【技术实现步骤摘要】
本专利技术涉及适配器，尤其涉及基于信息融合特征均衡算子的适配器应变场预测方法。
技术介绍
1、箱式发射是导弹发射的一种常见方式，其中适配器是连接导弹和发射箱的关键部件，对导弹起到固定、减震和径向支撑作用还起到对导弹发射的导引作用。为提高导弹储存安全和发射性能，需要对适配器的结构进行优化设计。由于适配器的应变场分布决定了其支撑性能，精确的应变场分布评估对于计算其支撑性能，指导最优构型设计起着至关重要的作用。
2、在现有技术中，使用传统的高精度的有限元仿真模型会导致仿真耗时、计算成本高昂；而基于深度学习的物理场预测方法在处理变几何结构、应变集中区域时，预测精度和计算效率仍然存在不足。
3、因此，寻找一种既能够对于变集合适配器应变进行预测，又能够提高预测精度和速度的方法，是本领域技术人员亟待解决的技术问题。
技术实现思路
1、有鉴于此，本专利技术提出了一种基于信息融合特征均衡算子的适配器应变场预测方法，其能够增强对几何特征的提取能力和建模能力，显著提升预测精度，使基于信息融合特征均衡算子神经网络模型能够快速预测不同几何构型的的适配器应变场分布。
2、本专利技术的技术方案是这样实现的：本专利技术提供了一种基于信息融合特征均衡算子的适配器应变场预测方法，包括以下步骤：
3、s1、获取适配器的几何特征、设计变量、设计变量变化范围，应变场信息为待预测值；
4、s2、根据适配器的设计变量建立适配器几何模型，并以适配器几何模型为基础构建超材
5、s3、构建基于信息融合特征均衡算子神经网络模型，并使用训练数据集对基于信息融合特征均衡算子神经网络模型进行训练，得到训练后的基于信息融合特征均衡算子神经网络模型；
6、s4、使用训练后的基于信息融合特征均衡算子神经网络模型对待预测应变场信息进行预测，得到适配器应的的应变场分布。
7、在以上技术方案的基础上，优选的，所述基于信息融合特征均衡算子神经网络模型以深度神经算子网络为基础，包含信息融合模块、特征均衡学习模块和傅里叶特征嵌入层，所述信息融合模块主干网络和支干网络分别包括n个隐藏层和一个嵌入层。
8、在以上技术方案的基础上，优选的，所述基于信息融合特征均衡算子神经网络模型的训练过程如下：
9、s31、将负载和设计参数p分别输入两个支干网络进行特征提取，分别得到负载和设计参数的特征向量和其中两个支干网络分别为第一支干网络和第二支干网络，表示第一支干网络从负载中提取的第p个特征，表示第二支干网络从设计参数p中提取的第p个特征；
10、s32、将网格节点坐标坐标y输入至每一个主干网络中，并得到对应的输出特征将输出特征求和得到融合的输出特征其中表示第k个主干网络输出的第p个特征；
11、s33、将对应的主干网络和支干网络每一层的特征进行矩阵相乘计算，使得每层间的特征相互融合，将三个向量取内积即得到最终的输出结果
12、s34、使用正弦函数作为激活函数构建傅里叶特征嵌入层，并使用傅里叶特征嵌入层对最终的输出结果进行处理，得到高频应变场特征。
13、在以上技术方案的基础上，优选的，步骤s32具体包括：
14、将主干网络扩展为m个子网络，每个网络单独负责某一部分特征的学习，将网格节点坐标y输入至每一个主干网络中，并得到对应的输出特征将输出特征求和得到融合的输出特征
15、在以上技术方案的基础上，优选的，步骤s33具体包括：
16、将特征向量[t1,…,tp]t和特征向量进行逐元素相乘并求和，得到第一特征向量，所述第一特征向量的计算公式为：
17、
18、其中，y表示适配器点的坐标，表示第m个函数向量的采样点数，b0表示偏置项，表示第m个分支网络提取的第k个特征值，p表示设计参数，tk(y)表示主干网络提取的适配器点y的第k个特征向量。
19、在以上技术方案的基础上，优选的，基于信息融合特征均衡算子神经网络模型的训练过程中采用huberloss损失函数，计算公式为：
20、
21、其中，δ为超参数，表示基于信息融合特征均衡算子神经网络模型输出的适配器点的坐标，y表示适配器点的坐标。
22、在以上技术方案的基础上，优选的，所述利用超材料静力学有限元模型进行仿真生成训练数据集，具体包括：
23、将适配器的设计变量变化范围采用拉丁超立方采样法生成多个适配器构型作为第一训练集；
