【技术实现步骤摘要】
本申请涉及工程薄壁加筋结构设计领域，具体涉及一种曲线加筋结构承载性能的预测方法及装置。
技术介绍
1、火箭武器作为火力打击的典型装备，在战争中发挥着重要作用。未来复杂多变的战争环境对火箭武器的快速支援、机动灵活等性能提出更高的需求，开展结构的轻量化设计刻不容缓。传统的火箭炮设计往往依赖于设计师以及现役产品的经验数据，导致发射箱、起落架等包含薄壁板壳的承力结构质量冗余、性能保守。
2、降低壁板厚度是火箭武器轻量化的途径之一，而屈曲是薄壁板壳结构的典型破坏模式，且承载性能(屈曲性能)分析预测一直是固体力学领域的重要问题。曲线加筋壁板通过提高弯曲刚度来增强其抗屈曲性能，能够以设计曲线筋条路径的方式实现结构刚度与承载性能的灵活调控。
3、但是，由于曲线加筋壁板的非线性特性复杂，通过现有方法分析预测难以获取曲线加筋结构承载性能的不确定性信息，导致预测结果的可信度低。
技术实现思路
1、本申请提供一种曲线加筋结构承载性能的预测方法及装置，可以解决现有方法分析预测难以获取曲线加筋结构承载性能的不确定性信息，导致预测结果的可信度低的问题。
2、第一方面，本申请实施例提供一种曲线加筋结构承载性能的预测方法，所述方法包括：
3、获取第一数据集，所述第一数据集包括至少一张曲线加筋结构样本图像和每张图像对应的临界屈曲载荷系数；
4、建立第一贝叶斯神经网络模型，基于所述第一数据集训练并验证所述第一贝叶斯神经网络模型；
5、对训练后的所述
6、将待测图像分别输入具有各组权重的所述第一贝叶斯神经网络模型，获得多个预测值，取所有预测值的均值作为预测结果，取所有预测值的方差作为预测结果的不确定性信息。
7、结合第一方面，在一种实施方式中，所述获取第一数据集，包括：
8、设置曲线加筋结构设计域空间，基于二次贝塞尔曲线生成第一图像集；
9、对所述第一图像集中的每张图像进行力学结构响应分析，获得每张图像对应的临界屈曲载荷系数；
10、基于所述第一图像集及所述每张图像对应的临界屈曲载荷系数生成第一数据集。
11、结合第一方面，在一种实施方式中，所述基于二次贝塞尔曲线生成第一图像集，包括：
12、在所述曲线加筋结构设计域空间内随机生成曲线筋条路径的起始点、中间点及终止点；
13、将所述曲线筋条路径起始点、中间点及终止点的坐标作为所述二次贝塞尔曲线的参数；
14、采样所述二次贝塞尔曲线的参数，生成多个样本，对每个样本进行图像化表征，生成第一图像集。
15、结合第一方面，在一种实施方式中，所述对每个样本进行图像化表征，包括：
16、将每个样本表示为二维矩阵，并将所述二维矩阵处理为灰度图像。
17、结合第一方面，在一种实施方式中，所述对所述第一图像集中的每张图像进行力学结构响应分析，获得每张图像对应的临界屈曲载荷系数，包括：
18、对所述第一图像集中的每张图像建立对应的有限元模型，对每个有限元模型施加载荷并定义边界条件；
19、求解每个有限元模型对应的屈曲特征值方程，获得每张图像对应的临界屈曲载荷系数。
20、结合第一方面，在一种实施方式中，所述建立第一贝叶斯神经网络模型，包括：
21、设置所述第一贝叶斯神经网络模型中的优化器及损失函数；
22、基于输入层、输出层、卷积层、池化层、激活函数及全连接层建立所述第一贝叶斯神经网络模型，其中，卷积层与全连接层的权重与偏置均设置为分布参数；
23、所述第一贝叶斯神经网络模型在任一卷积层之后，依次连接有一层激活函数和一层池化层。
24、结合第一方面，在一种实施方式中，所述优化器为adam优化器。
25、结合第一方面，在一种实施方式中，所述损失函数为均方误差与kl散度加权后得到的组合函数。
26、结合第一方面，在一种实施方式中，所述基于所述第一数据集训练并验证所述第一贝叶斯神经网络模型，包括：
27、将所述第一数据集分为训练集和测试集；
