CN108733894A - 基于ansys和遗传算法的3d打印桨叶结构优化设计 - Google Patents

基于ansys和遗传算法的3d打印桨叶结构优化设计 Download PDF

Info

Publication number
CN108733894A
CN108733894A CN201810383301.5A CN201810383301A CN108733894A CN 108733894 A CN108733894 A CN 108733894A CN 201810383301 A CN201810383301 A CN 201810383301A CN 108733894 A CN108733894 A CN 108733894A
Authority
CN
China
Prior art keywords
ansys
genetic algorithm
printing
structure optimization
blade structure
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
Application number
CN201810383301.5A
Other languages
English (en)
Inventor
周丞
马佳
郭涵涛
王松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201810383301.5A priority Critical patent/CN108733894A/zh
Publication of CN108733894A publication Critical patent/CN108733894A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Physiology (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)

Abstract

本发明公开了一种基于ANSYS和遗传算法的3D打印桨叶结构优化设计，包括：S1：设定遗传算法的运行参数及3D打印桨叶设计变量的初始值；S2：利用MATLAB调用ANSYS基于设计变量进行建模分析，然后输出相关建模数据；S3：采用罚函数法将约束条件与目标函数相结合作为适应度函数，利用ANSYS提取的数据进行适应度计算，然后判断是否满足停止准则即迭代次数；S4：如果不满足停止准则，则进入循环遗传操作，生成新的设计变量种群，重新进入步骤S2、S3；直至满足程序停止准则，结束循环，输出最优个体。本发明通过遗传算法与ANSYS相互的数据传输及调用，大大提高结构优化设计的效率及精度，程序运行稳定可靠。

