CN110008554A - 一种基于数值模拟和深度学习的搅拌摩擦焊缝成形预测优化方法 - Google Patents

Abstract

本发明提出了一种基于数值模拟和深度学习的搅拌摩擦焊缝成形预测优化方法，属于搅拌摩擦焊技术领域。所述方法包括：步骤一、设定三次模拟试验作为数据测试集；步骤二、计算焊接过程中材料流动场和温度场分布情况；步骤三、计算不同参数下搅拌摩擦焊具断裂失效情况，并计算不同参数下焊缝成形质量及缺陷分布情况；步骤四、利用生成对抗网络深度学习模型遍历所有工艺参数和焊具结构的焊缝成形结果，获得在保证焊具可靠工作前提下焊缝成形最优化结果。本发明所述方法目的在于为生产中最优化搅拌摩擦焊工艺提供有效的普适性预测方法，具有降低时间消耗、材料成本以及预测精确度高等优点。

Description

一种基于数值模拟和深度学习的搅拌摩擦焊缝成形预测优化 方法

技术领域

本发明涉及一种基于数值模拟和深度学习的搅拌摩擦焊缝成形预测优化方法，属于搅拌摩擦焊技术领域。

背景技术

搅拌摩擦焊(Friction Stir Welding)作为自激光焊接问世以来最引人注目的焊接方法，在克服传统熔焊轻质合金过程中易产生的裂纹和气孔等焊接缺陷问题上具有显著优势，使难于熔焊的部分材料实现了可靠的优质连接，其工作基本原理是用一个具有轴肩(或带有搅拌针)的焊具进行高速旋转，工具与工件之间产生大量的摩擦热和塑性变形热，使工件材料局部塑化，当焊具沿着焊接界面向前移动时，塑化材料在焊具的作用下用前部移向后部，并在焊具的挤压作用下形成致密的固相接头。

然而，尚不成熟的搅拌摩擦焊存在着如下缺点：(1)焊具设计尚无普适性理论。在搅拌摩擦焊过程中，被焊材料主要受焊具驱动流动并形成致密焊缝结构，同时焊具会受到流动的被焊材料的强阻力作用，不可靠的焊具设计会导致焊缝成形差、焊具折断等问题的发生；(2)目前关于搅拌摩擦焊工艺参数优化的研究主要以实验为主，然而由于搅拌摩擦热力耦合系统本身的复杂性、焊缝成形设计的因素过多、正交实验设计次数较多、工作量巨大且重复性较弱等，优化预测的实验研究和预测成本极高，实际工程应用中参数优化过程通常较为简陋。因此，工程上对经济、便捷且普适的基于数值模拟和深度学习的搅拌摩擦焊缝成形预测优化方法有强烈需求。

发明内容

本发明针对上述搅拌摩擦焊工艺参数和焊具结构优化存在的不足，提供一种基于数值模拟和深度学习的搅拌摩擦焊缝成形预测优化方法，目的在于为生产中最优化搅拌摩擦焊工艺提供有效的普适性预测方法。由于数值模拟和深度学习只需依托于一般的计算机硬件和相应的软件平台，所以其可以经济地实现对不同工艺参数和焊具结构的快捷测试对比，实现焊缝成形最优化；同时，结合充分的实验数据作为深度学习测试集，整个预测优化系统的可靠性得到了有力保障，为达到上述目的，本发明所采用的技术方法如下：

一种基于数值模拟和深度学习的搅拌摩擦焊缝成形预测优化方法，所述搅拌摩擦焊缝成形预测优化方法包括：

步骤一、可选地，根据实际生产需求，初步设置至少三次针对搅拌摩擦焊缝成形的模拟试验，作为数值模拟模型的数据基础和生成对抗网络(Generative AdversarialNetwork)深度学习模型的测试集，然后生成对抗网络深度学习模型；

步骤二、根据给定的实际工况及材料物性参数建立用于数值模拟模型，计算焊接过程中材料流动场和温度场分布情况；

步骤三、根据步骤二获得的材料流动场和温度场分布情况，结合单向流固耦合模型，计算不同参数下搅拌摩擦焊具断裂失效情况；然后，结合离散相模型，计算不同参数下焊缝成形质量及缺陷分布情况；

