CN111444643B - 一种基于神经网络的复合材料螺旋桨铺层角优化方法 - Google Patents
一种基于神经网络的复合材料螺旋桨铺层角优化方法 Download PDFInfo
- Publication number
- CN111444643B CN111444643B CN202010137560.7A CN202010137560A CN111444643B CN 111444643 B CN111444643 B CN 111444643B CN 202010137560 A CN202010137560 A CN 202010137560A CN 111444643 B CN111444643 B CN 111444643B
- Authority
- CN
- China
- Prior art keywords
- propeller
- neural network
- composite
- composite material
- ply angle
- 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.)
- Active
Links
Images
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于神经网络的复合材料螺旋桨铺层角优化方法,属于叶轮机械仿真技术领域。本发明通过建立复合材料螺旋桨有限元模型,将其与复合材料螺旋桨计算流体力学模型进行双向流固耦合计算,得到对应的敞水性征曲线;采用正交试验设计方法对铺层角组合及其对应的水动力性能数据进行预处理,基于数值计算软件构建一个高度非线性拟合的BP神经网络,进而采用梯度下降算法对已构建的神经网络进行训练,最终得到拥有复合材料螺旋桨铺层角与推进效率之间的映射规律的BP神经网络;根据训练好的BP神经网络,对各铺层角组合情况进行优化预测,对所得效率数据分析得最大网络预测值及对应的铺层角组合,即基于神经网络实现复合材料螺旋桨铺层角优化。
Description
技术领域
本发明涉及一种基于神经网络的复合材料螺旋桨铺层角优化方法,尤其涉及一种可实现船舶舰艇复合材料螺旋桨推进效率最大化的铺层角优化方法,属于叶轮机械仿真技术领域。
背景技术
传统的金属材料螺旋桨制造加工成本高、阻尼性能差、易产生噪声、桨叶易发生腐蚀,直接影响到螺旋桨的使用寿命和军用舰艇的生存及攻击能力。复合材料具有高比强度、高比模量、耐腐蚀、耐疲劳、阻尼减振性好、破损安全性好和性能可设计等,已在航空航天及土木工程等领域得到了广泛应用。随着我国海军装备建设和船舶航运业的发展,对螺旋桨的推进性能和结构性能提出了更高的要求,船舶制造业迫切需要采用更科学的工程手段,设计并制造出适合当今军民领域船舶航行需求的高效螺旋桨,故应用复合材料制造螺旋桨为改善其水动力性能及振动特性提供了新的契机。研究表明,通过对纤维铺层的设计和桨叶结构的改进,复合材料螺旋桨可根据承受的水动力载荷自适应地改变自身几何形状,进而调整侧斜、纵倾和螺距的分布以改善螺旋桨的水动力性能。
目前船用纤维复合材料螺旋桨大都采用金属螺旋桨的型值,没有考虑螺旋桨叶片流固耦合效应的影响。复合材料螺旋桨叶片工作时因产生变形而导致推进效率降低,不能满足全工况船舶推进需求。复合材料具有可通过改变纤维铺层方向来控制结构变形的特点。复合材料中纤维增强材料特有的弯扭耦合效应,可依据螺旋桨载荷条件和桨叶结构形状,通过合理安排桨叶纤维方向和材料铺层顺序来提高螺旋桨推进效率。因此,为了提高螺旋桨推进效率,国内外学者对复合材料螺旋桨双向流固耦合数值计算进行了大量研究并提出复合材料螺旋桨铺层角优化方法。其方法主要是对复合材料螺旋桨不同铺层角进行组合得到新的复合材料螺旋桨桨叶几何。但现有的铺层角优化方法计算量太大,过于依赖有限元软件而不具通用性,没有细致考虑桨叶经流固耦合作用后侧斜、纵倾和螺距的变化。因此,建立一种通用性较强、精度较高且计算简便迅速的复合材料螺旋桨铺层角优化方法具有重要意义。
发明内容
本发明公开的一种基于神经网络的复合材料螺旋桨铺层角优化方法要解决的技术问题是:基于神经网络实现复合材料螺旋桨铺层角优化,能够高效率得到复合材料螺旋桨铺层角组合,使经过铺层角优化的复合材料螺旋桨的推进效率在设计工况下与刚性桨等同,而在非设计工况下优于刚性桨,进而拓宽复合材料螺旋桨工作的高效区,提高复合材料螺旋桨推力效率等性能,解决复合材料螺旋桨应用领域工程技术问题。本发明具有优化效率高优点。
