【技术实现步骤摘要】
本专利技术属于复合材料结构优化领域，具体是一种基于生成式神经网络的复合材料铺层智能设计方法。
技术介绍
1、复合材料由于其优异的性能和灵活的可设计性，在多个领域具有巨大的潜力；包括自动铺丝技术(afp)在内的先进复合材料工艺进一步突破了常规层合板铺层方向角0°,±45°,90°的限制，从而显著扩大了层合板的设计空间，相应的非常规层合板在强度、刚度和屈曲等性能上也展现出了显著优势。然而，随之而来的复杂的设计参数阻碍了性能潜力的充分发挥。在复合材料的铺层设计中高效的优化设计方法具有重要作用，可以显著提高结构效率，降低成本和设计周期。
2、目前，随着复合材料在工程上的广泛应用，结合结构力学性能的研究分析，积累出了多项铺层设计准则，包括为了避免固化变形的对称性准则和降低结构耦合刚度的均衡性准则等。这些设计准则大大降低了铺层参数的设计空间，设计人员在此基础上进一步通过建立铺层库等方法提高了设计效率。此外，这些设计准则常常与工程应用上积累的经验紧密结合，为结构铺层的快速设计提供了工具。然而，这些设计准则常常高度依赖于设计者的经验和灵感，同时随着设计空间的扩大，设计参数的激增严重限制了这种经验设计方法在铺层设计中的应用。
3、为了提高计算效率，学者们提出了多种铺层优化算法：早期针对铺层的离散变量提出了遗传算法(genetic algorithms，简称gas)，以及粒子群优化算法(ant colonyalgorithm，简称aca)和逻辑分支约束法(logic-based branch and bound method
4、生成式模型作为近年来兴起的一类机器学习模型，有着强大的计算能力，擅长解决设计空间巨大和设计参数众多的问题，逐渐运用于复合材料结构设计的研究。但是利用生成式神经网络设计复合材料结构时，如何有效提取出结构的隐藏特征以及解决逆向设计过程中的“一对多”问题仍然存在较大挑战。在复合材料铺层的生成式设计中，铺层的特征可以与工程经验总结出的已有特征相结合，非常适合使用变分自编码器(variationalautoencoder，简称为vae)模型进行铺层特征的提取和压缩，以实现基于目标铺层特征的铺层逆向生成。
技术实现思路
1、针对现有技术中，实现复合材料铺层优化设计需要大量迭代计算，耗时长，限制了在复合材料结构设计中的应用，以及采用传统迭代算法进行复合材料铺层优化设计时效率不够，不能达到复合材料铺层设计尤其是非常规铺层设计所需要求，本专利技术提出了一种基于生成式神经网络的复合材料铺层智能设计方法，通过变分自编码器提取铺层关键特征，同时建立铺层特征与结构力学性能的映射关系，基于铺层隐藏特征实现面向力学性能的铺层高效设计。
2、所述基于生成式神经网络的复合材料铺层智能设计方法，包括如下步骤：
3、步骤一、基于经典层合板理论建立复合材料层合板本构方程，并用材料刚度不变量u和层合板参数ξ表征层合板的刚度；
4、本构方程可表示为：
5、
6、其中，n,m,ε0,k分别表示内力、内力矩、中面应变和中面曲率；a,b,d分别为层合板的面内刚度矩阵、耦合矩阵和面外刚度矩阵。
7、所述层合板参数ξ选取t作为铺层刚度表征的目标参数，对于通过筛选原始数据集控制他们的取值接近于0。
8、将无量纲的层合板参数ξ作为变分自编码器模型提取和压缩的刚度隐藏特征，并作为后续目标特征铺层设计过程中的模型输入；
9、步骤二、选取层合板铺层角度设计空间，采用拉丁超采样方法生成独立变量的铺层数据集和铺层特征数据集，作为变分自编码器模型的训练数据集。
10、层合板铺层角度设计空间为π/12铺层，即以π/12作为最小铺层夹角替代传统的π/4铺层(0°,±45°,90°)。
11、铺层数据集为：在满足对称/中面对称、主方向铺层比例不小于10％、外层铺层角不等于0°/±15°/±75°/90°四项约束条件下生成的若干组铺层。
12、铺层特征数据集为：每组铺层对应的铺层刚度表征以及铺层聚集度特征和层间夹角特征，共9个分量。
13、步骤三、在传统变分自编码器模型上添加定制的损失函数，使用训练数据集进行训练，调整各部分损失函数的参数，得到最优变分自编码器模型；