步骤四、根据上述计算所得焊缝成形质量及缺陷分布情况和焊具断裂失效情况，利用生成对抗网络深度学习模型遍历所有工艺参数和焊具结构的焊缝成形结果，从而获得在保证焊具可靠工作前提下焊缝成形最优化结果。

进一步地，所述模拟实验所采集的参数包括：焊具结构，焊接参数，焊具断裂失效状况，焊缝成形质量结果，且其中应包括至少一组用以完成焊接的参数。

进一步地，所述搅拌摩擦焊具断裂失效情况的确定是采用流体动力学方法，将被焊材料视为非牛顿、不可压缩的连续流体，并采用有限体积法进行计算，计算软件可选地为Fluent、STAR-CCM、OpenFOAM等流体动力学仿真软件；所述搅拌摩擦焊具断裂失效情况的数值计算的步骤如下：

第一步、建立被焊材料流域模型：建立符合实际生产需求结构的被焊材料流域模型，并利用滑移网格将所述焊接材料流域分割为圆柱状的滑移网格部分和除滑移网格部分外的固定部分；所述滑移网格部分旋转速率等同于焊具旋转速率；

第二步、设置被焊材料物性参数，所述被焊材料物性参数包括被焊材料的密度、流动应力、导热率和定压比热容；

第三步、确定近焊具壁面材料流动准则：将所述近焊具壁面材料流动准则分解为两部分：一部分是竖直速度v_vertical，一部分是水平速度v_horizon；然后将所述水平速度v_horizon分为剪切速度v_shear和法向速度v_normal；

第四步、设定产热模型：将所述产热模型分解为两部分，所述两部分包括：摩擦热和变形热，其中，摩擦热表达粘着摩擦过程中伴随的能量转换和耗散，变形热为材料层间剪切产生；

第五步、利用牛顿换热原理和蒂芬-玻尔兹曼定律确定所述被焊材料流域的流域边界换热条件，本步骤中，流域边界换热条件可由牛顿换热公式和斯蒂芬-玻尔兹曼定律给出，速度边界条件可视为完全自由流动或完全约束流动；

第六步、从所述流域的入口添加离散相模型，所述离散相模型的输入入口同于流域速度入口，离散相为无质量粒子；

第七步、利用单向流固耦合模型计算焊具断裂失效状况，

第八步、提交运算并输出结果，数值计算完成后，即可获取不同焊接参数和焊具结构下的焊缝成形图像和焊具断裂失效状况。

进一步地，第二步所述流动应力由Sellars-Tegart材料本构模型计算，所述Sellars-Tegart材料本构模型为：

其中，σ_e为材料流动应力，T为材料当前温度，T_melt为材料熔点(固相线)，α、A和n为材料特征常数，σ_melt为熔化态材料流动应力，Z为Zener-Hollomon系数，公式为：

其中，为材料当前应变速率，Q为材料活化能，R为气体常数，e为自然指数。

进一步地，第三步所述竖直速度v_vertical、水平速度v_horizon、剪切速度v_shear和法向速度v_normal的计算公式为：

其中，ijk代指焊具上各微元体；ω为焊具旋转速度；r表示微元体距焊具轴线距离；ξ表示轴向方位角；θ表示切向方位角；η为滑移系数，即壁面材料流动速率与焊具表面线速度的比值，计算方式如下：

其中，ijk代指焊具上各微元体；η₀为滑移归一化常数；e表示自然指数；ω表示角速度；r表示微元体距焊具轴线距离；ω₀表示角速度归一化常数；r_s表示参考半径。

进一步地，第四步所述产热模型表示为：

其中，ijk代指焊具上各微元体；F₁、F₂分别表示为摩擦热输入和形变热输入；β₁和β₂为经验参数，取值为0.1～1.0；r表示微元体距焊具轴线距离；ω表示角速度；η表示滑移系数；σ_e表示微元体等效应力；μ表示动摩擦因数；P表示焊接下压力；ξ表示轴向方位角；θ表示切向方位角；表示等效应变速率。