本发明的目的是通过下述技术方案实现的:
本发明涉及一种基于神经网络的复合材料螺旋桨铺层角优化方法实现方法为:通过建立复合材料螺旋桨有限元模型,并将其与复合材料螺旋桨计算流体力学模型进行双向流固耦合计算,得到对应的敞水性征曲线。采用正交试验设计方法对铺层角组合及其对应的水动力性能数据进行预处理,基于数值计算软件构建一个高度非线性拟合的BP神经网络,进而采用梯度下降算法对已构建的神经网络进行训练,最终得到拥有复合材料螺旋桨铺层角与推进效率之间的映射规律的BP神经网络。根据训练好的BP神经网络,对各铺层角组合情况进行优化预测,对所得效率数据分析得最大网络预测值及对应的铺层角组合,即基于神经网络实现复合材料螺旋桨铺层角优化。本发明使经过铺层角优化的复合材料螺旋桨的推进效率在设计工况下与刚性桨等同,而在非设计工况下优于刚性桨,进而拓宽复合材料螺旋桨工作的高效区,提高复合材料螺旋桨推力效率等性能。
本发明公开的一种基于神经网络的复合材料螺旋桨铺层角优化方法,包括如下步骤:
步骤一:基于仿真软件建立复合材料螺旋桨模型,以金属螺旋桨桨叶中面为对称中心定义复合材料层合板各铺层角度来完成纤维复合材料铺层,并导入金属螺旋桨叶压力面及吸力面模型来约束复合材料铺层外形,最终实现复合材料螺旋桨有限元模型的建立。
所述纤维复合材料铺层方式包括单向或编织铺层方式。
作为优选,步骤一所述仿真软件优选WorkBench平台中的ACP模块。
步骤二:将步骤一中建立的复合材料螺旋桨有限元模型导入有限元分析软件以计算桨叶结构响应,并通过添加边界条件,设置流固耦合交界面,进而对复合材料螺旋桨流场进行雷诺时均N-S方程(RANS)求解计算得到复合材料螺旋桨各铺层角组合对应的敞水性征曲线。
步骤二具体实现方法为:将步骤一中建立完成的复合材料螺旋桨有限元模型导入有限元分析软件以计算桨叶结构响应,添加螺旋桨转速、固定约束等边界条件,并将复合材料螺旋桨桨叶设置为流固耦合交界面。复合材料螺旋桨结构控制方程为其中,[Ms]为结构质量矩阵,[Cs]为结构阻尼矩阵,[Ks]为结构刚度矩阵;{X}即结构位移、即结构速度、即结构加速度;FCFD代表通过CFD软件求解的流固耦合作用下结构所受流场力。在数值模拟中,先从流场计算得到流体作用在结构上的载荷,载荷再通过流固耦合作用面传递给结构场,结构在载荷的作用下发生变形,流场根据结构场的变化更新网格,再次进行流场计算又得到作用在结构上的载荷。结构场与流场的计算交替进行,直至计算精度达到要求。对复合材料螺旋桨流场进行雷诺时均N-S方程(RANS)求解,封闭雷诺时均N-S方程。通过超算得到复合材料螺旋桨各铺层角组合对应的推进效率η。
作为优选,步骤二所述有限元分析软件为有限元分析软件为Workbench StaticStructure。
作为优选,步骤二中雷诺时均N-S方程采用标准k-ωSST湍流模型来封闭。
步骤三:采用正交试验设计方法,将对称铺设的n个铺层与p个铺层角的最佳组合结果制成正交试验设计表,并根据正交试验设计的数据样本,通过主要因素分析确定q组铺层角组合的计算结果作为数据样本。
为了提高优化效率和精度,作为优选,当对称铺设铺层为五个时,采用正交试验设计方法,将对称铺设的五个铺层与13个铺层角的最佳组合结果制成正交试验设计表,并根据正交试验设计的数据样本,通过主要因素分析确定100组铺层角组合的计算结果作为数据样本。
步骤四:基于数值计算软件构建一个包含z层隐藏层的高度非线性拟合的BP神经网络。取复合材料螺旋桨的n个铺层角为网络输入,即该网络结构在输入层有n个节点。以2n+1个结点作为隐藏层节点数,并取推进效率η作为输出层的单个节点完成铺层角度到推进效率的高度非线性映射。
作为优选,步骤四所述数值计算软件为MATLAB。
作为优选,当对称铺设铺层为五个时,基于MATLAB来构建一个包含7层隐藏层的高度非线性拟合的BP神经网络。取复合材料螺旋桨的五个铺层角为网络输入,即该网络结构在输入层有五个节点。以2n+1个结点作为隐藏层节点数,并取推进效率η作为输出层的单个节点来完成铺层角度到推进效率的高度非线性映射。
