[發(fā)明專利]一種基于機器學習的自沖孔鉚接工藝仿真模型參數(shù)分析與校核的方法

在審

• 申請?zhí)枺?/td>: 202110665451.7
• 申請日: 2021-06-16
• 公開（公告）號: CN113591234A
• 公開（公告）日: 2021-11-02
• 發(fā)明（設(shè)計）人: 方宇東;黃理;趙海龍;詹振飛;陳秋任;包祖國;黃詩堯;韓維建
• 申請（專利權(quán)）人: 長三角先進材料研究院;集萃新材料研發(fā)有限公司
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/23;G06F30/27;G06N3/12;G06N20/00;G06F119/14
• 代理公司: 南京智造力知識產(chǎn)權(quán)代理有限公司 32382
• 代理人: 汪芬

1.一種基于機器學習的自沖孔鉚接工藝仿真模型參數(shù)分析與校核的方法，其特征在于，包括以下步驟：

步驟一：對自沖孔鉚接結(jié)構(gòu)進行物理實驗并建立該結(jié)構(gòu)的仿真模型；

步驟二：對比物理實驗和仿真模型的輸出；獲得物理實驗與仿真模型之間各個特征輸出之間的絕對誤差；基于特征輸出之間的絕對誤差，判斷仿真模型精度是否滿足要求；

步驟三：當精度不滿足要求時，確定自沖孔鉚接過程仿真模型的不確定性參數(shù)及該參數(shù)的取值范圍；

步驟四：基于步驟三中的不確定性參數(shù)及該參數(shù)的取值范圍，生成輸入樣本并運行仿真模型獲取輸入樣本的特征輸出；

步驟五：利用步驟四中獲得的輸入樣本及輸入樣本對應(yīng)的特征輸出訓練機器學習模型，用以近似仿真模型；并判斷訓練后的機器學習模型精度；

步驟六：基于Sobol靈敏度分析獲取對仿真輸出具有顯著影響的參數(shù)；

步驟七：以具有顯著影響的參數(shù)為變量，確定仿真模型校核的數(shù)學優(yōu)化問題；

步驟八：在只考慮具有顯著影響的參數(shù)情況下，通過實驗設(shè)計生成輸入樣本并運行仿真獲取樣本輸出；

步驟九：基于步驟八中所得到的數(shù)據(jù)訓練機器學習模型用以近似仿真模型。

步驟十：基于遺傳算法和機器學習模型求解步驟七所確立的優(yōu)化問題；

步驟十一：對仿真模型參數(shù)進行更新。

2.根據(jù)權(quán)利要求1所述的一種基于機器學習的自沖孔鉚接工藝仿真模型參數(shù)分析與校核的方法，其特征在于，在步驟一中，通過物理實驗、有限元仿真分別獲取自沖孔鉚接過程的若干特征輸出變量的值。

3.根據(jù)權(quán)利要求1所述的一種基于機器學習的自沖孔鉚接工藝仿真模型參數(shù)分析與校核的方法，其特征在于，在步驟二中，對比研究對象的物理實驗的特征輸出和仿真模型的特征輸出的變量值之間的誤差，根據(jù)該誤差判斷是否滿足精度要求。

4.根據(jù)權(quán)利要求1、2或3所述的一種基于機器學習的自沖孔鉚接工藝仿真模型參數(shù)分析與校核的方法，其特征在于，特征輸出是單點值、是時間序列曲線或者頻率曲線；當特征輸出為單點值時，仿真模型相對于物理實驗的誤差通過相對誤差來度量；當特征輸出為時間序列曲線或頻率曲線時，仿真模型相對于物理實驗的誤差通過R方來度量。

5.根據(jù)權(quán)利要求1所述的一種基于機器學習的自沖孔鉚接工藝仿真模型參數(shù)分析與校核的方法，其特征在于，在步驟三中，對于需要進行參數(shù)校核的仿真模型，確定在仿真建模過程中潛在的不確定性參數(shù)，并確定這些不確定性參數(shù)的取值范圍；自沖孔鉚接過程的仿真模型的不確定性參數(shù)包括鋁合金板材料應(yīng)力應(yīng)變曲線縮放因子L1fo、鉚釘材料應(yīng)力應(yīng)變曲線縮放因子rivsfo、壓邊力Clampf、壓邊圈與上板之間摩擦因子fsb、下板與凹模之間摩擦因子fsd、鉚釘與板之間摩擦因子fsr、上下板之間摩擦因子fss。

6.根據(jù)權(quán)利要求1所述的一種基于機器學習的自沖孔鉚接工藝仿真模型參數(shù)分析與校核的方法，其特征在于，在步驟四中，根據(jù)步驟三中所確定的不確定性參數(shù)及其取值范圍，基于最優(yōu)拉丁超立方采樣方法生成訓練樣本；采用隨機采樣方法生成測試樣本；由訓練樣本和測試樣本組成輸入樣本；并將測試樣本輸入仿真模型獲取測試樣本的特征輸出。

7.根據(jù)權(quán)利要求1所述的一種基于機器學習的自沖孔鉚接工藝仿真模型參數(shù)分析與校核的方法，其特征在于，在步驟五中，根據(jù)步驟四中所獲取的數(shù)據(jù)，訓練和驗證各個特征輸出變量對應(yīng)的機器學習模型，采用決定系數(shù)R²來定量評估模型預(yù)測精度，如果機器模型精度不達標通過增加訓練樣本直到精度達標。

8.根據(jù)權(quán)利要求1所述的一種基于機器學習的自沖孔鉚接工藝仿真模型參數(shù)分析與校核的方法，其特征在于，在步驟六中，基于Sobol靈敏度分析技術(shù)，在高精度機器學習模型的輔助下分析仿真模型參數(shù)對各個特征輸出變量的影響的顯著性，后續(xù)步驟中去掉對對各個特征輸出變量的影響不顯著的模型參數(shù)。