24、使用超材料静力学有限元模型对第一训练集进行批量仿真，得到适配器在各个样本点下的应变场；
25、对各个样本点下的应变场进行预处理，得到训练数据集。
26、在以上技术方案的基础上，优选的，所述预处理包括：
27、对适配器在各个样本点下的应变场进行中间节点去除，同时对适配器在各个样本点下的应变场进行降采样，得到稀疏后应变场；
28、根据适配器的对称性，将稀疏后应变场的一半作为训练数据集。
29、更进一步优选的，所述基于信息融合特征均衡算子的适配器应变场预测方法，还包括：
30、对不同构型的适配器进行压缩测试，得到测试结果；
31、将测试结果与适配器在各个样本点下的应变场进行比对，对所述超材料静力学有限元模型进行验证。
32、本专利技术的适配器应变场预测方法相对于现有技术具有以下有益效果：
33、(1)通过采用有限元模拟生成训练数据，对基于信息融合特征均衡算子神经网络模型进行训练，增强对几何特征的提取能力和建模能力，显著提升预测精度，使基于信息融合特征均衡算子神经网络模型能够快速预测不同几何构型的的适配器应变场分布，从而提高适配器设计效率；
34、(2)通过深度神经算子网络的不同支干网络捕捉输入数据的不同特征，并利用信息融合模块有效整合不同支干网络的特征输出，使用特征聚能学习模块自适应地优化各支干网络的特征权重，并在基于信息融合特征均衡算子神经网络模型的末端加入傅里叶特征嵌入层，增强特征表达的丰富性，提高基于信息融合特征均衡算子神经网络模型对应变场分布的捕捉能力。
本文档来自技高网...【技术保护点】
1.一种基于信息融合特征均衡算子的适配器应变场预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于信息融合特征均衡算子的适配器应变场预测方法，其特征在于，所述基于信息融合特征均衡算子神经网络模型以深度神经算子网络为基础，包含信息融合模块、特征均衡学习模块和傅里叶特征嵌入层，所述信息融合模块主干网络和支干网络分别包括n个隐藏层和一个嵌入层。
3.如权利要求2所述的一种基于信息融合特征均衡算子的适配器应变场预测方法，其特征在于，所述基于信息融合特征均衡算子神经网络模型的训练过程如下：
4.如权利要求3所述的一种基于信息融合特征均衡算子的适配器应变场预测方法，其特征在于，步骤S32具体包括：
5.如权利要求4所述的一种基于信息融合特征均衡算子的适配器应变场预测方法，其特征在于，步骤S33具体包括：
6.如权利要求6所述的一种基于信息融合特征均衡算子的适配器应变场预测方法，其特征在于，基于信息融合特征均衡算子神经网络模型的训练过程中采用HuberLoss损失函数，计算公式为：
7.如权利要求1所述的一
8.如权利要求8所述的一种基于信息融合特征均衡算子的适配器应变场预测方法，其特征在于，所述预处理包括：
9.如权利要求1所述的一种基于信息融合特征均衡算子的适配器应变场预测方法，其特征在于，所述基于信息融合特征均衡算子的适配器应变场预测方法，还包括：
...【技术特征摘要】
1.一种基于信息融合特征均衡算子的适配器应变场预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于信息融合特征均衡算子的适配器应变场预测方法，其特征在于，所述基于信息融合特征均衡算子神经网络模型以深度神经算子网络为基础，包含信息融合模块、特征均衡学习模块和傅里叶特征嵌入层，所述信息融合模块主干网络和支干网络分别包括n个隐藏层和一个嵌入层。
3.如权利要求2所述的一种基于信息融合特征均衡算子的适配器应变场预测方法，其特征在于，所述基于信息融合特征均衡算子神经网络模型的训练过程如下：
4.如权利要求3所述的一种基于信息融合特征均衡算子的适配器应变场预测方法，其特征在于，步骤s32具体包括：
5.如权利要求4所述的一种基于信息融合特...
【专利技术属性】
技术研发人员：周奇，权德森威，谢婷丽，胡杰翔，罗舒杨，黄旭丰，吴金红，龙田，金正龙，李保平，
申请(专利权)人：华中科技大学，
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。