步骤五:铺层角与复合材料螺旋桨水动力性能间高度非线性,映射关系十分复杂。传统的响应面模型或代理模型优化方法无法实现铺层角与复合材料螺旋桨水动力性能映射关系拟合。由于BP神经网络较强的非线性处理功能。根据步骤三中的数据样本,BP神经网络以铺层角度为设计变量,以推进效率为目标函数,运用回归分析来拟合目标函数,得到复合材料螺旋桨铺层角与推进效率之间的映射规律的BP神经网络,BP神经网络计算模型只需要对其进行训练即能够得到各不同优化情况的目标函数,提高复合材料螺旋桨铺层角优化效率。
步骤五具体实现方法为:根据步骤三中的数据样本筛选出h组数据的输入和输出样本集,采用批处理训练模式和改进的BP神经网络算法中的梯度下降算法对已构建的神经网络进行训练,具体实现方法如下:首先是基于前向传播,通过对输入数据进行加权求和即y=f(W*X+b),其中W为权重,b为偏置,X为输入数据,y为网络输出数据,并经过激活函数Sigmoid函数,即公式(1)来完成非线性变换;进而通过平方误差函数,即公式(2)来计算误差,并加上L2正则化损失项来避免神经网络的过拟合;然后基于误差反向传播函数,即公式(3)、(4)通过计算误差梯度对权重求偏导对权重进行更新,并将更新后的权重再次代入到前向传播函数中进行计算。
公式(1)至(4)即为复合材料螺旋桨铺层角与推进效率之间的映射规律的BP神经网络,所述BP神经网络计算模型只需要对其进行训练即能够得到各不同优化情况的目标函数,提高复合材料螺旋桨铺层角优化效率。
步骤六:根据BP神经网络输出层的误差平方和是否预设误差阈值判断误差是否收敛,若不收敛,即没达到目标精度,返回步骤五继续训练;若收敛,则误差精度已满足要求,进行步骤七的验证。
作为优选,预设误差阈值为10-7。
步骤七:将步骤五中剩下的100-h组铺层角组合数据作为验证集,输入到训练好的神经网络中,求得网络输出结果即推进效率值,和检验样本的输出数据作比较,完成神经网络计算精度的交叉验证。
作为优选,当对称铺设铺层为五个,BP神经网络包含7层隐藏层时,步骤七将步骤五中剩下的33组铺层角组合数据作为验证集,输入到训练好的神经网络中,求得网络输出结果即推进效率值,和检验样本的输出数据作比较,完成神经网络计算精度的交叉验证。
步骤八:根据步骤六训练好的BP神经网络,对各铺层角组合情况进行优化预测,对所得效率数据分析得最大网络预测值及对应的铺层角组合,即基于神经网络实现复合材料螺旋桨铺层角优化。
作为优选,当对称铺设铺层为五个,BP神经网络包含7层隐藏层时,步骤八中通过对铺层角组合进行离散约束得到需要进行预测分析的各铺层角度从-90到90,间隔15度,一共有13个取值的铺层角组合。并根据训练好的BP神经网络,针对每一组特定的铺层角设计,得到与结构形式相对应的推进效率,对所得效率数据分析可得其最大网络预测值为0.7546,对应的铺层角组合为30°、60°、60°、15°、15°。
还包括步骤九:利用步骤八得到的复合材料螺旋桨铺层角组合,使经过铺层角优化的复合材料螺旋桨的推进效率在设计工况下与刚性桨等同,而在非设计工况下优于刚性桨,进而拓宽复合材料螺旋桨工作的高效区,提高复合材料螺旋桨推力效率等性能,解决复合材料螺旋桨应用领域工程技术问题。
步骤九所述解决复合材料螺旋桨应用领域工程技术问题包括:得到各铺层角组合下的复合材料螺旋桨的推进效率,而且能够快速高效的得到最佳铺层角组合,进而延长螺旋桨的使用寿命,提高其水动力性能与噪声性能,节约能源,提高经济效益。
有益效果:
1.本发明公开的一种基于神经网络的复合材料螺旋桨铺层角优化方法,铺层角与复合材料螺旋桨水动力性能间高度非线性,映射关系十分复杂,传统的响应面模型或代理模型优化方法无法实现铺层角与复合材料螺旋桨水动力性能映射关系拟合。由于BP神经网络较强的非线性处理功能。根据步骤三中的数据样本,BP神经网络以铺层角度为设计变量,以推进效率为目标函数,运用回归分析来拟合目标函数,得到复合材料螺旋桨铺层角与推进效率之间的映射规律的BP神经网络,利用所述BP神经网络得到各不同优化情况的目标函数,实现复合材料螺旋桨铺层角优化。
2.本发明公开的一种基于神经网络的复合材料螺旋桨铺层角优化方法,传统的优化方法需要对每次的优化设计均进行应力结构等计算分析,而BP神经网络计算模型只需要对其进行一次训练即能够得到各不同优化情况的目标函数,相比现有铺层角优化方法,具有计算量小,计算简便,可实现参数化、程序化设计的优点,节省大量计算资源及时间。
