【技术实现步骤摘要】
本申请属于薄壁类构件成型，尤其涉及一种基于cnn-lstm的复杂构件的快速回弹预测方法及装置。
技术介绍
1、大型薄壁类构件是航空航天装备的重要组成部分和关键承力结构，约占机体/箭体结构重量的40%以上。大型薄壁类构件的成形常常使用蠕变时效成形技术，其优势是能够使构件同时实现成形和强度提高，因此广泛应用于航空航天大型薄壁构件制造。
2、在定型最合适的大型薄壁构件尺寸进行蠕变时效成形前，需设计不断迭代三维模型。而在大型薄壁构件蠕变时效成形试验前，需先进行构件级蠕变时效成形有限元仿真。针对这些不同三维模型，合适的工艺制度、模具型面等关键参数的确定需要大量繁琐的有限元计算迭代，因而导致效率低、成本高。
3、如在专利cn202111291953.4中，建立铝合金各向异性弹塑性本构模型，模拟试验优选出铝合金各向异性弹塑性本构模型，仿真模拟坯料弹塑性加载直至与模具型面贴合，计算构件形成偏差，并进行模具型面补偿至确定最终模具型面。该专利只能在确定构件尺寸后才能实施，未考虑构件尺寸为适应蠕变成形工艺，进行调整时，后续带来构件三维模型建模以及对新三维模型进行有限元仿真时，带上的巨大时间成本。
技术实现思路
1、本专利技术实施例的主要目的在于提供一种基于cnn-lstm的复杂构件的快速回弹预测方法及装置，通过引入结构特征，并调整成适合复杂构件蠕变时效成形工艺，能够实现高精度快速回弹及力学性能预测，便于筛选出最优构件尺寸、模具目标型面和最优工艺。
2、第一方面，提供了
3、在一个可能的实现方式中，获取不同结构特征的复杂构件的三维模型图片，以及复杂构件的单一结构特征不同工艺条件下的屈服强度及回弹量，构建训练数据集，包括：获取不同结构特征的复杂构件的三维模型图片；建立不同工艺条件下的蠕变量及屈服强度的材料宏微观本构方程；在试样级进行蠕变时效成形有限元仿真并嵌入材料宏微观本构方程，得到复杂构件的单一结构特征不同工艺条件下的屈服强度及回弹量；组合三维模型图片、不同工艺条件下的屈服强度及回弹量构建训练数据集。
4、在另一个可能的实现方式中，建立不同工艺条件下的蠕变量及屈服强度的材料宏微观本构方程，包括：构建以标准蠕变试样进行蠕变时效成形实验；通过试验建立由不同时间、温度和应力预测不同工艺条件蠕变量及屈服强度的材料宏微观本构方程：
5、
6、其中，为蠕变应变；为外加蠕变应力，、、、、、、、、、、为材料常数；为球状析出物的平均半径，、、分别表示析出强化、固溶强化与屈服强度变化。
7、在另一个可能的实现方式中，基于训练数据集对cnn-lstm模型进行预训练，得到训练后的cnn-lstm模型，包括：应用cnn模型根据不同结构特征的三维模型图片提取复杂构件的结构特征；以结构特征和工艺条件作为lstm模型输入，应用lstm模型输出复杂构件的预测屈服强度及预测回弹量；计算预测屈服强度、预测回弹量与训练数据集中的屈服强度和回弹量的误差，并根据误差调整cnn模型和lstm模型的参数，直到满足训练终止条件，得到训练后的cnn-lstm模型。
8、在另一个可能的实现方式中，应用cnn模型根据不同结构特征的三维模型图片提取复杂构件的结构特征，包括：将复杂构件的不同结构尺寸的三维模型图片转换成像素矩阵；利用cnn模型中的多层卷积提取三维模型图片中的优先特征和非优先特征，其中以卷积核为，两个一维度的卷积组合的特征的提取公式为：
9、
10、其中，为输出序列的索引，为输入序列的元素，为卷积核权重；通过归一化层对提取的所有特征进行归一化处理，通过池化层压缩特征并降维，对相邻像素进行统计，将所有特征融合得到复杂构件图像识别的结构特征。
11、在另一个可能的实现方式中，根据三维模型图片和工艺条件应用训练后的cnn-lstm模型预测待预测复杂构件的屈服强度及回弹量，包括：根据三维模型图片应用cnn模型提取待预测复杂构件的结构特征；应用lstm模型根据结构特征和工艺条件预测待预测复杂构件的回弹量及屈服强度。
12、在另一个可能的实现方式中，应用lstm模型根据结构特征和工艺条件预测待预测复杂构件的回弹量及屈服强度，包括：将结构特征、材料特性、蠕变时效成形工艺和成形模具型面输入lstm模型的输入门；通过lstm模型的遗忘门移除输入中部分的结构特征、材料特性、蠕变时效成形工艺和成形模具型面，通过输入门输入新的输入，更新完单元状态后，从输出门输出对应新的待预测复杂构件的屈服强度及回弹量。
13、第二方面，提供了一种基于cnn-lstm的复杂构件的快速回弹预测装置，装置包括：训练数据获取单元，用于获取不同结构特征的复杂构件的三维模型图片，以及复杂构件的单一结构特征不同工艺条件下的屈服强度及回弹量，构建训练数据集，工艺条件包括材料特性、蠕变时效成形工艺和成形模具型面；模型训练单元，用于基于训练数据集对cnn-lstm模型进行预训练，得到训练后的cnn-lstm模型；模型预测单元，用于获取待预测复杂构件的三维模型图片和工艺条件，并根据三维模型图片和工艺条件应用训练后的cnn-lstm模型预测待预测复杂构件的屈服强度及回弹量。
14、第三方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面提供的一种基于cnn-lstm的复杂构件的快速回弹预测方法。
15、第四方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如第一方面提供的一种基于cnn-lstm的复杂构件的快速回弹预测方法。
本文档来自技高网...【技术保护点】
1.一种基于CNN-LSTM的复杂构件的快速回弹预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述获取不同结构特征的复杂构件的三维模型图片，以及所述复杂构件的单一结构特征不同工艺条件下的屈服强度及回弹量，构建训练数据集，包括：
3.如权利要求2所述的方法，其特征在于，所述建立不同工艺条件下的蠕变量及屈服强度的材料宏微观本构方程，包括：
4.如权利要求1所述的方法，其特征在于，所述基于所述训练数据集对CNN-LSTM模型进行预训练，得到训练后的所述CNN-LSTM模型，包括：
5.如权利要求4所述的方法，其特征在于，所述应用CNN模型根据不同结构特征的所述三维模型图片提取所述复杂构件的结构特征，包括：
6.如权利要求1所述的方法，其特征在于，所述根据所述三维模型图片和所述工艺条件应用训练后的所述CNN-LSTM模型预测所述待预测复杂构件的屈服强度及回弹量，包括：
7.如权利要求6所述的方法，其特征在于，所述应用LSTM模型根据所述结构特征和所述工艺条件预测所述待预测复杂构件的回弹
8.一种基于CNN-LSTM的复杂构件的快速回弹预测装置，其特征在于，所述装置包括：
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种基于CNN-LSTM的复杂构件的快速回弹预测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于CNN-LSTM的复杂构件的快速回弹预测方法。
...【技术特征摘要】
1.一种基于cnn-lstm的复杂构件的快速回弹预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述获取不同结构特征的复杂构件的三维模型图片，以及所述复杂构件的单一结构特征不同工艺条件下的屈服强度及回弹量，构建训练数据集，包括：
3.如权利要求2所述的方法，其特征在于，所述建立不同工艺条件下的蠕变量及屈服强度的材料宏微观本构方程，包括：
4.如权利要求1所述的方法，其特征在于，所述基于所述训练数据集对cnn-lstm模型进行预训练，得到训练后的所述cnn-lstm模型，包括：
5.如权利要求4所述的方法，其特征在于，所述应用cnn模型根据不同结构特征的所述三维模型图片提取所述复杂构件的结构特征，包括：
6.如权利要求1所述的方法，其特征在于，所述根据所述三维模型图片和所...
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。