进一步地，所述生成对抗网络深度学习模型的过程如下：

步骤1、建立图像标签库：将数值模拟结果所得焊缝成形图像与焊接断裂失效状况进行分别和标注，每张图像具有唯一与之对应的焊接参数和焊具结构标签k；

步骤2、构建生成器网络G：在所述生成器网络G中，将参数标签k与随机噪声组合为新的向量输入，将所述生成器网络G生成的数据作为判别器网络D的输入，生成器网络G包括第一输入层、第一全连接层、第一反卷积层、第一批归一化层和第一激活层，以随机的噪声信号和类别标签组合而成的向量作为所示第一输入层的输入，所述输入经过所述第一全连接层、第一反卷积层、第一批归一化层和第一激活层生成数据，其中反卷积次数可选地为4～6次，以生成不低于三通道128*128分辨率的焊缝成形特征图，并将其作为判别器网络D的输入；

步骤3、构建判别器网络D：所述判别器网络D的损失函数由用于判别图像真假的第一损失函数和用于判别图像类别的第二损失函数组成，叛变期网络D包括第二输入层、第二反卷积层、第二批归一化层、第二激活层和第二全连接层，分别以步骤2中所示生成器网络K生成的数据和数值模拟所得焊缝成形图像作为所示第二输入层的输入，所述第二全连接层由用于判断图像真假的全连接层和判断图像类别的全连接层组成，所述第二输入层的输入经过所述第二反卷积层、第二批归一化层、第二激活层和第二全连接层后，得到指定类别的图像，其中第一损失函数如下：

第二损失函数如下：

其中，D_T、D_C分别表示判别器网络的图像真假部分和图像类别部分；

步骤4、训练生成对抗网络，训练步骤包括：更新判别网络D的参数，更新生成网络G的参数；

步骤5、生成最优化结果：采用遍历方式，将所有焊接参数和焊具结构输入到训练好的生成器网络G中，得到指定类别的图像；

步骤6、可选地，将模拟试验参数输入生成器网络G中，输出结果与实际结果对照以验证生成器网络G的可靠性。

本发明有益效果：

本发明提出的一种基于数值模拟和深度学习的搅拌摩擦焊缝成形预测优化方法是一种经济可靠的普适性方法，有效避免了试验手段优化中所消耗的大量时间，有效降低了材料消耗和时间成本，并为焊具设计提供了理论基础；同时，本发明提出的一种基于数值模拟和深度学习的搅拌摩擦焊缝成形预测优化方法直接获取最优化工艺参数和焊具结构，相比试验手段显著提高了预测的精确度。

附图说明

图1是本发明所提供的搅拌摩擦焊缝成形预测优化方法流程图；

图2是本发明中的数值模拟流域模型图；

图3是本发明中的生成对抗网络架构图。

具体实施方式

下面结合具体实施例对本发明做进一步说明，但本发明不受实施例的限制。

实施例1：

一种基于数值模拟和深度学习的搅拌摩擦焊缝成形预测优化方法，如图1所示，所述搅拌摩擦焊缝成形预测优化方法包括：

步骤一、可选地，根据实际生产需求，初步设置至少三次针对搅拌摩擦焊缝成形的模拟试验，作为数值模拟模型的数据基础和生成对抗网络(Generative AdversarialNetwork)深度学习模型的测试集，然后生成对抗网络深度学习模型；

步骤二、根据给定的实际工况及材料物性参数建立用于数值模拟模型，计算焊接过程中材料流动场和温度场分布情况；

步骤三、根据步骤二获得的材料流动场和温度场分布情况，结合单向流固耦合模型，计算不同参数下搅拌摩擦焊具断裂失效情况；然后，结合离散相模型，计算不同参数下焊缝成形质量及缺陷分布情况；

步骤四、根据上述计算所得焊缝成形质量及缺陷分布情况和焊具断裂失效情况，利用生成对抗网络深度学习模型遍历所有工艺参数和焊具结构的焊缝成形结果，从而获得在保证焊具可靠工作前提下焊缝成形最优化结果。

其中，所述模拟实验所采集的参数包括：焊具结构，焊接参数，焊具断裂失效状况，焊缝成形质量结果，且其中应包括至少一组用以完成焊接的参数。

本实施例所述搅拌摩擦焊具断裂失效情况的确定是采用流体动力学方法，如图2所示，将被焊材料视为非牛顿、不可压缩的连续流体，并采用有限体积法进行计算，计算软件可选地为Fluent、STAR-CCM、OpenFOAM等流体动力学仿真软件；所述搅拌摩擦焊具断裂失效情况的数值计算的步骤如下：