3.本发明公开的一种基于神经网络的复合材料螺旋桨铺层角优化方法,综合考虑流固耦合作用下复合材料螺旋桨叶片变形引起的螺旋桨几何参数的变化,提高铺层角优化的精确性。
附图说明
图1为复合材料螺旋桨铺层角优化方法的BP神经网络示意图;
图2是复合材料螺旋桨神经网络训练误差曲线图;
图3为本发明公开的一种基于神经网络的复合材料螺旋桨铺层角优化方法流程图。
具体实施方式
为了更好的说明本发明的目的和优点,下面结合附图和实例对发明内容做进一步说明。
实施例1:
本实施例公开结合附图,以SEIUN-MARU大侧斜船用螺旋桨(HSP)为实施例,本发明的具体实施方式如图1-3所示。本实施公开的纤维复合材料船用螺旋桨铺层角优化方法是由以下步骤实现的:
步骤一:使用WorkBench平台中的ACP模块,以金属螺旋桨桨叶中面为对称中心定义复合材料层合板各铺层角度来完成纤维复合材料铺层(单向或编织铺层方式),并导入金属螺旋桨叶压力面及吸力面模型来约束复合材料铺层外形,最终实现复合材料螺旋桨有限元模型的建立。
步骤二:将步骤一中建立完成的复合材料螺旋桨有限元模型导入有限元分析软件(Workbench Static Structure)以计算桨叶结构响应,添加螺旋桨转速、固定约束等边界条件,并将复合材料螺旋桨桨叶设置为流固耦合交界面。复合材料螺旋桨结构控制方程为其中,[Ms]为结构质量矩阵,[Cs]为结构阻尼矩阵,[Ks]为结构刚度矩阵;{X}即结构位移、即结构速度、即结构加速度;FCFD代表通过CFD软件求解的流固耦合作用下结构所受流场力。对复合材料螺旋桨流场进行雷诺时均N-S方程(RANS)求解,方程采用标准k-ωSST湍流模型来封闭。通过超算得到复合材料螺旋桨各铺层角组合对应的推进效率η。
步骤三:采用正交试验设计方法,将对称铺设的五个铺层与13个铺层角的最佳组合结果制成正交试验设计表,并根据正交试验设计的数据样本,通过主要因素分析确定了100组铺层角组合的计算结果作为数据样本。
步骤四:基于MATLAB来构建了一个包含7层隐藏层的高度非线性拟合的BP神经网络。取复合材料螺旋桨的五个铺层角为网络输入,即该网络结构在输入层有五个节点。以2N+1个(N为输入层节点数,即11个)结点作为隐藏层节点数,并取推进效率η作为输出层的单个节点来完成铺层角度到推进效率的高度非线性映射。
步骤五:根据步骤三中的数据样本筛选出67组数据的输入和输出样本集,采用批处理训练模式和改进的BP算法中的梯度下降算法对已构建的神经网络进行训练,具体实施方案如下:首先是基于前向传播,通过对输入数据进行加权求和即y=f(W*X+b),其中W为权重,b为偏置,X为输入数据,y为网络输出数据,并经过激活函数Sigmoid函数,即公式(1)来完成非线性变换;进而通过平方误差函数,即公式(2)来计算误差,并加上L2正则化损失项来避免神经网络的过拟合;然后基于误差反向传播函数,即公式(3)、(4)通过计算误差梯度对权重求偏导对权重进行更新,并将更新后的权重再次代入到前向传播函数中进行计算。
步骤六:根据网络输出层的误差平方和是否小于指定的误差10-7来判断误差是否收敛,若不收敛,即没达到目标精度,返回步骤七继续训练;若收敛,则误差精度已满足要求,可以进行下一步的验证。
步骤七:将步骤五中剩下的33组铺层角组合数据作为验证集,输入到训练好的神经网络中,求得网络输出结果即推进效率值,和检验样本的输出数据作比较,完成神经网络计算精度的交叉验证。
步骤八:通过对铺层角组合进行离散约束得到需要进行预测分析的各铺层角度从-90到90,间隔15度,一共有13个取值的铺层角组合。并根据训练好的BP神经网络,针对每一组特定的铺层角设计,都可以得到与结构形式相对应的推进效率,对所得效率数据分析可得其最大网络预测值为0.7546,对应的铺层角组合为30°、60°、60°、15°、15°。
还包括步骤九:利用步骤八得到的复合材料螺旋桨铺层角组合,使经过铺层角优化的复合材料螺旋桨的推进效率在设计工况下与刚性桨等同,而在非设计工况下优于刚性桨,进而拓宽复合材料螺旋桨工作的高效区,提高复合材料螺旋桨推力效率等性能,解决复合材料螺旋桨应用领域工程技术问题。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于神经网络的复合材料螺旋桨铺层角优化方法,其特征在于:包括如下步骤,
