【技术实现步骤摘要】
本专利技术涉及了一种机床结构优化方法，涉及结构设计相关，具体涉及一种基于自导向在线学习与高效率采样的机床结构优化方法。
技术介绍
1、拓扑优化是一种在设计域内推导生成满足给定负载和边界条件下的最优设计的方法。在拓扑优化中，物体被表示为一个连续的材料分布模型，而不是传统的离散实体。这种方法利用计算机算法和数学优化技术，自动探索并寻找最优的材料分布，以最大程度地提高设计目标并减少不必要的材料使用。
2、目前，拓扑优化方法可以大致分为两类：一类是以变密度法和渐进优化法为代表的密度描述模型，另一类是以水平集法和移动可变形组件法为代表的边界描述模型。其中，变密度法由于其数学模型直观、实现方式简单且计算高效的优势，应用最为广泛。尽管拓扑优化具有概念设计的优势，但大多都基于有限元分析，而计算过程中的一系列设计变量使得其应用受限于计算成本。
3、人工智能包括计算机模拟人类行为的系统技术，机器学习是人工智能的子集，旨在通过统计方法从数据中学习有意义的模式。深度学习是机器学习的子集，寻求通过从数据本身训练多层神经网络结构的方法来提高...
【技术保护点】
1.一种基于自导向在线学习与高效率采样的机床结构优化方法，其特征在于，包括：
2.根据权利要求1所述的基于自导向在线学习与高效率采样的机床结构优化方法，其特征在于：所述的步骤1)中，二维/三维模型中，待优化的机床部件的结构所在的区域为设计域，设计域中离散化为若干有限元节点，各个有限元节点处的设计变量为密度值，密度值取1或0。
3.根据权利要求2所述的基于自导向在线学习与高效率采样的机床结构优化方法，其特征在于：所述的步骤1)中，基于材料体积约束的优化目标函数具体如下：
4.根据权利要求2所述的基于自导向在线学习与高效率采样的机床结构...
【技术特征摘要】
1.一种基于自导向在线学习与高效率采样的机床结构优化方法，其特征在于，包括：
2.根据权利要求1所述的基于自导向在线学习与高效率采样的机床结构优化方法，其特征在于：所述的步骤1)中，二维/三维模型中，待优化的机床部件的结构所在的区域为设计域，设计域中离散化为若干有限元节点，各个有限元节点处的设计变量为密度值，密度值取1或0。
3.根据权利要求2所述的基于自导向在线学习与高效率采样的机床结构优化方法，其特征在于：所述的步骤1)中，基于材料体积约束的优化目标函数具体如下：
4.根据权利要求2所述的基于自导向在线学习与高效率采样的机床结构优化方法，其特征在于：所述的步骤2)中，融合概率分布卷积层的神经网络包括依次连接的m个第一块结构和一个第二块结构，第一块结构包括依次连接的概率分布卷积层、批量归一化层和softplus激活函数，第二块结构包括依次连接的全连接层和概率分布线性层；融合概率分布卷积层的神经网络的输入为各个有限元节点处的密度值集合ρ，融合概率分布卷积层的神经网络的输出包括各个有限元节点处的密度值集合ρ的目标函数均值f(ρ)_a、目标函数标准差f(ρ)_δ以及信息散度值kl。
5.根据权利要求4所述的基于自导向在线学习与高效率采样的机床结构优化方法，其特征在于：所述的概率分布卷积层具体如下：
6.根据权利要求2所述的基于自导向在线学...
【专利技术属性】
技术研发人员：王阳，贾晨，刘晓健，徐敬华，张益鸣，裘乐淼，张树有，
申请(专利权)人：浙江大学，
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。