第一步、建立被焊材料流域模型：建立符合实际生产需求结构的被焊材料流域模型，并利用滑移网格将所述焊接材料流域分割为圆柱状的滑移网格部分和除滑移网格部分外的固定部分；所述滑移网格部分旋转速率等同于焊具旋转速率；

第二步、设置被焊材料物性参数，所述被焊材料物性参数包括被焊材料的密度、流动应力、导热率和定压比热容；所述流动应力由Sellars-Tegart材料本构模型计算，所述Sellars-Tegart材料本构模型为：

其中，σ_e为材料流动应力，T为材料当前温度，T_melt为材料熔点(固相线)，α、A和n为材料特征常数，σ_melt为熔化态材料流动应力，Z为Zener-Hollomon系数，公式为：

其中，为材料当前应变速率，Q为材料活化能，R为气体常数，e为自然指数。

第三步、确定近焊具壁面材料流动准则：将所述近焊具壁面材料流动准则分解为两部分：一部分是竖直速度v_vertical，一部分是水平速度v_horizon；然后将所述水平速度v_horizon分为剪切速度v_shear和法向速度v_normal；所述竖直速度v_vertical、水平速度v_horizon、剪切速度v_shear和法向速度v_normal的计算公式为：

其中，ijk代指焊具上各微元体；ω为焊具旋转速度；r表示微元体距焊具轴线距离；ξ表示轴向方位角；θ表示切向方位角；η为滑移系数，即壁面材料流动速率与焊具表面线速度的比值，计算方式如下：

其中，ijk代指焊具上各微元体；η₀为滑移归一化常数；e表示自然指数；ω表示角速度；r表示微元体距焊具轴线距离；ω₀表示角速度归一化常数；r_s表示参考半径。

第四步、设定产热模型：将所述产热模型分解为两部分，所述两部分包括：摩擦热和变形热，其中，摩擦热表达粘着摩擦过程中伴随的能量转换和耗散，变形热为材料层间剪切产生；第四步所述产热模型表示为：

其中，ijk代指焊具上各微元体；F₁、F₂分别表示为摩擦热输入和形变热输入；β₁和β₂为经验参数，取值为0.1～1.0；r表示微元体距焊具轴线距离；ω表示角速度；η表示滑移系数；σ_e表示微元体等效应力；μ表示动摩擦因数；P表示焊接下压力；ξ表示轴向方位角；θ表示切向方位角；表示等效应变速率。

第五步、利用牛顿换热原理和蒂芬-玻尔兹曼定律确定所述被焊材料流域的流域边界换热条件，本步骤中，流域边界换热条件可由牛顿换热公式和斯蒂芬-玻尔兹曼定律给出，速度边界条件可视为完全自由流动或完全约束流动；

第六步、从所述流域的入口添加离散相模型，所述离散相模型的输入入口同于流域速度入口，离散相为无质量粒子；

第七步、利用单向流固耦合模型计算焊具断裂失效状况，本实施方式所示单向流固耦合模型基于流体动力学软件和有限元分析软件间的单向压力和温度传输，传输界面间采用相同网格结构，有限元软件可选地为ABAQUS或ANSYS等；

第八步、提交运算并输出结果，数值计算完成后，即可获取不同焊接参数和焊具结构下的焊缝成形图像和焊具断裂失效状况。

所述生成对抗网络深度学习模型的过程如下：

步骤1、建立图像标签库：将数值模拟结果所得焊缝成形图像与焊接断裂失效状况进行分别和标注，每张图像具有唯一与之对应的焊接参数和焊具结构标签k；

步骤2、构建生成器网络G：在所述生成器网络G中，将参数标签k与随机噪声组合为新的向量输入，将所述生成器网络G生成的数据作为判别器网络D的输入，生成器网络G包括第一输入层、第一全连接层、第一反卷积层、第一批归一化层和第一激活层，以随机的噪声信号和类别标签组合而成的向量作为所示第一输入层的输入，所述输入经过所述第一全连接层、第一反卷积层、第一批归一化层和第一激活层生成数据，其中反卷积次数可选地为4～6次，以生成不低于三通道128*128分辨率的焊缝成形特征图，并将其作为判别器网络D的输入；