步骤一:基于仿真软件建立复合材料螺旋桨模型,以金属螺旋桨桨叶中面为对称中心定义复合材料层合板各铺层角度来完成纤维复合材料铺层,并导入金属螺旋桨叶压力面及吸力面模型来约束复合材料铺层外形,最终实现复合材料螺旋桨有限元模型的建立;
所述纤维复合材料铺层方式包括单向或编织铺层方式;
步骤二:将步骤一中建立的复合材料螺旋桨有限元模型导入有限元分析软件以计算桨叶结构响应,并通过添加边界条件,设置流固耦合交界面,进而对复合材料螺旋桨流场进行雷诺时均N-S方程(RANS)求解计算得到复合材料螺旋桨各铺层角组合对应的敞水性征曲线;
步骤三:采用正交试验设计方法,将对称铺设的n个铺层与p个铺层角的最佳组合结果制成正交试验设计表,并根据正交试验设计的数据样本,通过主要因素分析确定q组铺层角组合的计算结果作为数据样本;
步骤四:基于数值计算软件构建一个包含z层隐藏层的高度非线性拟合的BP神经网络;取复合材料螺旋桨的n个铺层角为网络输入,即网络结构在输入层有n个节点;以2n+1个结点作为隐藏层节点数,并取推进效率η作为输出层的单个节点完成铺层角度到推进效率的高度非线性映射;
步骤五:根据步骤三中的数据样本,BP神经网络以铺层角度为设计变量,以推进效率为目标函数,运用回归分析来拟合目标函数,得到复合材料螺旋桨铺层角与推进效率之间的映射规律的BP神经网络,BP神经网络计算模型只需要对其进行训练即能够得到各不同优化情况的目标函数,提高复合材料螺旋桨铺层角优化效率;
步骤六:根据BP神经网络输出层的误差平方和是否低于预设误差阈值判断误差是否收敛,若不收敛,即没达到目标精度,返回步骤五继续训练;若收敛,则误差精度已满足要求,进行步骤七的验证;
步骤七:将步骤五中剩下的铺层角组合数据作为验证集,输入到训练好的神经网络中,求得网络输出结果即推进效率值,和检验样本的输出数据作比较,完成神经网络计算精度的交叉验证;
步骤八:根据步骤六训练好的BP神经网络,对各铺层角组合情况进行优化预测,对所得效率数据分析得最大网络预测值及对应的铺层角组合,即基于神经网络实现复合材料螺旋桨铺层角优化。
2.如权利要求1所述的一种基于神经网络的复合材料螺旋桨铺层角优化方法,其特征在于:还包括步骤九,利用步骤八得到的复合材料螺旋桨铺层角组合,使经过铺层角优化的复合材料螺旋桨的推进效率在设计工况下与刚性桨等同,而在非设计工况下优于刚性桨,进而拓宽复合材料螺旋桨工作的高效区,提高复合材料螺旋桨推力效率,解决复合材料螺旋桨应用领域工程技术问题。
3.如权利要求2所述的一种基于神经网络的复合材料螺旋桨铺层角优化方法,其特征在于:步骤九所述解决复合材料螺旋桨应用领域工程技术问题包括:得到各铺层角组合下的复合材料螺旋桨的推进效率,而且能够快速高效的得到最佳铺层角组合,进而延长螺旋桨的使用寿命,提高其水动力性能与噪声性能,节约能源,提高经济效益。
4.如权利要求1、2或3所述的一种基于神经网络的复合材料螺旋桨铺层角优化方法,其特征在于:步骤二具体实现方法为,将步骤一中建立完成的复合材料螺旋桨有限元模型导入有限元分析软件以计算桨叶结构响应,添加边界条件螺旋桨转速和固定约束,并将复合材料螺旋桨桨叶设置为流固耦合交界面;复合材料螺旋桨结构控制方程为其中,[Ms]为结构质量矩阵,[Cs]为结构阻尼矩阵,[Ks]为结构刚度矩阵;{X}即结构位移、即结构速度、即结构加速度;{FCFD}代表通过CFD软件求解的流固耦合作用下结构所受流场力;在数值模拟中,先从流场计算得到流体作用在结构上的载荷,载荷再通过流固耦合作用面传递给结构场,结构在载荷的作用下发生变形,流场根据结构场的变化更新网格,再次进行流场计算又得到作用在结构上的载荷;结构场与流场的计算交替进行,直至计算精度达到要求;对复合材料螺旋桨流场进行雷诺时均N-S方程(RANS)求解,封闭雷诺时均N-S方程;通过超算得到复合材料螺旋桨各铺层角组合对应的推进效率η。
5.如权利要求4所述的一种基于神经网络的复合材料螺旋桨铺层角优化方法,其特征在于:步骤五具体实现方法为,根据步骤三中的数据样本筛选出h组数据的输入和输出样本集,采用批处理训练模式和改进的BP神经网络算法中的梯度下降算法对已构建的神经网络进行训练,具体实现方法如下:首先是基于前向传播,通过对输入数据进行加权求和即y=f(W*X+b),其中W为权重,b为偏置,X为输入数据,y为网络输出数据,并经过激活函数Sigmoid函数,即公式(1)来完成非线性变换;进而通过平方误差函数,即公式(2)来计算误差,并加上L2正则化损失项来避免神经网络的过拟合;然后基于误差反向传播函数,即公式(3)、(4)通过计算误差梯度对权重求偏导对权重进行更新,并将更新后的权重再次代入到前向传播函数中进行计算;
