型建立模块，用于导入训练完成的pso-bp神经网络，基于pso-bp神经网络和pso逆向参数寻优算法，建立耗能器智能设计模型。
27、本说明书实施例的第三方面公开了一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取所述计算机指令时，所述计算机执行上述中任一项所述的基于神经网络的耗能器智能设计方法。
28、本说明书实施例至少可以实现以下有益效果：
29、（1）本专利技术首次提出了基于神经网络的耗能器智能设计方法，能够用于快速训练出耗能器正向预测和逆向设计的智能模型，简化了计算和设计流程，降低了计算和设计的门槛，极大的提高了效率。
30、（2）明确了减压环力学性能影响参数，提出了耗能器训练特征的提取方法。
31、（3）基于数值模拟和神经网络结合的方法，能够在足够的精度条件下计算出耗能器的力学性能和设计出合理的结构尺寸，为后续耗能器的计算和设计提供了有效的数据支持。
32、本专利技术的基于神经网络的耗能器智能设计方法，逻辑清晰、简化合理和可操作性高。相比传统的计算和设计流程，训练神经网络更具有高效性、快速性和可操作性，更适用于工程设计。本专利技术具有实质性的进步，适合广泛推广应用。
本文档来自技高网...【技术保护点】
1.基于神经网络的耗能器智能设计方法，其特征在于，包括：
2.根据权利要求1所述的基于神经网络的耗能器智能设计方法，其特征在于，基于耗能器智能设计模型设计出结构尺寸，并进行该结构尺寸的实际产品的力学试验，得到试验力学性能；将试验力学性能与目标力学性能对比验证耗能器智能设计模型的有效性。
3.根据权利要求1所述的基于神经网络的耗能器智能设计方法，其特征在于，所述耗能器为减压环、棒式耗能器、板式耗能器、U型耗能器或活塞杆式耗能器。
4.根据权利要求1所述的基于神经网络的耗能器智能设计方法，其特征在于，进行参数分析建立数据集时，以耗能器的结构尺寸为输入参数，耗能器的力学性能指标为输出参数。
5.根据权利要求4所述的基于神经网络的耗能器智能设计方法，其特征在于，所述耗能器为减压环时，所述耗能器的结构尺寸为减压环的环径、管径、管壁厚和铝套筒长度，所述耗能器的力学性能指标为减压环的启动荷载、最大荷载和耗能。
6.根据权利要求1所述的基于神经网络的耗能器智能设计方法，其特征在于，所述数据预处理为归一化处理，所述归一化处理包括最小-最大
7.根据权利要求1所述的基于神经网络的耗能器智能设计方法，其特征在于，数据集划分时，根据数据量的大小和训练难度选择划分方法，所述划分方法包括留出法、交叉验证法、留一法和自助法。
8.根据权利要求1所述的基于神经网络的耗能器智能设计方法，其特征在于，PSO算法神经网络权重与阈值位置与速度更新函数：
9.基于神经网络的耗能器智能设计系统，其特征在于，用于实现权利要求1至8中任一项所述的基于神经网络的耗能器智能设计方法；
10.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当计算机读取所述计算机指令时，所述计算机执行如权利要求1至8中任一项所述的基于神经网络的耗能器智能设计方法。
...【技术特征摘要】
1.基于神经网络的耗能器智能设计方法，其特征在于，包括：
2.根据权利要求1所述的基于神经网络的耗能器智能设计方法，其特征在于，基于耗能器智能设计模型设计出结构尺寸，并进行该结构尺寸的实际产品的力学试验，得到试验力学性能；将试验力学性能与目标力学性能对比验证耗能器智能设计模型的有效性。
3.根据权利要求1所述的基于神经网络的耗能器智能设计方法，其特征在于，所述耗能器为减压环、棒式耗能器、板式耗能器、u型耗能器或活塞杆式耗能器。
4.根据权利要求1所述的基于神经网络的耗能器智能设计方法，其特征在于，进行参数分析建立数据集时，以耗能器的结构尺寸为输入参数，耗能器的力学性能指标为输出参数。
5.根据权利要求4所述的基于神经网络的耗能器智能设计方法，其特征在于，所述耗能器为减压环时，所述耗能器的结构尺寸为减压环的环径、管径、管壁厚和铝套筒长度，所述耗能器的力学性能指标为减压环的启动荷载、最大...
【专利技术属性】
技术研发人员：余志祥，何泽寰，田永丁，王一诺，廖林绪，
申请(专利权)人：西南交通大学，
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。