Description

基于ANSYS和遗传算法的3D打印桨叶结构优化设计
技术领域
本发明属于3D打印桨叶结构的优化计划领域，具体涉及一种基于ANSYS和遗传算法的3D打印桨叶结构的优化设计方法。
背景技术
随着计算机的发展，结构优化设计软件的联合运用方法也开始广泛地被采纳。结构优化设计是以数学的最优化理论作为基础，用计算机软件配合迭代，在一定的约束条件下寻求最优解。ANSYS软件具有很强的结构分析功能，Matlab有很多可供选择的遗传算法优化工具箱以及很好的矩阵计算能力。在结构优化设计中，可充分利用二者的优势，实现Matlab与ANSYS的数据传输，对3D桨叶进行结构优化。
ANSYS可以通过APDL二次开发实现3D打印桨叶的参数化建模设计，但是ANSYS优化设计模块优化功能有限，设计变量有限制，APDL通过ANSYS的命令行窗口编译，缺乏强大的调试功能。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种基于ANSYS和遗传算法的3D打印桨叶结构的优化设计方法，通过Matlab遗传算法与ANSYS相互的数据传输及调用，大大提高结构优化的效率及精度，程序运行稳定可靠。
技术方案：为实现上述目的，本发明采用的技术方案为：
基于ANSYS和遗传算法的3D打印桨叶结构优化设计，包括以下步骤：
S1：利用MATLAB设定遗传算法的运行参数，包括种群规模、染色体长度、最大迭代次数、交叉概率、变异概率，然后设定3D打印桨叶设计变量的参数范围，并在参数范围内随机生成初始值，存入vara.txt文档里；
S2：利用MATLAB调用ANSYS在后台自动运行，ANSYS调用vara.txt文档数据进行建模分析，然后输出相关建模数据，存入result.txt文档里；
S3：采用罚函数法将约束条件与目标函数相结合作为适应度函数(把有约束条件的优化转化为无约束条件的优化)，并利用MATLAB调用result.txt文档的数据进行适应度计算，然后判断是否满足停止准则即迭代次数；
S4：如果不满足停止准则，则进入循环遗传算法操作，调用遗传算法工具箱，根据适应度计算的结果进行选择、交叉、变异，生成新的设计变量种群，存入vara.txt文档里，重新进入步骤S2、S3；
S5：直至满足程序停止准则，结束循环，输出迭代过程中的最优种群个体，并显示最终优化图形结果。
进一步的，所述3D打印桨叶的设计变量包括梁单元的半径、蒙皮的厚度。
进一步的，所述ANSYS输出的建模数据包括桨叶的最大应力、最大位移、质量以及频率。
进一步的，所述约束条件包括最大位移小于需用位移、最大应力小于需用应力、质量在设定范围内。
进一步的，所述优化目标函数设为桨叶的低阶频率远离整数倍气动谐波频率。
有益效果：本发明提供的一种基于ANSYS和遗传算法的3D打印桨叶结构的优化设计方法，相对于现有技术，具有以下优点：
1、把MATLAB作为主程序，能够同步提供多个设计变量，减轻了工作量；
2、利用MATLAB直接调用ANSYS运行，避免了人工繁琐的操作，节约了人力和实践，提高了结构优化的效率；
3、MATLAB遗传算法工具箱具有很强的优化功能，且操作简单，而ANSYS又是通用型的有限元分析软件，两者的数据互相传递和调用，增加了程序运行的稳定性，保证了数据的精度和结果的可靠度。
附图说明
图1为利用ANSYS二次开发对3D打印桨叶的建模分析流程图；
图2为本发明基于ANSYS和遗传算法对3D打印桨叶结构的优化设计流程图；
图3为本发明中遗传算法程序自动调用ANSYS的示意图；
图4为本发明实施例中所得到的最终优化图形结果示意图。
具体实施方式
下面结合附图及实施例对本发明作更进一步的说明。
如图1所示为利用ANSYS二次开发对3D打印桨叶的建模分析流程图，ANSYS可以通过APDL二次开发实现3D打印桨叶的参数化建模设计，但是ANSYS优化设计模块优化功能有限，设计变量有限制，APDL通过ANSYS的命令行窗口编译，缺乏强大的调试功能。
如图2所示为一种基于ANSYS和遗传算法的3D打印桨叶结构的优化设计方法，包括以下步骤：
S1：利用MATLAB设定遗传算法的运行参数，包括种群规模、染色体长度、最大迭代次数、交叉概率、变异概率，然后设定3D打印桨叶的梁单元半径、蒙皮厚度等设计变量参数范围，并在参数范围内随机生成初始值，以矩阵形式存入vara.txt文档里；
S2：如图3所示，利用MATLAB调用ANSYS在后台自动运行，ANSYS调用vara.txt文档数据对3D打印桨叶进行参数化建模，包括有限元划分网格及静力学分析，然后提取桨叶模型的最大应力、最大位移、质量、频率等数据，存入result.txt文档里；
S3：通过设置罚函数的方法，把有约束条件的优化转化为无约束条件的优化，其约束条件为最大位移小于需用位移、最大应力小于需用应力、质量在一定的范围内，其优化目标函数是桨叶的低阶频率远离整数倍气动谐波频率，把约束条件和优化目标函数结合设计作为适应度函数来评价染色体个体的好坏；利用MATLAB调用result.txt文档的数据进行适应度计算，然后判断是否满足停止准则即迭代次数；
S4：如果不满足停止准则，则进入循环遗传算法操作，调用遗传算法工具箱，根据适应度计算的结果进行选择、交叉、变异，生成新的设计变量种群，存入vara.txt文档里，重新进入步骤S2、S3；
S5：直至满足程序停止准则，结束循环，输出迭代过程中的最优种群个体，并显示最终优化图形结果。
下面通过具体测试数据进一步说明本发明的优化性能。
设定：所述种群规模为50，染色体长度为20，最大迭代次数为200，交叉概率为0.7，变异概率为0.2，代沟0.9；所述3D打印桨叶的梁单元半径范围为0.1mm-0.65mm，蒙皮的厚度范围为0.6mm-1.5mm；所述约束条件为最大位移x小于需用位移[x]，即x<1mm，最大应力σ小于需用应力[σ]，即σ<290Mpa，质量m的约束为50g<m<70g；优化目标函数为其中kΩ为气动谐波的整数倍，ω为桨叶的各阶计算频率。通过设置罚函数得到的适应度函数为其中penal为惩罚因子，设置为1000，d1、d2、d3为满足约束条件的权重比。
得到的测试结果为：
最优设计变量：蒙皮厚度0.87mm，桨叶的梁单元半径0.394mm；
适应度函数值最优解：0.6291(在本实施例中，适应度函数值越小，则评价个体的适应度越大)；
得到如图4所示的最终优化图形结果。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.基于ANSYS和遗传算法的3D打印桨叶结构优化设计，其特征在于，包括以下步骤：
S1：利用MATLAB设定遗传算法的运行参数，包括种群规模、染色体长度、最大迭代次数、交叉概率、变异概率，然后设定3D打印桨叶设计变量的参数范围，并在参数范围内随机生成初始值，存入vara.txt文档里；
S2：利用MATLAB调用ANSYS在后台自动运行，ANSYS调用vara.txt文档数据进行建模分析，然后输出相关建模数据，存入result.txt文档里；
S3：采用罚函数法将约束条件与目标函数相结合作为适应度函数，并利用MATLAB调用result.txt文档的数据进行适应度计算，然后判断是否满足停止准则即迭代次数；
S4：如果不满足停止准则，则进入循环遗传算法操作，调用遗传算法工具箱，根据适应度计算的结果进行选择、交叉、变异，生成新的设计变量种群，存入vara.txt文档里，重新进入步骤S2、S3；
S5：直至满足程序停止准则，结束循环，输出迭代过程中的最优种群个体。
2.根据权利要求1所述的一种基于ANSYS和遗传算法的3D打印桨叶结构优化设计，其特征在于，所述3D打印桨叶的设计变量包括梁单元的半径、蒙皮的厚度。
3.根据权利要求2所述的一种基于ANSYS和遗传算法的3D打印桨叶结构优化设计，其特征在于，所述ANSYS输出的建模数据包括桨叶的最大应力、最大位移、质量以及频率。
4.根据权利要求3所述的一种基于ANSYS和遗传算法的3D打印桨叶结构优化设计，其特征在于，所述约束条件包括最大位移小于需用位移、最大应力小于需用应力、质量在设定范围内。
5.根据权利要求4所述的一种基于ANSYS和遗传算法的3D打印桨叶结构优化设计，其特征在于，所述优化目标函数设为桨叶的低阶频率远离整数倍气动谐波频率。
CN201810383301.5A 2018-04-26 2018-04-26 基于ansys和遗传算法的3d打印桨叶结构优化设计 Pending CN108733894A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810383301.5A CN108733894A (zh) 2018-04-26 2018-04-26 基于ansys和遗传算法的3d打印桨叶结构优化设计