公式(1)至(4)即为复合材料螺旋桨铺层角与推进效率之间的映射规律的BP神经网络,所述BP神经网络计算模型只需要对其进行训练即能够得到各不同优化情况的目标函数,提高复合材料螺旋桨铺层角优化效率。
6.如权利要求5所述的一种基于神经网络的复合材料螺旋桨铺层角优化方法,其特征在于:步骤一所述仿真软件选WorkBench平台中的ACP模块。
7.如权利要求6所述的一种基于神经网络的复合材料螺旋桨铺层角优化方法,其特征在于:步骤二所述有限元分析软件为Workbench Static Structure;
步骤二中雷诺时均N-S方程采用标准k-ωSST湍流模型来封闭。
8.如权利要求7所述的一种基于神经网络的复合材料螺旋桨铺层角优化方法,其特征在于:为了提高优化效率和精度,当对称铺设铺层为五个时,采用正交试验设计方法,将对称铺设的五个铺层与13个铺层角的最佳组合结果制成正交试验设计表,并根据正交试验设计的数据样本,通过主要因素分析确定100组铺层角组合的计算结果作为数据样本。
9.如权利要求8所述的一种基于神经网络的复合材料螺旋桨铺层角优化方法,其特征在于:当对称铺设铺层为五个时,基于MATLAB来构建一个包含7层隐藏层的高度非线性拟合的BP神经网络;取复合材料螺旋桨的五个铺层角为网络输入,即该网络结构在输入层有五个节点;以2n+1个结点作为隐藏层节点数,并取推进效率η作为输出层的单个节点来完成铺层角度到推进效率的高度非线性映射。
10.如权利要求9所述的一种基于神经网络的复合材料螺旋桨铺层角优化方法,其特征在于:步骤七中,当对称铺设铺层为五个,BP神经网络包含7层隐藏层时,步骤七将步骤五中剩下的33组铺层角组合数据作为验证集,输入到训练好的神经网络中,求得网络输出结果即推进效率值,和检验样本的输出数据作比较,完成神经网络计算精度的交叉验证;
步骤八中,当对称铺设铺层为五个,BP神经网络包含7层隐藏层时,步骤八中通过对铺层角组合进行离散约束得到需要进行预测分析的各铺层角度从-90到90,间隔15度,一共有13个取值的铺层角组合;并根据训练好的BP神经网络,针对每一组特定的铺层角设计,得到与结构形式相对应的推进效率,对所得效率数据分析得其最大网络预测值为0.7546,对应的铺层角组合为30°、60°、60°、15°、15°。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010137560.7A CN111444643B (zh) | 2020-03-02 | 2020-03-02 | 一种基于神经网络的复合材料螺旋桨铺层角优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010137560.7A CN111444643B (zh) | 2020-03-02 | 2020-03-02 | 一种基于神经网络的复合材料螺旋桨铺层角优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111444643A CN111444643A (zh) | 2020-07-24 |
CN111444643B true CN111444643B (zh) | 2022-04-19 |
Family
ID=71627457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010137560.7A Active CN111444643B (zh) | 2020-03-02 | 2020-03-02 | 一种基于神经网络的复合材料螺旋桨铺层角优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111444643B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307658B (zh) * | 2020-10-22 | 2022-09-13 | 西北工业大学 | 采用kdgo算法的auv复合材料螺旋桨铺层优化设计方法 |
