[發明專利]一種新型復合材料結構高承載力輕量化設計方法

在審

• 申請號: 202010956545.5
• 申請日: 2020-09-11
• 公開（公告）號: CN111967198A
• 公開（公告）日: 2020-11-20
• 發明（設計）人: 程錦;楊明龍;劉振宇;譚建榮
• 申請（專利權）人: 浙江大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F111/04;G06F111/10;G06F113/26;G06F119/14
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 劉靜

1.一種新型復合材料結構高承載力輕量化設計方法，其特征在于，該方法包括以下步驟：

1)新型復合材料結構參數化，確定結構設計參數及其取值范圍。

2)采用隨機場描述考慮空間相關不確定性的新型復合材料結構的材料屬性：

其中，x為新型復合材料結構中面上的點坐標，θ為隨機場的樣本集合，E(x,θ),ν(x,θ)分別為新型復合材料結構的楊氏模量和泊松比，分別為表征存在空間相關不確定性的新型復合材料結構的楊氏模量和泊松比的對數正態隨機場。

3)根據新型復合材料結構的高承載力與輕量化設計需求，給出基于隨機場的結構優化設計目標函數和約束函數的表達式，建立新型復合材料結構的高承載力輕量化設計模型：

s.t.G(k)≤G₀；

k_min≤k≤k_max

其中，k為新型復合材料結構的設計向量，包括多個結構設計參數；r＝{E(x,θ),ν(x,θ)}為隨機場向量；μ_λ(k,r)為新型復合材料結構隨機臨界屈曲載荷的平均值，為隨機臨界屈曲載荷為平均值時結構屈曲模態的最大位移；G(k)為新型復合材料結構的質量；G₀為優化前的新型復合材料結構質量；k_min，k_max分別為結構設計向量取值的下限和上限。

4)采用多目標布谷鳥搜索算法計算得到新型復合材料結構高承載力輕量化設計模型的最優解，具體包括以下子步驟：

4.1)設置算法參數，初始化鳥窩位置。

4.2)將隨機等幾何分析方法與克里金增強人工神經網絡模型相結合，計算當前各鳥窩所對應的新型復合材料結構隨機臨界屈曲載荷平均值和屈曲模態，具體步驟包括：

4.2.1)根據當前鳥窩所對應的結構設計參數值，建立基于NURBS函數或T樣條函數的新型復合材料結構CAD模型；

4.2.2)應用Karhunen-Loève展開得到結構材料屬性隨機場的離散型表達式，將每個隨機場離散成為M個標準高斯隨機變量的函數之和；

4.2.3)對全部高斯隨機變量進行抽樣設計，確定訓練樣本數量，生成結構材料屬性隨機場的小規模樣本；

4.2.4)對每一個樣本，獲得其材料屬性，設置邊界條件，應用等幾何分析方法計算其臨界屈曲載荷；

4.2.5)重復子步驟4.2.4)，直至遍歷所有訓練樣本；

4.2.6)根據獲得的所有訓練樣本的臨界屈曲載荷值，建立克里金增強人工神經網絡模型；

4.2.7)對結構材料屬性進行大規模樣本的采樣，通過訓練好的克里金增強人工神經網絡模型輸出每個樣本的臨界屈曲載荷；

4.2.8)根據所得的大規模樣本的臨界屈曲載荷值計算當前位置鳥窩對應的新型復合材料結構隨機臨界屈曲載荷的平均值；

4.2.9)通過隨機臨界屈曲載荷的平均值反求結構材料屬性的高斯隨機變量值，根據對應的高斯隨機變量值計算得到隨機臨界屈曲載荷為平均值時結構屈曲模態的最大位移。

4.3)計算各鳥窩位置的目標函數值，判斷各鳥窩所對應的結構質量是否滿足約束條件，不滿足則對該鳥窩的目標函數值增加罰函數。

4.4)對當前解進行非支配排序，得到當代非支配解集，更新Pareto最優解。

4.5)判斷是否滿足終止條件，不滿足則繼續執行步驟4.6)，滿足則輸出最優解。

4.6)根據萊維飛行機制生成新的鳥窩位置，重復步驟4.2)和4.3)，若新鳥窩位置的解支配舊鳥窩位置的解，則更新鳥窩位置。

4.7)生成隨機數與鳥窩主人發現概率進行比較，判斷各鳥窩是否被淘汰，被淘汰的鳥窩更新位置，返回步驟4.2)。

5)根據步驟4)獲得的新型復合材料結構高承載力輕量化設計模型的Pareto最優解，確定最優結構設計參數值，得到優化后的新型復合材料結構。

2.根據權利要求1所述的一種新型復合材料結構高承載力輕量化設計方法，其特征在于，所述步驟4.2.6)中，建立克里金增強人工神經網絡模型，包括以下步驟：

1)對輸入數據進行標準化處理，得到均值為0、標準差為1的訓練數據。

2)建立克里金增強人工神經網絡模型：設置人工神經網絡參數，將人工神經網絡的輸出層激活函數設置為克里金模型。

3)訓練克里金增強人工神經網絡模型：

3.1)計算當前網絡的損失函數值，記錄最優網絡參數。

3.2)根據梯度下降算法訓練網絡，更新各層神經元的權值及偏差。

3.3)重復步驟3.1)及3.2)，直至滿足條件結束訓練。

3.4)根據最優網絡參數獲得訓練好的克里金增強人工神經網絡模型。