28、将所述训练集输入所述第一贝叶斯神经网络模型进行训练；
29、以所述测试集验证训练后的第一贝叶斯神经网络模型，设置指标函数用于评估训练后的第一贝叶斯神经网络模型的预测精度；
30、所述指标函数包括均方根误差和决定系数。
31、第二方面，本申请实施例提供了一种曲线加筋结构承载性能的预测装置，所述装置包括：
32、获取模块，其用于获取第一数据集，所述第一数据集包括至少一张曲线加筋结构样本图像和每张图像对应的临界屈曲载荷系数；
33、建立模块，其用于建立第一贝叶斯神经网络模型，基于所述第一数据集训练并验证所述第一贝叶斯神经网络模型；
34、抽样模块，对训练后的所述第一贝叶斯神经网络模型的权重进行抽样，得到多组权重；
35、预测模块，其用于将待测图像分别输入具有各组权重的所述第一贝叶斯神经网络模型，获得多个预测值，取所有预测值的均值作为预测结果，取所有预测值的方差作为预测结果的不确定性信息。
36、本申请实施例提供的技术方案带来的有益效果包括：
37、本申请通过建立贝叶斯神经网络模型，采用包括曲线加筋结构图像和临界屈曲载荷系数的数据集对模型进行训练和验证，对训练后的贝叶斯神经网络模型的权重进行抽样，得到多组权重，将待测图像分别输入具有各组权重的贝叶斯神经网络模型，获得多个预测值，取所有预测值的均值作为预测结果，取所有预测值的方差作为预测结果的不确定性信息，通过不确定性信息提高了预测结果的可信度。
本文档来自技高网...【技术保护点】
1.一种曲线加筋结构承载性能的预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的曲线加筋结构承载性能的预测方法，其特征在于，所述获取第一数据集，包括：
3.如权利要求2所述的曲线加筋结构承载性能的预测方法，其特征在于，所述基于二次贝塞尔曲线生成第一图像集，包括：
4.如权利要求3所述的曲线加筋结构承载性能的预测方法，其特征在于，所述对每个样本进行图像化表征，包括：
5.如权利要求2所述的曲线加筋结构承载性能的预测方法，其特征在于，所述对所述第一图像集中的每张图像进行力学结构响应分析，获得每张图像对应的临界屈曲载荷系数，包括：
6.如权利要求1所述的曲线加筋结构承载性能的预测方法，其特征在于，所述建立第一贝叶斯神经网络模型，包括：
7.如权利要求6所述的曲线加筋结构承载性能的预测方法，其特征在于，所述优化器为Adam优化器。
8.如权利要求6所述的曲线加筋结构承载性能的预测方法，其特征在于，所述损失函数为均方误差与KL散度加权后得到的组合函数。
9.如权利要求1所述的曲线加筋结
10.一种基于权利要求1-9任一项曲线加筋结构承载性能的预测装置，其特征在于，包括：
...【技术特征摘要】
1.一种曲线加筋结构承载性能的预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的曲线加筋结构承载性能的预测方法，其特征在于，所述获取第一数据集，包括：
3.如权利要求2所述的曲线加筋结构承载性能的预测方法，其特征在于，所述基于二次贝塞尔曲线生成第一图像集，包括：
4.如权利要求3所述的曲线加筋结构承载性能的预测方法，其特征在于，所述对每个样本进行图像化表征，包括：
5.如权利要求2所述的曲线加筋结构承载性能的预测方法，其特征在于，所述对所述第一图像集中的每张图像进行力学结构响应分析，获得每张图像对应的临界屈曲载荷系数，包括：
...【专利技术属性】
技术研发人员：段于辉，冯永鑫，闫怡安，洪龙熙，江志豪，代耿钊，陈聚贤，吴俊，石家庆，
申请(专利权)人：中国兵器工业集团江山重工研究院有限公司，
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。