CN112464530B (zh) * | 2020-11-22 | 2024-03-01 | 西北工业大学 | 一种夹层结构复合材料螺旋桨有限元建模方法 |
CN112949151B (zh) * | 2021-02-19 | 2022-09-27 | 北京航空航天大学 | 基于数据驱动的流固耦合预测方法 |
CN113468824A (zh) * | 2021-07-29 | 2021-10-01 | 北京全四维动力科技有限公司 | 计算叶轮机械叶片的损失系数的模型训练方法及计算方法 |
CN114757120A (zh) * | 2022-04-11 | 2022-07-15 | 北京理工大学 | 一种复合材料螺旋桨非定常空化流固耦合性能预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
CN105653783A (zh) * | 2015-12-28 | 2016-06-08 | 哈尔滨工业大学 | 提高复合材料螺旋桨流固耦合计算精度的方法 |
CN109711093A (zh) * | 2019-01-17 | 2019-05-03 | 北京理工大学 | 一种船用复合材料螺旋桨预变形优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7225173B2 (en) * | 2002-09-09 | 2007-05-29 | Carmel - Haifa University Economic Corporation Ltd. | Apparatus and method for efficient adaptation of finite element meshes for numerical solutions of partial differential equations |
US9274036B2 (en) * | 2013-12-13 | 2016-03-01 | King Fahd University Of Petroleum And Minerals | Method and apparatus for characterizing composite materials using an artificial neural network |
-
2020
- 2020-03-02 CN CN202010137560.7A patent/CN111444643B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
CN105653783A (zh) * | 2015-12-28 | 2016-06-08 | 哈尔滨工业大学 | 提高复合材料螺旋桨流固耦合计算精度的方法 |
CN109711093A (zh) * | 2019-01-17 | 2019-05-03 | 北京理工大学 | 一种船用复合材料螺旋桨预变形优化方法 |
Non-Patent Citations (2)
Title |
---|
复合材料层合板稳定性的铺层优化设计;修英姝;《工程力学》;20051231;第22卷(第6期);全文 * |
复合材料水翼水动力与结构强度特性数值研究;陈倩;《力学学报》;20190930;第51卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111444643A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444643B (zh) | 一种基于神经网络的复合材料螺旋桨铺层角优化方法 | |
CN111444642B (zh) | 一种基于多目标遗传算法的复合材料螺旋桨铺层优化方法 | |
CN107220461B (zh) | 一种变刚度复合材料板壳结构高效优化方法 | |
Wei et al. | An efficient approach for stacking sequence optimization of symmetrical laminated composite cylindrical shells based on a genetic algorithm | |