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810383301.5A CN108733894A (zh) 2018-04-26 2018-04-26 基于ansys和遗传算法的3d打印桨叶结构优化设计

Publications (1)

Publication Number Publication Date
CN108733894A true CN108733894A (zh) 2018-11-02

Family

ID=63939860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810383301.5A Pending CN108733894A (zh) 2018-04-26 2018-04-26 基于ansys和遗传算法的3d打印桨叶结构优化设计

Country Status (1)

Country Link
CN (1) CN108733894A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115358159A (zh) * 2022-10-24 2022-11-18 浙江大学计算机创新技术研究院 一种多目标3d打印工艺参数优化方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573820A (zh) * 2014-12-31 2015-04-29 中国地质大学（武汉） 一种用于带约束条件的工程优化问题的遗传算法
CN106202841A (zh) * 2016-08-30 2016-12-07 天津大学 一种机床床身三点支撑位置的优化设计方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573820A (zh) * 2014-12-31 2015-04-29 中国地质大学（武汉） 一种用于带约束条件的工程优化问题的遗传算法
CN106202841A (zh) * 2016-08-30 2016-12-07 天津大学 一种机床床身三点支撑位置的优化设计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIE ZHU 等: "Article multi-objective aerodynamic and structural optimization of horizontal-axis wind turbine blades", 《ENERGIES》 *
张淑琴 等: "基于APDL的叉梯式景观闸门结构计算与遗传优化", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115358159A (zh) * 2022-10-24 2022-11-18 浙江大学计算机创新技术研究院 一种多目标3d打印工艺参数优化方法
CN115358159B (zh) * 2022-10-24 2023-04-07 浙江大学计算机创新技术研究院 一种多目标3d打印工艺参数优化方法

Similar Documents

Publication Publication Date Title
CN108647370B (zh) 基于双环迭代的无人直升机气动外形优化设计方法
US20210232722A1 (en) Method for designing high-rigidity blade based on stochastic isogeometric analysis
CN103077253B (zh) Hadoop框架下高维海量数据GMM聚类方法
CN103810646B (zh) 一种基于改进投影积分算法的有源配电系统动态仿真方法
CN106532778A (zh) 一种计算分布式光伏并网最大准入容量的方法
Fish et al. Generalized aggregation multilevel solver
CN107563074A (zh) 一种风扇/压气机端壁型线的优化设计方法与优化平台
CN110096630A (zh) 一类基于聚类分析的大数据处理方法
Garcia-Teruel et al. Hull geometry optimisation of wave energy converters: On the choice of the objective functions and the optimisation formulation
JP5316433B2 (ja) 最適化処理プログラム、方法及び装置
CN105790315A (zh) 一种基于粒子群算法的储能变流下垂控制方法
CN109885584A (zh) 分布式数据分析平台的实现方法及终端设备
Pérez-Aracil et al. A versatile multi-method ensemble for wind farm layout optimization
CN108733894A (zh) 基于ansys和遗传算法的3d打印桨叶结构优化设计
US20240193342A1 (en) Field-Programmable Gate Array (FPGA) Routing Congestion Prediction Method and System
CN107276093B (zh) 基于场景削减的电力系统概率潮流计算方法
CN112766609A (zh) 一种基于云计算的用电量预测方法
Hao et al. Solving economic load dispatch problem of power system based on differential evolution algorithm with different mutation strategies
CN101286185A (zh) 基于线性插值结构的数字频率合成电路编译器实现方法
CN109888788B (zh) 一种电力系统最优潮流的求解方法
CN107294136A (zh) 一种电力系统调度方法及装置
CN116452005A (zh) 一种电力系统的风险评估方法、装置、设备及存储介质
CN116050250A (zh) 基于混合驱动模型的电网数字孪生模型建模方法及装置
CN115310209A (zh) 基于vae的气动形状迁移优化方法及相关装置
CN116010893A (zh) 一种基于用户电压数据的户变关系异常分析方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20181102

RJ01 Rejection of invention patent application after publication