CN105183928A - 铸铝构件中的残余应力和变形的快速分析 - Google Patents
铸铝构件中的残余应力和变形的快速分析 Download PDFInfo
- Publication number
- CN105183928A CN105183928A CN201510303022.XA CN201510303022A CN105183928A CN 105183928 A CN105183928 A CN 105183928A CN 201510303022 A CN201510303022 A CN 201510303022A CN 105183928 A CN105183928 A CN 105183928A
- Authority
- CN
- China
- Prior art keywords
- distortion
- network
- quenching
- input
- foundry goods
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 38
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 title description 24
- 238000000034 method Methods 0.000 claims abstract description 75
- 238000010791 quenching Methods 0.000 claims abstract description 52
- 230000000171 quenching effect Effects 0.000 claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000005266 casting Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 22
- 239000004411 aluminium Substances 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 5
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000013459 approach Methods 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 50
- 230000006870 function Effects 0.000 description 29
- 239000000463 material Substances 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 11
- 230000005284 excitation Effects 0.000 description 11
- 238000003062 neural network model Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 230000003068 static effect Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 2
- 239000000956 alloy Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000007669 thermal treatment Methods 0.000 description 2
- 102100021503 ATP-binding cassette sub-family B member 6 Human genes 0.000 description 1
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 101100000375 Homo sapiens ABCB6 gene Proteins 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 238000003483 aging Methods 0.000 description 1
- AZDRQVAHHNSJOQ-UHFFFAOYSA-N alumane Chemical group [AlH3] AZDRQVAHHNSJOQ-UHFFFAOYSA-N 0.000 description 1
- 150000001398 aluminium Chemical class 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005541 quenching (cooling) Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22F—CHANGING THE PHYSICAL STRUCTURE OF NON-FERROUS METALS AND NON-FERROUS ALLOYS
- C22F1/00—Changing the physical structure of non-ferrous metals or alloys by heat treatment or by hot or cold working
- C22F1/04—Changing the physical structure of non-ferrous metals or alloys by heat treatment or by hot or cold working of aluminium or alloys based thereon
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/22—Moulding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Organic Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Materials Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Metallurgy (AREA)
- Computing Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Thermal Sciences (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Architecture (AREA)