CN111159950B (zh) | 基于声固耦合的复合材料螺旋桨预应力湿模态预测方法 | |
Liao et al. | Viscous fluid–structure interaction response of composite hydrofoils | |
CN111191401B (zh) | 高超声速飞行器气动/控制/结构多学科协同优化方法 | |
CN110083900B (zh) | 一种面向混杂纤维复合材料板壳结构的快速协同优化方法 | |
CN107391891A (zh) | 一种基于模型融合方法的大展弦比机翼优化设计方法 | |
Herath et al. | Structural strength and laminate optimization of self-twisting composite hydrofoils using a Genetic Algorithm | |
CN109711093B (zh) | 一种船用复合材料螺旋桨预变形优化方法 | |
CN105653783A (zh) | 提高复合材料螺旋桨流固耦合计算精度的方法 | |
CN110321613A (zh) | 一种复合材料耐压壳体的铺层优化设计方法 | |
CN107357974A (zh) | 非均匀纤维增强复合材料分布优化设计方法 | |
Imran et al. | Design optimization of composite egg-shaped submersible pressure hull for minimum buoyancy factor | |
Han et al. | Structural design of the composite blades for a marine ducted propeller based on a two-way fluid-structure interaction method | |
CN111563320B (zh) | 一种结构与水弹性一体化螺旋桨设计方法 | |
Liang et al. | Hydrodynamic performance optimization of marine propellers based on fluid-structure coupling | |
Herath et al. | Development of a shape-adaptive composite propeller using bend-twist coupling characteristics of composites | |
Choi et al. | Composite propeller design optimization for cavitation minimization using deep learning-based objective parameter prediction model | |
Zhang et al. | Numerical analysis on propulsive efficiency and pre-deformated optimization of a composite marine propeller | |
Shayanpoor et al. | Hydroelastic analysis of composite marine propeller basis Fluid-Structure Interaction (FSI) | |
CN112464367B (zh) | 一种自主水下航行器的外形和结构两层设计优化方法 | |
Hong et al. | Structural design and multi-objective evaluation of composite bladed propeller | |
Kumar et al. | Numerical Fluid-Structure Interaction Analysis for a Flexible Marine Propeller Using Co-Simulation Method |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |