[發明專利]一種基于機器學習的水下爆炸載荷下船體板架結構動響應快速預報方法

有效

• 申請號: 202110302143.8
• 申請日: 2021-03-22
• 公開（公告）號: CN113312832B
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 任少飛;劉永澤;張阿漫;王詩平;劉云龍;明付仁;李帥;崔璞
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/00;G06N3/08;G06F111/06;G06F111/10;G06F113/08
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 張宏威

1.一種基于機器學習的水下爆炸載荷下船體板架結構動響應快速預報方法，其特征是：包括以下步驟：

步驟1：采用任意歐拉-拉格朗日方法對水下爆炸載荷下船體板架結構響應進行數值計算獲得數據樣本；

步驟2：根據船體板架結構，對樣本數據庫進行降維，用以縮短深度神經網絡訓練時間；

步驟3：采用深度神經網絡對降維后的樣本數據庫進行學習，并驗證學習效果；

所述步驟2具體為：

據船體板架結構的對稱形式對樣本數據庫進行降維，對于關于X軸對稱的船體板架結構在水下爆炸載荷下的各節點位移矩陣A有：

其中，B為船體板架結構對稱軸上方節點位移矩陣，C為船體板架結構對稱軸下方節點位移矩陣，b_ij和c_ij分別船體板架結構對稱軸上方和下方第i行j列節點位移信息；

由于船體板架結構關于X軸對稱，c_m,n＝b_i-m+1,n，對矩陣B中的數據進行訓練和預測，實現數據降維；

對于關于Y軸對稱的船體板架結構在水下爆炸載荷下的各節點位移矩陣A通過下式表示：

A＝[B C]

其中，B為船體板架結構對稱軸左側節點位移矩陣，C為船體板架結構對稱軸右側節點位移矩陣，b_ij和c_ij分別船體板架結構對稱軸左側和右側第i行j列節點位移信息；

由于船體板架結構關于Y軸對稱，c_m,n＝b_m,j-n+1，對矩陣B中的數據進行訓練和預測，提高訓練效率；

對于關于X和Y軸對稱的船體板架結構在水下爆炸載荷下的各節點位移矩陣A通過下式表示：

其中，B為船體板架結構左上區域節點位移矩陣，C為船體板架結構右上區域節點位移矩陣，D為船體板架結構左下區域節點位移矩陣，E為船體板架結構右下區域節點位移矩陣，b_ij、c_ij、d_ij和e_ij分別船體板架結構左上、右上、左下和右下區域第i行j列節點位移信息；

由于船體板架結構關于X和Y軸對稱，c_m,n＝b_m,j-n+1、d_m,n＝b_i-m+1,n、e_m,n＝b_i-m+1,j-n+1，對矩陣B中的數據進行訓練和預測；

所述步驟3中具體為：

使用劃分好的訓練集數據對深度神經網絡進行訓練，其中深度神經網絡的隱含層數取為1到3，從SGD、RMSprop和Adam中選取神經網絡優化算法，當選擇Adam則ρ₁取0.9，取0.999，ε取10^-8；選用ReLu函數作為激活函數，最后將驗證集數據代入訓練好的神經網絡中驗證深度神經網絡的泛化能力；

步驟4：采用蟻群算法對深度神經網絡的結構及超參數進行優化，提高深度神經網絡訓練效率和預報精度，輸出泛化效果最佳的深度神經網絡；

步驟5：對使用深度神經網絡對水下爆炸載荷下船體板架結構動響應預報結果進行后處理。

2.根據權利要求1所述的一種基于機器學習的水下爆炸載荷下船體板架結構動響應快速預報方法，其特征是：所述步驟1具體為：

步驟1.1：根據一定當量炸藥水下爆炸產生最大氣泡的半徑的確定水域尺寸，水域的尺寸應為一定當量的炸藥在對應水深下產生氣泡最大直徑的2到4倍；

步驟1.2：根據藥包初始半徑確定水域網格尺寸，采用S-ALE方法對水域和空氣進行離散，使氣泡最大直徑范圍內網格尺寸最小，剩余區域網格尺寸為最大直徑范圍內網格尺寸的2倍；

步驟1.3：對船體板架結構進行建模并保證結構與水域最小網格尺寸一致，完成模型建立；采用任意歐拉-拉格朗日方法ALE對船體板架結構在水下爆炸載荷下的動響應進行計算，得到結構各節點的坐標以及各單元的等效塑性應變計算數據，建立樣本數據庫。