步骤3、构建判别器网络D：所述判别器网络D的损失函数由用于判别图像真假的第一损失函数和用于判别图像类别的第二损失函数组成，叛变期网络D包括第二输入层、第二反卷积层、第二批归一化层、第二激活层和第二全连接层，分别以步骤2中所示生成器网络K生成的数据和数值模拟所得焊缝成形图像作为所示第二输入层的输入，所述第二全连接层由用于判断图像真假的全连接层和判断图像类别的全连接层组成，所述第二输入层的输入经过所述第二反卷积层、第二批归一化层、第二激活层和第二全连接层后，得到指定类别的图像，其中第一损失函数如下：

第二损失函数如下：

其中，D_T、D_C分别表示判别器网络的图像真假部分和图像类别部分；

步骤4、训练生成对抗网络，训练步骤包括：更新判别网络D的参数，更新生成网络G的参数；

步骤5、生成最优化结果：采用遍历方式，将所有焊接参数和焊具结构输入到训练好的生成器网络G中，得到指定类别的图像；

步骤6、可选地，将模拟试验参数输入生成器网络G中，输出结果与实际结果对照以验证生成器网络G的可靠性。

本发明提出的一种基于数值模拟和深度学习的搅拌摩擦焊缝成形预测优化方法是一种经济可靠的普适性方法，有效避免了试验手段优化中所消耗的大量时间，有效降低了材料消耗和时间成本，并为焊具设计提供了理论基础；同时，本发明提出的一种基于数值模拟和深度学习的搅拌摩擦焊缝成形预测优化方法直接获取最优化工艺参数和焊具结构，相比试验手段显著提高了预测的精确度。

虽然本发明已以较佳的实施例公开如上，但其并非用以限定本发明，任何熟悉此技术的人，在不脱离本发明的精神和范围内，都可以做各种改动和修饰，因此本发明的保护范围应该以权利要求书所界定的为准。

Claims (7)

1.一种基于数值模拟和深度学习的搅拌摩擦焊缝成形预测优化方法，其特征在于，所述搅拌摩擦焊缝成形预测优化方法包括：

步骤一、进行至少三次针对搅拌摩擦焊缝成形的模拟试验，作为数值模拟模型的数据基础和生成对抗网络深度学习模型的测试集，然后生成对抗网络深度学习模型；

步骤二、根据给定的实际工况及材料物性参数建立用于数值模拟模型，计算焊接过程中材料流动场和温度场分布情况；

步骤三、根据步骤二获得的材料流动场和温度场分布情况，结合单向流固耦合模型，计算不同参数下搅拌摩擦焊具断裂失效情况；然后，结合离散相模型，计算不同参数下焊缝成形质量及缺陷分布情况；

步骤四、根据上述计算所得焊缝成形质量及缺陷分布情况和焊具断裂失效情况，利用生成对抗网络深度学习模型遍历所有工艺参数和焊具结构的焊缝成形结果，从而获得在保证焊具可靠工作前提下焊缝成形最优化结果。

2.根据权利要求1所述搅拌摩擦焊缝成形预测优化方法，其特征在于，所述模拟实验所采集的参数包括：焊具结构，焊接参数，焊具断裂失效状况，焊缝成形质量结果，且其中应包括至少一组用以完成焊接的参数。

3.根据权利要求1所述搅拌摩擦焊缝成形预测优化方法，其特征在于，所述搅拌摩擦焊具断裂失效情况的确定是采用流体动力学方法，将被焊材料视为非牛顿、不可压缩的连续流体，并采用有限体积法进行计算；所述搅拌摩擦焊具断裂失效情况的数值计算的步骤如下：

第一步、建立被焊材料流域模型：建立被焊材料流域模型，并利用滑移网格技术将所述焊接材料流域分割为圆柱状的滑移网格部分和除滑移网格部分外的固定部分；所述滑移网格部分旋转速率等同于焊具旋转速率；

第二步、设置被焊材料物性参数，所述被焊材料物性参数包括被焊材料的密度、流动应力、导热率和定压比热容；

第三步、确定近焊具壁面材料流动准则：将所述近焊具壁面材料流动准则分解为两部分：一部分是竖直速度v_vertical，一部分是水平速度v_horizon；然后将所述水平速度v_horizon分为剪切速度v_shear和法向速度v_normal；