Abstract
一种快速预测淬火铝铸件的残余应力和变形中的至少一者的计算机执行的系统和方法。对应于与铸件相关联的拓扑特征、几何特征和淬火工艺参数的输入数据由计算机操作，计算机配置为神经网路来基于输入数据确定对应于残余应力和变形中的至少一者的输出数据。神经网络训练成确定输入数据和输出数据中的至少一者的有效性，且在超过误差阈值时再训练网络。因此，淬火铝铸件中的残余应力和变形可使用实施例以常规基于有限元的方法所需的时间的很小部分来预测。
Description
技术领域
本发明大体上涉及计算和预测在淬火或冷却过程期间铸铝构件中的残余应力和变形，并且更具体地涉及快速地执行此计算和预测使得在不使用常规的时间密集预测方法的情况下获得准确结果。
背景技术
随着对减轻重量和改善汽车燃料效率的需求增长，铝铸件更广泛用于关键的汽车构件，如，发动机气缸体、气缸盖和悬架部分。此铝铸件通常经历循环负载从而在设计此构件时必须考虑疲劳性能。这些疲劳特性总体上可显著地且不利地由残余应力(即，在制造、处理等之后保留在构件中的那些)的存在影响，且尤其由表面层中的拉伸残余应力影响，包括围绕圆角、尖角等的那些。这些应力可源于多种来源。例如，宏观残余应力可由热处理、机加工、辅助热和机械处理和组装程序引起，而微观结构残余应力通常由相位与组分之间的热膨胀或收缩失配以及从相变引起。
铝铸件通常经历T6/T7热处理以提高其机械特性；此类处理大体上包括在相对高温度下的溶液处理，随后是冷或冷却介质(如，水或强制空气)中的快速淬火，然后在中等温度下时效硬化。大的残余应力和变形可尤其出现在具有复杂几何结构的那些铸件中，因为典型地在淬火过程期间铸件中的温度分布的高不均匀性；此不均匀性尤其在快速淬火期间明显。在任何情况下，铝基铸件中的残余应力、变形等的存在可显著地和不利地影响所制造构件的尺寸公差和随后的性能。
通常可确定所制造构件中的残余应力水平，以及测量此构件中的这些应力的各种方式。机械技术如钻孔、曲率测量和裂纹柔度方法是测量此类应力的一些方式，衍射技术，如，电子、X射线和中子，以及磁性、超声波、压电频谱、光测弹性和热测弹性技术也是（测量此类应力的一些方式）。然而，机械技术通常破坏构件，而衍射和其它非破坏性技术测量残余应力的准确性大体上取决于构件结构的微观结构变化和几何复杂性的程度。此外，大体上难以测量构件的每个位置中的残余应力，不但因为几何约束，而且因为这样做需要的时间和成本。
计算模拟是预测残余应力的一种替代方式，其中分析或数值方法可用于替代上文提到的机械或非破坏性方法。有限元分析(FEA)为一种常规数值方法，其中阐释连续介质的机械性质的大型偏微分方程可被建模作为介质内的离散点的集合。以良好的准确性执行残余应力和变形预测的一种此类系统可在由本发明的受让人拥有且通过引用并入本文中的题为METHODSOFPREDICTINGRESIDUALSTRESSESANDDISTORTIONINQUENCHEDALUMINUMCASTINGS的美国专利8,214,182中找到。
取决于被建模的构件的复杂性，基于FEA的模拟需要非常长的计算时间(通常以数小时或甚至数天计)，以确定已经经历上述冷却步骤的铸铝构件中的残余应力。将有利的是如果此计算可快速完成-具体地数分钟，以便加快此构件的早期设计过程迭代周转，以及缩短和降低这些构件的开发周期的成本(这可包括汽车构件，如，发动机气缸体、气缸盖和需要热处理的其它铝铸件)。
发明内容
与以上背景相反，本发明的实施例大体上涉及比通过常规基于FEA的方法更快地预测淬火铝铸件的残余应力和/或变形、同时保持预测准确性的系统、方法及制品。如本文使用的用语"铝铸件"及其变型大体上是指大致由铝或其合金构成的任何铸造构件、部件或其它制品。当前公开的铝铸件分析方法的快速本质通过使用人工神经网络(ANN，本文中也简单地称为神经网络)，且更具体而言多层前馈(MFF，也称为前馈)神经网络模型来实现，其使用连同部分的复杂FEA模型预测的分析残余应力和变形数据，(a)几何信息如曲率和最大二面角，(b)拓扑(即，地形)特征如节点相邻拓扑，以及(c)淬火参数如淬火温度和淬火介质。显著地，本发明利用了以下事实：神经网络使用训练方法，使得可"学到"应力和变形预测计算；一旦训练好网络，则其可通过输入数据集上的简单直接算术操作来在微不足道的时间内产生计算输出，从而避免与常规分析工具相关联的显著延迟。
根据本发明的方面，公开了一种快速预测淬火铝铸件的残余应力和变形中的至少一者的计算机执行的方法。该方法包括接收对应于与铸件相关联的拓扑特征、几何特征和淬火工艺参数中的至少一者的计算机输入数据，且然后将计算机操作为神经网络来确定对应于残余应力和变形值中至少一者的输出数据。操作为神经网络对应于训练网络来确定数据有效性，以及在数据中超过误差阈值时再训练网络。如上文所述，通过操作为神经网络，将生成快速准确的结果，而没有与传统基于有限元的计算相关联的延迟、成本和复杂性。实际上，预测的快速优选包括大致实时(例如，主要以分钟计)输出应变或变形标记中的一者或两者，而非由传统基于有限元的计算消耗的数小时或数天。在本文上下文内举例来说，使用本发明的大多数铸铝汽车构件的残余应力和变形的快速分析的大致实时运行时间小于10分钟。通过更具体的实例，具有一百万节点的对于汽车气缸盖的此运行时间为大约5分钟。在优选形式中，该方法基于节点执行，使得互连节点的网可用于模拟由实际铸造构件限定的连续介质，其中应力或变形的计算时间随网中的表面节点的尺寸线性变化。
根据本发明的另一个方面，公开了一种提供大致实时预测淬火铝铸件的残余应力和变形中的至少一者的神经网络系统。该系统包括构造成接收关于与铸件相关联的拓扑特征、几何特征和淬火工艺参数中的至少一者的数据的输入、构造成传送由系统预测的铝铸件的残余应力和变形中的至少一者的数据的信息输出、处理单元(例如，一个或多个微处理器)、以及具有体现于其中的计算机可读程序代码的计算机可读介质。计算机可读介质与输入、输出和处理单元协作以操作为ANN以提供大致实时预测。在相关形式中，系统(如，计算机可读介质)的一部分可配置为预测铝铸件的残余应力和变形中的至少一者的制品，包括信息输入、信息输出和至少一个计算机可用介质。
本发明还提供如下方案：
1.一种快速预测淬火铝铸件的残余应力和变形中的至少一者的计算机执行的方法，所述方法包括：
将对应于与所述铸件相关联的拓扑特征、几何特征和淬火工艺参数中的至少一者的输入数据接收到所述计算机中；以及
将所述计算机操作为神经网络来基于所述输入数据来确定对应于所述残余应力和变形中的至少一者的输出数据，所述操作构造成训练所述网络来确定所述输入数据和所述输出数据中的至少一者的有效性以及在超过误差阈值时再训练所述网络。
2.根据方案1所述的方法，其特征在于，对应于与所述铸件相关联的拓扑特征、几何特征和淬火工艺参数中的至少一者的所述输入数据包括对应于所述拓扑特征、几何特征和淬火工艺参数中的各个的输入数据。
3.根据方案2所述的方法，其特征在于，所述几何特征至少包括由以下公式确定的高斯曲率：
。
4.根据方案3所述的方法，其特征在于，所述几何特征至少包括使用以下公式计算的最大二面角：
。
5.根据方案2所述的方法，其特征在于，所述淬火工艺参数包括在所述铸件的淬火期间发生的节点温度变化。
6.根据方案2所述的方法，其特征在于，所述拓扑特征包括通过使用以下函数由广度优先搜索确定的至少一组最近邻节点：
。
7.根据方案2所述的方法，其特征在于，所述输入数据基于所述铸件的网模拟来以节点形式接收。
8.根据方案1所述的方法，其特征在于，所述网络由至少一个输入层、至少一个隐藏层和至少一个输出层限定，使得所述网络的训练通过由所述网络内的所述隐藏层和所述输出层中的至少一者计算的加权值实现。
9.根据方案8所述的方法，其特征在于，加权值可在所述操作期间由所述网络改变。
10.根据方案9所述的方法，其特征在于，所述输入层和所述输出层中的至少一者对其中接收到的相应数据执行线性处理步骤。
11.根据方案8所述的方法，其特征在于，所述隐藏层对其中接收到的数据执行非线性处理步骤。
12.根据方案1所述的方法，其特征在于，所述快速预测包括大致实时地输出所述铸件的残余应力和变形中的至少一者的标记。
13.根据方案12所述的方法，其特征在于，所述大致实时是不大于大约10分钟。
14.一种提供大致实时预测淬火铝铸件的残余应力和变形中的至少一者的神经网络系统，所述系统包括：
构造成接收关于与所述铸件相关联的拓扑特征、几何特征和淬火操作参数的数据的输入；
构造成传送关于由所述系统预测的所述铸件的残余应力和变形中的至少一者的数据的信息输出；
处理单元；以及
包括体现在其中的计算机可读程序代码的计算机可读介质，所述计算机可读介质与所述输入、输出和处理单元协作以操作为人工神经网络来提供所述大致实时预测。
15.根据方案14所述的系统，其特征在于，所述程序代码构造成在所述网络中的至少一个输入层、至少一个隐藏层和至少一个输出层上操作，使得所述网络的训练通过由所述网络内的所述隐藏层和所述输出层中的至少一者计算的加权值实现。
16.根据方案14所述的系统，其特征在于，所述几何特征至少包括由以下公式确定的高斯曲率：
。
17.根据方案16所述的系统，其特征在于，所述几何特征至少包括使用以下公式计算的最大二面角：
。
18.根据方案14所述的系统，其特征在于，所述淬火工艺参数包括在所述铸件的淬火期间发生的节点温度变化。
19.根据方案14所述的系统，其特征在于，所述拓扑特征包括使用以下函数由广度优先搜索确定的至少一组最近邻节点：
。
20.根据方案14所述的系统，其特征在于，所述输入数据基于所述铸件的网模拟来以节点形式接收。
附图说明
以下对特定实施例的详细描述可在连同附图阅读时得到最佳理解，其中相似的结构以相似的参考标号指出，且在附图中：
图1示出了绘出根据本发明的一个实施例的铝铸件残余应力预测的人工神经网络；
图2示出了为图1的神经网络的输入的一部分的一些几何和拓扑特征的简图；
图3A和3B示出了使用FEA和神经网络方法的残余应力预测的比较；
图4A和4B示出了使用FEA和神经网络方法的变形预测的比较；以及
图5示出了根据本发明的方面的使用进行残余应力和变形预测的基于神经网络的方式的基于计算机系统的框图。
附图中阐明的实施例在性质上是示范性的，且不旨在限制由权利要求限定的实施例。此外，附图和实施例的独立方面将鉴于以下详细描述更完整地显现和理解。
具体实施方式
首先参看图1，示出根据本发明的实施例的用于确定淬火的铝基铸件的残余应力和变形中的至少一者的前馈(即，直接非循环的)神经网络100图示。在神经网络100中，输入层200由许多铸件和淬火特有的特征构成，包括铸件拓扑特征210、淬火工艺特征220和铸件几何特征230。输出层400包括铸件构件的三维变形信息410和最大主应力信息420。至少一个隐藏层300包括经由其输入和输出连接来连接到输入层200和输出层400的各个神经元上但不接收外部输入或产生外部输出的节点。仅示出了一个隐藏层300，但本领域的技术人员将认识到：取决于被建模的活动的复杂性，其可包括许多层。
在一种形式中，输入节点(或处理元件)限定由参数x0到xt(对于几何特征230)、xi＋1到xj(对于淬火工艺特征220)和xj＋1到xD(对于拓扑特征210)构成的输入矢量；这些参数通过线性处理器元件操作，所述元件可执行简单的"与"、"或"、"非"或相关逻辑门功能以便以类似于人的神经元的方式产生单个可预测输出。数学上，下标"D"代表输入变量的总数。对应于隐藏层300和输出层400的节点可依靠其相应的参数类似地操作，其中隐藏层300具有由输入层200的输入参数和线性处理器元件的数目及隐藏层300处理器元件的数目确定的对应矩阵大小。因此(例如)，如果存在输入层200中的"A"个线性处理器元件和隐藏层300中的"B"个处理器元件，则矩阵大小将为A乘以B。在输入层200与隐藏层300之间生成的各个信号从第一加权矩阵应用于对应的权重。隐藏层300的各个处理器元件(其对应于参数)由求和节点和非线性(例如，反曲)传递函数构成。各个求和节点接收来自成组加权层间信号的相应一个、以及来自偏差矢量的偏差信号，其从偏差矢量来产生单个输出信号。输出层400包括作为来自隐藏层300的处理器元件的输出的各种层间信号；这些信号中的各个从第二加权矩阵应用于对应的权重。输出层400的处理元件包括以大体上类似于输入层200的处理元件的线性传递函数，以及偏差信号和求和节点，后者接收各个加权层间信号。从输出层400处理器元件输出的信号y0,y1,y3和y4构成铝铸件的残余应力或变形的神经网络100的估计。
简言之，在输出节点y0,y1,y3和y4处生成的信息为在输入节点x0,x1...xD处提供的值的和，其通过对应加权修正的适合的逻辑函数在数学上运算。在方程形式：
其中yk(x,w)等于对于给定输入节点值来说在k节点处的输出值(例如，最大主残余应力和变形)，且对应的加权σ为数学函数或数学运算符，且xi等于第i节点处的输入值。首先，输入变量x0,x1,…,xD的M线性组合以以下形式构成:
其中j=1,2,…,M,x0,x1,…,xD表示特征矢量的元素值，且上标表示对应的参数在网络100的第一层中。参数为权重，且参数为偏差，而量aj已知为激励；这些中的各个然后通过使用可微分的非线性激励函数h(·)来转换以给出：
其组成了隐藏单元。非线性函数h(·)大体上选择成反曲函数，如逻辑反曲或双曲正切函数。这些值又线性地组合来生成输出单元激励：
其中k=1,2,3,4表示应力和变形的四个参数。该变形对应于网络100的第二(即，隐藏)层300。最后，输出单元激励使用适合的激励函数来转换，以给出构成输出层400的一组网络输出yk。激励函数的选择由数据的性质确定。因此，对于标准回归问题，激励函数为恒等式，以便yk=ak。这些处理可组合来给出总体网络函数，其对于反曲输出单元激励函数来说采取如以上等式(1)所示的形式。
