【技术实现步骤摘要】
本申请属于飞机结构设计，特别涉及一种加筋壁板铺层优化方法及装置。
技术介绍
1、复合材料因其优异的力学性能成为实现飞机结构轻量化的最直接手段。为了得到在强度及刚度等约束下的最小重量，在对复合材料层压板进行铺层设计时必须对铺层厚度、铺层比例及铺层顺序等设计变量进行优化。复合材料铺层顺序直接影响结构强度、刚度及稳定性，不合理的铺层会削弱结构承载能力、抗变形能力且阻碍生产制造，故而需要通过优化设计得到满足多方需求的最佳铺层顺序。铺层顺序优化中变量多且变量离散，此外其在设计中要同时满足多个设计指标，因此提升多任务情况下的设计效率是非常有必要的。近些年通过智能算法，如遗传算法、粒子群算法、蚁群算法等实现了对离散变量的优化，能够简化由于离散变量优化所带来的“组合爆炸”难题，但该类方法计算量较大、计算耗时、计算效率低，不适用于飞机结构设计中大量的加筋壁板优化设计工作。
技术实现思路
1、为了解决上述技术问题至少之一，本申请提供了一种加筋壁板铺层优化方法及装置，结合人工神经网络与遗传算法，解决设计变量过多与计算效率低下的问题。
2、本申请第一方面提供了一种加筋壁板铺层优化方法，主要包括：
3、步骤s1、获取第一指定数量的铺层方案；
4、步骤s2、按照预设的铺层角度与指定数字的对应关系对每一个铺层方案进行编码，获得具有第一指定数量编码的初始种群，其中，每一个编码对应于种群中的一个个体；
5、步骤s3、基于预先训练的力学代理模型计算种群中每一个个体对应的
6、步骤s4、选取结构应变从大到小排序后排名靠前的第二指定数量的个体进行遗传算法的交叉变异，形成新的种群，返回上一步并循环执行直至迭代收敛，获得最优铺层方案。
7、优选的是，步骤s3之前进一步包括：
8、步骤s31、在铺层厚度及铺层角度确定的前提下，基于不同的铺层顺序构建多个铺层方案，作为力学代理模型的训练输入参数；
9、步骤s32、通过有限元仿真确定每个铺层方案的结构应变，作为预期输出参数；
10、步骤s33、将训练输入参数输入到力学代理模型中，获得模型输出，基于模型输出与预期输出参数的差异调整力学代理模型的参数，经多次训练后获得力学代理模型。
11、优选的是，步骤s3中，所述力学代理模型为基于pytorch框架构建的神经网络模型，该神经网络模型包括两层隐藏层，每个隐藏层包含50个神经元，该神经网络模型的激活函数使用将整流线性单元函数relu，模型输出与预期输出参数的差异采用均方差函数表示。
12、优选的是，步骤s4中，进行遗传算法的交叉变异时，交叉率设置为70%，变异率设置为0.5%。
13、优选的是，步骤s4中，第二指定数量为第一指定数量的15%-20%。
14、本申请第二方面提供了一种加筋壁板铺层优化装置，主要包括：
15、铺层方案构建模块，用于获取第一指定数量的铺层方案；
16、遗传算法种群生成模块，用于按照预设的铺层角度与指定数字的对应关系对每一个铺层方案进行编码，获得具有第一指定数量编码的初始种群，其中，每一个编码对应于种群中的一个个体；
17、结构应变预测模块，用于基于预先训练的力学代理模型计算种群中每一个个体对应的结构应变；
18、遗传算法循环控制模块，用于选取结构应变从大到小排序后排名靠前的第二指定数量的个体进行遗传算法的交叉变异，形成新的种群，返回上一步并循环执行直至迭代收敛，获得最优铺层方案。
19、优选的是，在所述遗传算法种群生成模块中，包括对力学代理模型进行训练的训练模块，所述训练模块包括：
20、输入参数确定单元，用于在铺层厚度及铺层角度确定的前提下，基于不同的铺层顺序构建多个铺层方案，作为力学代理模型的训练输入参数；