14、定制的损失函数包括：编码器提取的隐藏特征中的铺层特征分量与输入的铺层特征数据之间的回归损失，以及解码器通过给定铺层隐藏特征和随机噪声生成的铺层与目标铺层之间的生成损失。
15、步骤四、通过编码器模型和解码器模型分别得到“输入铺层-隐藏特征”以及“隐藏特征-重构铺层”的映射关系，基于解码器模型进一步建立面向力学性能的复合材料铺层生成式设计方法；
16、所述复合材料铺层生成式设计方法，是指将目标特征和随机噪声输入解码器，生成具有目标特征的铺层，并通过改变随机噪声来快速生成多组具有目标特征的铺层。
17、所述目标特征包括刚度隐藏特征以及铺层聚集度、层间夹角度两项工艺约束特征。
18、步骤五、通过传统优化算法获得铺层的目标特征a，输入到复合材料铺层生成式设计方法中，输出多组满足目标特征的复合材料铺层。
19、当目标特征只包含选定的九个分量的若干个时，为缺失目标值赋随机缺省值再传入解码器模型。
20、步骤六、分别计算每组复合材料铺层的目标特征与目标特征a之间的绝对累积误差，是否达到最小误差范围，如果是，筛选为最终的铺层结果，否则，舍弃该组铺层。
21、相对于现有技术，本专利技术的优点和积极效果在于：
22、(1)一种基于生成式神经网络的复合材料铺层智能设计方法，相比以启发式算法为代表的迭代优化算法中，铺层的优化和设计需要大量的迭代计算；本专利技术方法通过生成式的变分自编码器模型替代了大量的迭代计算，显著提升了计算效率，并将目标铺层拓展到π/12铺层等设计难度显著增加的非常规铺层。
23、(2)一种基于生成式神经网络的复合材料铺层智能设计方法，在常规变分自编码器模型基础上构建了定制的回归损失函数和生成损失函数，在实现了铺层特征提取和压缩以及多组目标铺层的快速生成的同时，实现了铺层力学性能特征和其他特征的解耦，解决了逆向设计过程中典型的“一对多”问题。同时，本专利技术方法建立的变分自编码器模型具有很强的可拓展性，目标铺层特征的选取具有很强的独立性，可以在不改变模型框架的情况下修改，拓展到其他逆向设计应用场景中。
本文档来自技高网...【技术保护点】
1.一种基于生成式神经网络的复合材料铺层智能设计方法，其特征在于，具体步骤如下：
2.如权利要求1所述的一种基于生成式神经网络的复合材料铺层智能设计方法，其特征在于，所述步骤一中，对于厚度为h的层合板，刚度矩阵A和θ通过材料刚度不变量U和层合板参数ξ表示如下：
3.如权利要求1所述的一种基于生成式神经网络的复合材料铺层智能设计方法，其特征在于，所述步骤二中，层合板铺层角度设计空间为π/12铺层，即以π/12作为最小铺层夹角替代传统的π/4铺层(0°,±45°,90°)；
4.如权利要求1所述的一种基于生成式神经网络的复合材料铺层智能设计方法，其特征在于，所述步骤四中复合材料铺层生成式设计方法，是指将目标特征和随机噪声输入解码器，生成具有目标特征的铺层，并通过改变随机噪声来快速生成多组具有目标特征的铺层。
5.如权利要求4所述的一种基于生成式神经网络的复合材料铺层智能设计方法，其特征在于，所述目标特征包括刚度隐藏特征以及铺层聚集度、层间夹角度两项工艺约束特征。
6.如权利要求4所述的一种基于生成式神经网络的复合材料铺层智能
...【技术特征摘要】
1.一种基于生成式神经网络的复合材料铺层智能设计方法，其特征在于，具体步骤如下：
2.如权利要求1所述的一种基于生成式神经网络的复合材料铺层智能设计方法，其特征在于，所述步骤一中，对于厚度为h的层合板，刚度矩阵a和θ通过材料刚度不变量u和层合板参数ξ表示如下：
3.如权利要求1所述的一种基于生成式神经网络的复合材料铺层智能设计方法，其特征在于，所述步骤二中，层合板铺层角度设计空间为π/12铺层，即以π/12作为最小铺层夹角替代传统的π/4铺层(0°,±45°,90°)；
4.如权利要求1所述的一种基于生成式神经网络的复...
【专利技术属性】
技术研发人员：王晓东，孙怀翔，黎增山，关志东，
申请(专利权)人：北京航空航天大学，
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。