第四步、设定产热模型：将所述产热模型分解为两部分，所述两部分包括：摩擦热和变形热；

第五步、利用牛顿换热原理和蒂芬-玻尔兹曼定律确定所述被焊材料流域的流域边界换热条件，

第六步、从所述流域的入口添加离散相模型，所述离散相模型的输入入口同于流域速度入口，离散相为无质量粒子；

第七步、利用单向流固耦合模型计算焊具断裂失效状况

第八步、提交运算并输出结果，数值计算完成后，即可获取不同焊接参数和焊具结构下的焊缝成形图像和焊具断裂失效状况。

4.根据权利要求3所述搅拌摩擦焊缝成形预测优化方法，其特征在于，第二步所述流动应力由Sellars-Tegart材料本构模型计算，所述Sellars-Tegart材料本构模型为：

其中，σ_e为材料流动应力，T为材料当前温度，T_melt为材料熔点(固相线)，α、A和n为材料特征常数，σ_melt为熔化态材料流动应力，Z为Zener-Hollomon系数，公式为：

其中，为材料当前应变速率，Q为材料活化能，R为气体常数，e为自然指数。

5.根据权利要求3所述搅拌摩擦焊缝成形预测优化方法，其特征在于，第三步所述竖直速度v_vertical、水平速度v_horizon、剪切速度v_shear和法向速度v_normal的计算公式为：

其中，ijk代指焊具上各微元体；ω为焊具旋转速度；r表示微元体距焊具轴线距离；ξ表示轴向方位角；θ表示切向方位角；η为滑移系数，即壁面材料流动速率与焊具表面线速度的比值，计算方式如下：

其中，ijk代指焊具上各微元体；η₀为滑移归一化常数；e表示自然指数；ω表示角速度；r表示微元体距焊具轴线距离；ω₀表示角速度归一化常数；r_s表示参考半径。

6.根据权利要求3所述搅拌摩擦焊缝成形预测优化方法，其特征在于，第四步所述产热模型表示为：

其中，ijk代指焊具上各微元体；F₁、F₂分别表示为摩擦热输入和形变热输入；β₁和β₂为经验参数，取值为0.1～1.0；r表示微元体距焊具轴线距离；ω表示角速度；η表示滑移系数；σ_e表示微元体等效应力；μ表示动摩擦因数；P表示焊接下压力；ξ表示轴向方位角；θ表示切向方位角；表示等效应变速率。

7.根据权利要求1所述搅拌摩擦焊缝成形预测优化方法，其特征在于，所述生成对抗网络深度学习模型的过程如下：

步骤1、建立图像标签库：将数值模拟结果所得焊缝成形图像与焊接断裂失效状况进行分别和标注，每张图像具有唯一与之对应的焊接参数和焊具结构标签k；

步骤2、构建生成器网络G：在所述生成器网络G中，将参数标签k与随机噪声组合为新的向量输入，将所述生成器网络G生成的数据作为判别器网络D的输入，生成器网络G包括第一输入层、第一全连接层、第一反卷积层、第一批归一化层和第一激活层，以随机的噪声信号和类别标签组合而成的向量作为所示第一输入层的输入，所述输入经过所述第一全连接层、第一反卷积层、第一批归一化层和第一激活层生成数据，其中反卷积次数可选地为4～6次，以生成不低于三通道128*128分辨率的焊缝成形特征图，并将其作为判别器网络D的输入；

步骤3、构建判别器网络D：所述判别器网络D的损失函数由用于判别图像真假的第一损失函数和用于判别图像类别的第二损失函数组成，判别器网络D包括第二输入层、第二反卷积层、第二批归一化层、第二激活层和第二全连接层，分别以步骤2中所示生成器网络K生成的数据和数值模拟所得焊缝成形图像作为所示第二输入层的输入，所述第二全连接层由用于判断图像真假的全连接层和判断图像类别的全连接层组成，所述第二输入层的输入经过所述第二反卷积层、第二批归一化层、第二激活层和第二全连接层后，得到指定类别的图像，其中第一损失函数如下：

第二损失函数如下：

其中，D_T、D_C分别表示判别器网络的图像真假部分和图像类别部分；

步骤4、训练生成对抗网络，训练步骤包括：更新判别网络D的参数，更新生成网络G的参数；

步骤5、生成最优化结果：采用遍历方式，将所有焊接参数和焊具结构输入到训练好的生成器网络G中，得到指定类别的图像；

步骤6、将模拟试验参数输入生成器网络G中，输出结果与实际结果对照以验证生成器网络G的可靠性。