21、预期输出参数仿真生成单元，用于通过有限元仿真确定每个铺层方案的结构应变，作为预期输出参数；
22、力学代理模型调参单元，用于将训练输入参数输入到力学代理模型中，获得模型输出，基于模型输出与预期输出参数的差异调整力学代理模型的参数，经多次训练后获得力学代理模型。
23、优选的是，所述力学代理模型为基于pytorch框架构建的神经网络模型，该神经网络模型包括两层隐藏层，每个隐藏层包含50个神经元，该神经网络模型的激活函数使用将整流线性单元函数relu，模型输出与预期输出参数的差异采用均方差函数表示。
24、优选的是，在所述遗传算法循环控制模块中，该遗传算法的交叉率设置为70%，变异率设置为0.5%。
25、优选的是，所述第二指定数量为所述第一指定数量的15%-20%。
26、本申请将训练精度较高的力学代理模型嵌入到遗传算法的广义适应度函数中，用于指导遗传算法对铺层顺序进行优化，提高了优化效率。
本文档来自技高网...【技术保护点】
1.一种加筋壁板铺层优化方法，其特征在于，包括：
2.如权利要求1所述的加筋壁板铺层优化方法，其特征在于，步骤S3之前进一步包括：
3.如权利要求2所述的加筋壁板铺层优化方法，其特征在于，步骤S3中，所述力学代理模型为基于Pytorch框架构建的神经网络模型，该神经网络模型包括两层隐藏层，每个隐藏层包含50个神经元，该神经网络模型的激活函数使用将整流线性单元函数ReLU，模型输出与预期输出参数的差异采用均方差函数表示。
4.如权利要求1所述的加筋壁板铺层优化方法，其特征在于，步骤S4中，进行遗传算法的交叉变异时，交叉率设置为70%，变异率设置为0.5%。
5.如权利要求1所述的加筋壁板铺层优化方法，其特征在于，步骤S4中，第二指定数量为第一指定数量的15%-20%。
6.一种加筋壁板铺层优化装置，其特征在于，包括：
7.如权利要求6所述的加筋壁板铺层优化装置，其特征在于，在所述遗传算法种群生成模块中，包括对力学代理模型进行训练的训练模块，所述训练模块包括：
8.如权利要求7所述的加筋壁板铺层优化装
9.如权利要求6所述的加筋壁板铺层优化装置，其特征在于，在所述遗传算法循环控制模块中，该遗传算法的交叉率设置为70%，变异率设置为0.5%。
10.如权利要求6所述的加筋壁板铺层优化装置，其特征在于，所述第二指定数量为所述第一指定数量的15%-20%。
...【技术特征摘要】
1.一种加筋壁板铺层优化方法，其特征在于，包括：
2.如权利要求1所述的加筋壁板铺层优化方法，其特征在于，步骤s3之前进一步包括：
3.如权利要求2所述的加筋壁板铺层优化方法，其特征在于，步骤s3中，所述力学代理模型为基于pytorch框架构建的神经网络模型，该神经网络模型包括两层隐藏层，每个隐藏层包含50个神经元，该神经网络模型的激活函数使用将整流线性单元函数relu，模型输出与预期输出参数的差异采用均方差函数表示。
4.如权利要求1所述的加筋壁板铺层优化方法，其特征在于，步骤s4中，进行遗传算法的交叉变异时，交叉率设置为70%，变异率设置为0.5%。
5.如权利要求1所述的加筋壁板铺层优化方法，其特征在于，步骤s4中，第二指定数量为第一指定数量的15%-20%。
6.一种加筋壁板铺层...
【专利技术属性】
技术研发人员：陈姣姣，聂小华，唐晨，王彬文，卢杰，段锋，仲明哲，
申请(专利权)人：中国飞机强度研究所，
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。