接下来连同图1参看图5，基于计算机的系统10可用于预测铝铸件的残余应力和变形。系统10包括信息输入20、信息输出30、处理单元40和计算机可读介质50。信息输入20构造成接收关于铝铸件的信息，而信息输出30构造成传送关于由系统10预测的铝铸件的残余应力和变形的信息。计算机可读介质50包括体现在其中的计算机可读程序代码，此代码可包括几何特征分析模块50A、拓扑特征分析模块50B和快速热/淬火分析模块50C中的一个或多个、以及可被直接输入的分析淬火温度数据集50D(当可用时)；在一种形式中，此数据集使用上文所述的美国专利8,214,182的分析模型来生成。神经网络程序50E也包括在计算机可读介质50上。神经网络程序50E可为任何适合类型的神经网络，如，从许多商家商业地可得到的那些。
在优选形式中，计算机可读介质50为具有计算机可读程序代码器件的存储器形式，以处理所接收的关于铝铸件的信息的至少一部分。如将由本领域的技术人员认识到的那样，计算机存储器可为随机存取存储器(RAM，也称为大容量存储器，其可用于数据的暂时储存)，以及只读存储器(ROM)形式的指令储存存储器。信息输入20可以以多种方式接收信息，包括传感器、因特网或与外部数据源的相关连接、光盘、USB端口、闪速驱动器等。在一个优选实例中，对于残余应力和变形分析的铸件几何模型作为图解文件输入。如本领域的技术人员将认识到的那样，计算机系统10可作为自主(即，独立)单元存在，或可为较大网络的一部分，如，云计算中遇到的那些，其中各种计算、软件、数据存取和储存服务可存在于不同的物理地点。计算资源的此分解并未有损于归类为计算机的此系统。
在特定形式中，计算机可读的程序代码器件对应于包括上文提到的那些的一个或多个模块：几何特征分析模块50A、拓扑特征分析模块50B和快速热/淬火分析模块50C，它们所有都可载入ROM或RAM，以及可被直接地输入的分析淬火温度数据集50D(当可用时)；在一种形式中，此数据集使用上文所述的美国专利8,214,182的分析模型来生成。当可用时，分析淬火温度数据集50D提供快速热/淬火分析模块50C的替代方案；显著地，分析淬火温度数据集50D直接输入被嵌入在计算机可读介质50上的代码、程序、算法或相关手段中不降低本发明利用其操作的速度。此计算机可读程序代码器件还形成为制品的一部分，使得包含在代码中的指令位于磁性可读或光学可读的盘或其它相关非暂时的机器可读介质上，如，闪存装置、CD-ROM、DVD-ROM、EEPROM、能够储存机器可执行指令和数据结构的软盘。此介质能够由计算机系统10或具有一个或多个处理单元40的其它电子装置存取。计算机可读介质50的铸件几何模型50F和神经网络模型50E通过模型50A到50D彼此相互作用以快速地计算残余应力和变形，其中(如上文所述)热淬火信息可由热/淬火分析模块50C或分析淬火温度数据集50D来提供。
神经网络100可认为是通过分布在上述离散层中的简单神经元类元件的大规模平行互连来对人脑仿真。此分布式计算能力提供了在常规基于冯诺依曼构架的集中式处理方法中不存在的灵活性(但如本领域的技术人员理解，后者可通过一个或多个适当配置的软件模块来编程为操作为前者)。实际上，甚至在以复杂、局部且有时不相干的输入存在时，神经网路决策也类似于人直觉和结论做出。其通过学习过程将此实现为由来自观察或感测数据的任意函数的逼近来模拟智能思维的方式。如上文所述，这种学习可通过使用训练模式以识别多少权重或相关性归因于未知信息来实现；通常，该信息隐藏在数据中，使得通过响应于特定训练模式来调整权重，神经网络可自动地学习使输入和输出数据最佳地相关的基础规则组。
如本公开内容别处提到的那样，计算可体现在计算机可读介质50上，其中可体现计算机可读程序代码。计算机可读介质50与处理单元40、信息输入20和信息输出30协作，使得接收到的信息通过处理单元40和提供至信息输出30的计算机可读程序代码操作来作为铝铸件的残余应力和变形中的至少一者的预测。在一种形式中，计算机可读程序代码由以上模块50A到50E构成。具体而言，几何特征分析模块50A采用铸件几何模型来指出关键几何特征230，如，坐标、曲率、最大二面角，且提供信息至神经网络模型50E来计算残余应力和变形。类似地，拓扑特征分析模块50B采用铸件几何模型50F来找出关键拓扑特征210，如，用于残余应力和变形的神经网络模型50E计算的相邻节点连接。快速热/淬火分析模块50C采用铸件几何模型来进行快速淬火(冷却)分析，且提供基于节点的温度数据集220(作为时间函数)至神经网络模块50E来用于残余应力和变形分析。作为50C的替代解决方案，分析淬火温度数据集可直接地映射至铸件几何模型且发送至神经网络模型50E来用于残余应力和变形计算。神经网络模型50E需要来自所有三个模块50A、50B和50C/50D的信息以能够计算残余应力和变形。
在一个特定形式中，被称为反向传播的公知技术有助于形成适合的学习算法。通过知道期望的输出，且因此调整输入的权重，MFF的监督训练可快速推断出数据集隐含的映射。具体参看附图，除加权之外，神经元(示为隐藏层300中的各个连接点z0,z1,…,zM处的节点处理元件)从其它神经元(除输入层200中的神经元外)接收多个输入，以根据适合(通常是非线性)激励函数来生成输出层400中的有限数目的输出。这种反向传播为网络的多步监督学习过程的一部分，其包括(a)限定输入和数据集(其通常认为是被组织为矢量)，(b)训练和数据建模测试，(c)误差确定和减少，以及(d)结果处理。
加权可通过(基于软件的)规则来实施，以确定如何改变加权可响应于输入和在网络的循环周期期间出现的期望输出来变化。网络的多层性质对于计算连续(而非离散或阶跃)输出很重要。因此，逻辑函数(也称为激励函数或激发函数，其常见实例为反曲函数)可用于将输出信号与连续(而非阶跃)函数良好关联，以通过并入计算的反向传播部分中来提高输出准确性。实际上，连同输入层200和输出层400的各个节点处理元件处的上述线性逻辑函数，由(多个)隐藏层300中的基于反曲激励函数的存在引入的非线性对于神经网络100提供输出层400中的准确的残余应力和变形估计的操作很关键，其中输入拓扑、淬火工艺和几何特征和输出应力和变形之间会存在非线性对应。对于特定铸造构件如发动机气缸体、气缸盖、悬架部分等的复杂几何形状和冷却性质，这尤其为真。因此，即使在它们之间的关系不是线性的(或甚至清楚)时，本发明也允许对由这些性质产生的在此构件中的应变和变形的影响的准确估计。因此，在隐藏层300内发生的非线性处理和在输出层400处发生的线性处理的组合可准确地接近实时地模拟铸铝构件的应变和变形行为。
接下来参看图2，示出了对于标称铸铝构件的表面的图解网中的小局部区域的几何和拓扑特征的示意性图示。神经网络100训练成学习包含在输入和输出数据中的基于时间的模式，以及基于这些模式作出预测。以大体上类似于产生有限元网的方式，产生的表面由多个三角形构成，其中vi为感兴趣节点，且为vi的相邻节点的集合。如上文所述，残余应力和变形数据可使用几何信息(即，曲率、最大二面角等)、拓扑信息和淬火工艺信息(如，淬火温度和淬火介质)，以提供对某些铸造过程步骤在特定铸铝构件上的影响的快速(即，实时或接近实时)的评估。关于几何信息，节点vi处的曲率k可由高斯曲率公式表示：
其中k(vi)等于基于主曲率的高斯曲率来作为确定待分析的零件的表面上的椭圆、双曲线和抛物线点。在方程中，θ(vi,vj,vk)表示节点vi处的对于三角形ti,j,k的角，且A(vi,vj,vk)表示图中绘出的三角形ti,j,k的面积。类似地，Σ为常规数学求和运算符。类似地，最大二面角可由以下公式表示：
其中如所示，θ(ei,j)表示边缘ei,j的二面角，因为节点vi具有一组相邻节点且因此一组二面角，其最大值使用方程(5)计算。方程(6)用于计算各个相邻节点的独立二面角(即，图的各个三角形)。本发明人发现最大二面角为被包含作为用于形成本神经网络模型的输入变量中的一个的主要几何特征中的一个。
关于拓扑信息，为了查找特定节点vi的第一k近邻，广度优先搜索(BFS)方法利用以下函数来形成：
以作为查看、扩张和检查节点vi附近的节点的方式。换言之，BFS为找出节点vi的最接近数量的近邻的搜索方法，且在搜索限于检查图上的节点以及当前查看的节点附近的那些节点时特别有用。通过积极地分出未查看的相邻节点，附加的输入变量信息可识别出和操作来作为整个神经网络模型的一部分。
关于关键淬火过程变量，基于节点的铸件温度可被预测为时间函数：
其中T为温度，且ti为时间(以适合的单位计，如，秒或分钟)。本发明人还发现淬火期间的节点温度变化为待被包括在神经网络模型中的另一个重要输入变量。
接下来参看图3A、3B、4A和4B，基于FEA的残余应力(图3A)和变形(图4A)分析的结果被示为代表性铸铝部件的区段的轮廓图，并且对于相同区段示出根据本发明的方面的基于ANN的残余应力(图3B)和变形(图4B)分析的结果。显著的是，图3A与图3B之间针对应力和图4A和4B之间针对变形的大致一致表明由基于FEA方法生成的时间密集计算可通过使用基于神经网络方法来在非常少的时间内复制。大体上，图3A和4A的基于FEA的应力和变形分析方法需要大约48小时的运行时间；相对地，使用本发明的基于神经网络方法的图3B和4B的应力和变形分析方法花费大约5分钟的运行时间。从这些轮廓图获得样本信息，表1示出了平均绝对测试误差(AAE)为14.958MPa，而平均相关测试误差(ARE)为0.1401，拉伸应力的绝对测试误差(MaxAE)为38.9654MPa，拉伸应力的相关测试误差(MaxRE)为0.1627，压缩应力的绝对测试误差(MinAE)为6.9006MPa，且压缩应力的相关测试误差(MinRE)为0.0913。因为所有这些测试误差都接近训练误差，故ANN模型并未过拟合。
类似地，如表2中所示，三维笛卡尔坐标系中的变形的所有AAE都小于0.01mm，且三个方向上的变形的所有ARE都小于0.01mm。如上文所述，测试误差非常接近训练误差，所以ANN模型认为是适当准确的。
在铝铸件的淬火和相关热处理操作中，引起的残余应力和变形大体上归因于冷却速率的不同；这些继而又高度地取决于铸件的几何结构内的特定位置。材料构成模型(其可在FEA分析中结合，如，通过特定材料子程序(如，Abaqus中的UMAT)的AbaqusFEA等)提供特定材料的使用者限定的机械性质来作为进一步提高预测准确性的方式。显著地，此材料子程序在所有材料计算节点处的基于FEA的方法中调入，对于所述节点，材料限定包括此时间依赖的材料性质。此外，此子程序可用于更新应力和依赖解决方案的状态变量至其在特定时间增量结束处的值，对于此，子程序被调入以提供对于构成模型的材料矩阵(例如，雅可比矩阵)的方式。举例来说，以下的表3强调了两种广泛使用的铝合金铸件318和A356的材料性质的采样，连同一些可定量性质，它们通常用作材料构成建模的一部分。
相比之下，在本发明的神经网络模型中，材料构成关系如这些并未直接使用(因此导致显著的计算节省)。替代地，材料性质效果在淬火温度变化和用于训练神经网络100的模型的应力和变形数据中采集。换言之，数据如表中绘出的那些作为前体使用来训练神经网络100模型。在本发明中，对于319和A356合金的上表中所示的材料热性质，以及材料构成模型(对于机械性能)，已经在淬火期间在分析温度变化中得到反映。类似地，(如，使用上述基于FEA的方法计算的)残余应力和变形数据可用于训练神经网络100模型。在此训练之后，神经网络100模型可预测材料残余应力和变形，而不再使用材料构成模型和热物理性质，因此避免了每次执行基于FEA的方法时重复的一些计算密集操作。
注意，虽然本文提供的大部分描述对于关于预测淬火铝铸件的残余应力和变形中的至少一者的系统的本发明的实施例特有，但是相同描述同样一致地应用于涉及预测淬火铝铸件的残余应力和变形中的至少一者的方法和制品的本发明的其它实施例。
还注意，以特定方式"配置"或体现特定性质或以特定方式起作用的实施例的构件的这里的叙述是与预计使用的叙述相对的结构叙述。更具体而言，这里提到的构件"配置"的方式表示构件的现有物理状态，且因此，用作构件的结构因素的明确叙述。
额外地注意，用语如"大体上"、"一般"和"通常"在这里使用时，并不用于限制提出的实施例的范围、或隐含某些特征对于提出的实施例的结构或功能是关键、必要或甚至重要的。相反，这些用语仅旨在识别实施例的特定方面，或强调可用于或可不用于特定实施例的替代或附加特征。
为了描述和限定这里的实施例的目的，还注意，用语"大致"、"显著地"和"大约"在这里用于代表可归因于任何定量比较、值、测量或其它表达的内在不确定程度。这些用语在这里还用于代表定量表达可从指定基准变化而不导致本主题的基本功能的变化的程度。
详细描述了本发明的实施例，且通过参照其特定实施例，将清楚改型和变形是可能的，而不会脱离所附权利要求中限定的实施例的范围。更具体而言，尽管本发明的实施例的一些方面在这里识别为优选或特别有利的，但构想出本发明的实施例不一定限于这些优选方面。
Claims (10)
1.一种快速预测淬火铝铸件的残余应力和变形中的至少一者的计算机执行的方法，所述方法包括：
将对应于与所述铸件相关联的拓扑特征、几何特征和淬火工艺参数中的至少一者的输入数据接收到所述计算机中；以及
将所述计算机操作为神经网络来基于所述输入数据来确定对应于所述残余应力和变形中的至少一者的输出数据，所述操作构造成训练所述网络来确定所述输入数据和所述输出数据中的至少一者的有效性以及在超过误差阈值时再训练所述网络。
2.根据权利要求1所述的方法，其特征在于，对应于与所述铸件相关联的拓扑特征、几何特征和淬火工艺参数中的至少一者的所述输入数据包括对应于所述拓扑特征、几何特征和淬火工艺参数中的各个的输入数据。
3.根据权利要求2所述的方法，其特征在于，所述几何特征至少包括由以下公式确定的高斯曲率：
。
4.根据权利要求3所述的方法，其特征在于，所述几何特征至少包括使用以下公式计算的最大二面角：
。
5.根据权利要求2所述的方法，其特征在于，所述淬火工艺参数包括在所述铸件的淬火期间发生的节点温度变化。
6.根据权利要求2所述的方法，其特征在于，所述拓扑特征包括通过使用以下函数由广度优先搜索确定的至少一组最近邻节点：
。
7.根据权利要求2所述的方法，其特征在于，所述输入数据基于所述铸件的网模拟来以节点形式接收。
8.根据权利要求1所述的方法，其特征在于，所述网络由至少一个输入层、至少一个隐藏层和至少一个输出层限定，使得所述网络的训练通过由所述网络内的所述隐藏层和所述输出层中的至少一者计算的加权值实现。
9.根据权利要求8所述的方法，其特征在于，加权值可在所述操作期间由所述网络改变。
10.一种提供大致实时预测淬火铝铸件的残余应力和变形中的至少一者的神经网络系统，所述系统包括：
构造成接收关于与所述铸件相关联的拓扑特征、几何特征和淬火操作参数的数据的输入；
构造成传送关于由所述系统预测的所述铸件的残余应力和变形中的至少一者的数据的信息输出；
处理单元；以及
包括体现在其中的计算机可读程序代码的计算机可读介质，所述计算机可读介质与所述输入、输出和处理单元协作以操作为人工神经网络来提供所述大致实时预测。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US14/295,404 US9489620B2 (en) | 2014-06-04 | 2014-06-04 | Quick analysis of residual stress and distortion in cast aluminum components |
| US14/295404 | 2014-06-04 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105183928A true CN105183928A (zh) | 2015-12-23 |
Family
ID=54548987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510303022.XA Pending CN105183928A (zh) | 2014-06-04 | 2015-06-04 | 铸铝构件中的残余应力和变形的快速分析 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US9489620B2 (zh) |
| CN (1) | CN105183928A (zh) |
| DE (1) | DE102015107800A1 (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107704657A (zh) * | 2017-09-06 | 2018-02-16 | 北京航空航天大学 | 一种由残余应力释放引起的板类零件翘曲变形的计算方法 |
| CN109843460A (zh) * | 2016-09-30 | 2019-06-04 | 株式会社Uacj | 铝制品的特性预测装置、铝制品的特性预测方法、控制程序、以及记录介质 |
| CN112949000A (zh) * | 2021-02-26 | 2021-06-11 | 北京理工大学 | 基于卷积神经网络模型的构件残余应力反演方法 |
| CN112975574A (zh) * | 2021-04-22 | 2021-06-18 | 四川大学 | 一种铝合金薄壁件铣削过程表面质量在线检测系统 |
| CN116305665A (zh) * | 2023-05-15 | 2023-06-23 | 广东工业大学 | 一种工件横截面残余应力分布的分析方法及相关装置 |
| CN117371626A (zh) * | 2023-12-07 | 2024-01-09 | 小米汽车科技有限公司 | 铸件质量预测方法、装置及介质 |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9862034B2 (en) * | 2013-07-30 | 2018-01-09 | Honda Motor Co., Ltd. | Round hole machining method and round hole machining device |
| CN105392586B (zh) * | 2013-07-30 | 2017-06-13 | 本田技研工业株式会社 | 圆形孔加工方法和圆形孔加工装置 |
| US10253401B2 (en) * | 2016-09-16 | 2019-04-09 | GM Global Technology Operations LLC | Method for relieving residual stress in cast-in-place liners of HPDC engine blocks |
| EP3316061A1 (en) * | 2016-10-31 | 2018-05-02 | Fundacion Deusto | Procedure for predicting the mechanical properties of pieces obtained by casting |
| CN107577850A (zh) * | 2017-08-11 | 2018-01-12 | 中国航发北京航空材料研究院 | 应用bp神经网络预测tc4钛合金铸件缩孔缺陷的方法 |
| CN109359360B (zh) * | 2018-09-30 | 2022-11-11 | 国家超级计算天津中心 | 一种基于局部特征的结构应力处理方法 |
| CN112825105B (zh) * | 2019-11-20 | 2022-07-12 | 上海交通大学 | 混合材料参数压缩的板料挤压成形力快速预测方法 |
| CN115510597B (zh) * | 2022-09-22 | 2024-02-02 | 中国人民解放军海军航空大学 | Gnn框架下基于广义s维分配的多传感器数据互联方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101419644A (zh) * | 2008-11-11 | 2009-04-29 | 江苏大学 | 一种考虑残余应力的车轮外加载荷的应力数值分析方法 |
| CN101887472A (zh) * | 2009-05-12 | 2010-11-17 | 通用汽车环球科技运作公司 | 预测淬火铝铸件中残余应力和变形的方法 |
| CN102779216A (zh) * | 2012-07-30 | 2012-11-14 | 杭州电子科技大学 | 基于有限元模型的电磁感应加热过程系统辨识方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1992020029A1 (en) | 1991-04-29 | 1992-11-12 | Intel Corporation | Neural network incorporating difference neurons |
| US5790754A (en) | 1994-10-21 | 1998-08-04 | Sensory Circuits, Inc. | Speech recognition apparatus for consumer electronic applications |
| US6064180A (en) | 1996-10-29 | 2000-05-16 | General Motors Corporation | Method and apparatus for determining battery state-of-charge using neural network architecture |
| US6070098A (en) | 1997-01-11 | 2000-05-30 | Circadian Technologies, Inc. | Method of and apparatus for evaluation and mitigation of microsleep events |
| US6857553B1 (en) | 2002-04-17 | 2005-02-22 | The United States Of America As Represented By The United States Department Of Energy | Method and apparatus for in-process sensing of manufacturing quality |
| DE102004030782A1 (de) | 2004-06-25 | 2006-01-19 | Fev Motorentechnik Gmbh | Fahrzeug-Steuergerät mit einem neuronalen Netz |
| US7526461B2 (en) | 2004-11-17 | 2009-04-28 | Gm Global Technology Operations, Inc. | System and method for temporal data mining |
| US7810476B2 (en) | 2007-03-06 | 2010-10-12 | Gm Global Technology Operations, Inc. | Method and apparatus for estimating exhaust temperature of an internal combustion engine |
| US8756047B2 (en) | 2010-09-27 | 2014-06-17 | Sureshchandra B Patel | Method of artificial nueral network loadflow computation for electrical power system |
-
2014
- 2014-06-04 US US14/295,404 patent/US9489620B2/en active Active
-
2015
- 2015-05-19 DE DE102015107800.7A patent/DE102015107800A1/de active Pending
- 2015-06-04 CN CN201510303022.XA patent/CN105183928A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101419644A (zh) * | 2008-11-11 | 2009-04-29 | 江苏大学 | 一种考虑残余应力的车轮外加载荷的应力数值分析方法 |
| CN101887472A (zh) * | 2009-05-12 | 2010-11-17 | 通用汽车环球科技运作公司 | 预测淬火铝铸件中残余应力和变形的方法 |
| CN102779216A (zh) * | 2012-07-30 | 2012-11-14 | 杭州电子科技大学 | 基于有限元模型的电磁感应加热过程系统辨识方法 |
Non-Patent Citations (1)
| Title |
|---|
| QUAN ZHIBIN等: "Rapid Residual Stress and Distortion Prediction in Cast Aluminum Components Using Artificial Neural Network and Part Geometry Characteristics", 《SAE TECHNICAL PAPER》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109843460A (zh) * | 2016-09-30 | 2019-06-04 | 株式会社Uacj | 铝制品的特性预测装置、铝制品的特性预测方法、控制程序、以及记录介质 |
| CN107704657A (zh) * | 2017-09-06 | 2018-02-16 | 北京航空航天大学 | 一种由残余应力释放引起的板类零件翘曲变形的计算方法 |
| CN107704657B (zh) * | 2017-09-06 | 2021-05-07 | 北京航空航天大学 | 一种由残余应力释放引起的板类零件翘曲变形的计算方法 |
| CN112949000A (zh) * | 2021-02-26 | 2021-06-11 | 北京理工大学 | 基于卷积神经网络模型的构件残余应力反演方法 |
| CN112949000B (zh) * | 2021-02-26 | 2022-08-02 | 北京理工大学 | 基于卷积神经网络模型的构件残余应力反演方法 |
| CN112975574A (zh) * | 2021-04-22 | 2021-06-18 | 四川大学 | 一种铝合金薄壁件铣削过程表面质量在线检测系统 |
| CN116305665A (zh) * | 2023-05-15 | 2023-06-23 | 广东工业大学 | 一种工件横截面残余应力分布的分析方法及相关装置 |
| CN116305665B (zh) * | 2023-05-15 | 2023-08-11 | 广东工业大学 | 一种工件横截面残余应力分布的分析方法及相关装置 |
| CN117371626A (zh) * | 2023-12-07 | 2024-01-09 | 小米汽车科技有限公司 | 铸件质量预测方法、装置及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20150356402A1 (en) | 2015-12-10 |
| DE102015107800A1 (de) | 2015-12-10 |
| US9489620B2 (en) | 2016-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105183928A (zh) | 铸铝构件中的残余应力和变形的快速分析 | |
| Wang et al. | Committee-based active learning for surrogate-assisted particle swarm optimization of expensive problems | |
| Gordan et al. | State-of-the-art review on advancements of data mining in structural health monitoring | |
| Silva et al. | A novel unsupervised approach based on a genetic algorithm for structural damage detection in bridges | |
| Wang | Towards zero-defect manufacturing (ZDM)—a data mining approach | |
| Barkhordari et al. | Structural damage identification using ensemble deep convolutional neural network models | |
| Avci et al. | Self-organizing maps for structural damage detection: a novel unsupervised vibration-based algorithm | |
| He et al. | Using genetic algorithms and finite element methods to detect shaft crack for rotor-bearing system | |
| Kaveh et al. | An efficient two‐stage method for optimal sensor placement using graph‐theoretical partitioning and evolutionary algorithms | |
| Olatunji et al. | Improved sensitivity based linear learning method for permeability prediction of carbonate reservoir using interval type-2 fuzzy logic system | |
| CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
| Seyedpoor et al. | A two-step method for damage identification in moment frame connections using support vector machine and differential evolution algorithm | |
| CN115270239A (zh) | 基于动力特性和智能算法响应面法的桥梁可靠性预测方法 | |
| CN116933192A (zh) | 混凝土坝运行关键部位分区监控方法及模型 | |
| Kuok et al. | Broad Bayesian learning (BBL) for nonparametric probabilistic modeling with optimized architecture configuration | |
| YiFei et al. | Metamodel-assisted hybrid optimization strategy for model updating using vibration response data | |
| Zargar et al. | Deep learning in early-stage structural performance prediction: Assessing morphological parameters for buildings | |
| Shun et al. | Incorporated design aimed at additive manufacturing through machine learning | |
| Yuan et al. | Large-scale baseline model exploration from structural monitoring based on a novel information entropy-probability learning function | |
| Kampolis et al. | Multilevel optimization strategies based on metamodel-assisted evolutionary algorithms, for computationally expensive problems | |
| Guo et al. | Data mining and application of ship impact spectrum acceleration based on PNN neural network | |
| El Wakil et al. | Data management for construction processes using fuzzy approach | |
| KR101151013B1 (ko) | 타이어 성능 평가 방법 | |
| CN114491730A (zh) | 一种高速铁路路基结构动力安定分析迭代方法及装置 | |
| WO2022064573A1 (ja) | 敵対的生成ネットワークを用いた生産条件生成システム、及びその生産条件生成方法並びに生産条件生成プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151223 |