【技术实现步骤摘要】
本专利技术涉及张拉整体结构找形，尤其是涉及一种基于两阶段优化深度神经网络的张拉整体找形方法。
技术介绍
1、张拉整体是由受拉单元和受压单元组成的自平衡结构体系，其结构刚度完全来自于内部的预应力。张拉整体具有受力合理、形态可控和可折展等特点，被广泛应用于雕塑、智能机器人等领域。
2、张拉整体结构设计找形问题一直是研究的热点之一，现有技术将张拉整体的找形方法分为两大类：静态法和动态法。静态法是由给定拓扑关系来确定张拉整体结构可能的平衡构型。其中，经典静态法是力密度法，通过将找形问题转化为寻找一组合适的力密度值，从而得到可行的节点坐标向量。动态法是在保持索长（或杆长）固定不变的情况下，增大压杆长度直到一个最大值；或者，保持压杆长度不变，减少索长的长度到一个最小值。
3、随着计算机模拟技术的进步，机器学习已被广泛应用于各种工程领域，智能优化算法也被应用于张拉整体结构找形，如遗传算法、蒙特卡洛模拟等等。智能优化算法具有很强的搜索能力，可以解决找形问题，但是受到具体算法的限制。现有技术通过计算得到结构的力密度值，之后利用深度神经网络训练数据，输入力密度值，输出节点坐标，可以解决一些复杂的结构找形问题，但是过程繁琐，效率低下，如中国专利cn113515822b公开的一种基于归零神经网络的张拉整体结构找形方法。或者建立了一种高效的动态松弛-容噪归零神经网络找形算法，可以有效得到结构形状，但是计算过程，算法复杂程度太高。
4、目前的找形算法都存在或多或少的局限性，例如动力松弛法可能存在的结构塌缩成为二维结构问题
技术实现思路
1、本专利技术的目的就是为了提供一种基于两阶段优化深度神经网络的张拉整体找形方法，用以解决复杂张拉整体结构找形结果不可靠、找形过程复杂效率低的问题。
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种基于两阶段优化深度神经网络的张拉整体找形方法，包括以下步骤：
4、1）初始化张拉整体结构索杆单元的拓扑关系和物理信息一；
5、2）随机生成一组索杆单元的节点坐标向量，根据节点坐标向量和拓扑关系，得到张拉整体初始结构，获取所述张拉整体初始结构中索杆单元的物理信息二；
6、3）根据物理信息一和物理信息二得到索杆单元的节点残余力；
7、4）根据节点残余力、索杆单元的杆件长度和节点距离构建张拉整体结构的约束方程，将该约束方程作为深度神经网络的损失函数；
8、5）以随机生成的所述索杆单元的节点坐标向量作为所述深度神经网络的输入，采用两阶段优化方式获得使所述损失函数值最小的索杆单元节点坐标向量输出值，基于所述索杆单元节点坐标向量输出值确定一稳态构型；
9、6）重复多次步骤2）-步骤5），获得多个稳态构型；
10、7）判别各稳态构型的稳定性，获得满足几何稳定的稳定构型，完成张拉整体找形。
11、进一步地，所述索杆单元的节点残余力的计算公式为：
12、
13、式中，表示节点 i的节点残余力，、表示与节点 i相关的第 k个压杆残余力和拉索残余力，基于所述物理信息一和物理信息二获得，表示与节点 i相关压杆单元与和拉索单元的数量。
14、进一步地，构建所述张拉整体结构的约束方程时，设定如下计算假定：
15、（1）压杆和拉索材料都是线弹性的；
16、（2）构件的数量与拓扑关系给定；
17、（3）没有外荷载作用。
18、进一步地，所述约束方程包括残余力约束、压杆长度约束和节点距离约束。
19、进一步地，所述损失函数包括损失函数一、损失函数二和损失函数三，其中，
20、所述损失函数一的表达式为：
21、
22、式中，表示节点 i的节点残余力；
23、所述损失函数二的表达式为：
24、
25、式中，、为单元长度的最大值和最小值，a为设定长度限制值；
26、所述损失函数三的表达式为：
27、
28、式中，、为节点距离的最大值和最小值，b为设定距离限制值。
29、进一步地，所述深度神经网络进行两阶段优化的过程包括：
30、通过算法对深度神经网络的超参数进行一阶段优化；
31、通过l-bfgs算法对深度神经网络的超参数进行二阶段优化；
32、所述二阶段优化在一阶段优化完成后执行。
33、进一步地，在执行步骤7）前，通过应变势能法对步骤6）获得的所述多个稳态构型进行去重归纳。
34、进一步地，所述判别各稳态构型的稳定性具体包括：
35、获取对稳态构型的平衡矩阵a，将所述平衡矩阵a进行奇异值分解，得到机构位移模态矩d和自应力模态矩阵s；
36、判断是否存在d>0且s>0，若是，则通过乘积力公式的正定性判别稳态构型的稳定性，若否，则直接进行稳定性判别。
37、进一步地，所述通过乘积力公式的正定性判别稳态构型的稳定性具体包括：
38、根据所述机构位移模态矩d和自应力模态矩阵s，设置机构位移模态向量和压杆内力模态向量；
39、根据所述压杆内力模态向量与结构位移模态向量构建对应的几何力矩阵g；
40、通过判断乘积力的正定性来判别稳态构型是否满足几何稳定。
41、本专利技术还提供一种电子设备，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于两阶段优化深度神经网络的张拉整体找形方法的指令。
42、与现有技术相比，本专利技术具有以下有益效果：
43、1、本专利技术通过综合考虑节点残余力、单元长度约束和节点最小距离在内的物理信息，构造深度神经网络的总损失函数，得到基于物理信息的深度神经网络模型，能够提升张拉整体结构找形的可靠性。
44、2、本专利技术采用两阶段优化算法提升神经网络的学习能力，通过优化后的深度神经网络获得结构平衡状态的节点坐标，两阶段优化中，首先通过adamw优化器对网络的超参数进行初步训练，快速降低损失值；初步迭代完成后，再使用l-bfgs优化器进行二次优化，进一步逼近最优解，最终获得结构平衡状态的节点坐标。
45、3、本专利技术能够进行多稳态等复杂张拉整体结构的找形，结果可靠，找形过程不涉及复杂的结构有限元计算，找形效率高。
本文档来自技高网...【技术保护点】
1.一种基于两阶段优化深度神经网络的张拉整体找形方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于两阶段优化深度神经网络的张拉整体找形方法，其特征在于，所述索杆单元的节点残余力的计算公式为：
3.根据权利要求1所述的基于两阶段优化深度神经网络的张拉整体找形方法，其特征在于，构建所述张拉整体结构的约束方程时，设定如下计算假定：
4.根据权利要求1所述的基于两阶段优化深度神经网络的张拉整体找形方法，其特征在于，所述约束方程包括残余力约束、压杆长度约束和节点距离约束。
5.根据权利要求4所述的基于两阶段优化深度神经网络的张拉整体找形方法，其特征在于，所述损失函数包括损失函数一、损失函数二和损失函数三，其中，
6.根据权利要求1所述的基于两阶段优化深度神经网络的张拉整体找形方法，其特征在于，所述深度神经网络进行两阶段优化的过程包括：
7.根据权利要求1所述的基于两阶段优化深度神经网络的张拉整体找形方法，其特征在于，在执行步骤7）前，通过应变势能法对步骤6）获得的所述多个稳态构型进行去重归纳。
9.根据权利要求8所述的基于两阶段优化深度神经网络的张拉整体找形方法，其特征在于，所述通过乘积力公式的正定性判别稳态构型的稳定性具体包括：
10.一种电子设备，其特征在于，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-9任一所述基于两阶段优化深度神经网络的张拉整体找形方法的指令。
...【技术特征摘要】
1.一种基于两阶段优化深度神经网络的张拉整体找形方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于两阶段优化深度神经网络的张拉整体找形方法，其特征在于，所述索杆单元的节点残余力的计算公式为：
3.根据权利要求1所述的基于两阶段优化深度神经网络的张拉整体找形方法，其特征在于，构建所述张拉整体结构的约束方程时，设定如下计算假定：
4.根据权利要求1所述的基于两阶段优化深度神经网络的张拉整体找形方法，其特征在于，所述约束方程包括残余力约束、压杆长度约束和节点距离约束。
5.根据权利要求4所述的基于两阶段优化深度神经网络的张拉整体找形方法，其特征在于，所述损失函数包括损失函数一、损失函数二和损失函数三，其中，
6.根据权利要求1所述的基于两阶段优化深度神经网络的张拉整...
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。