CN112434369B - 一种基于机器学习的结构载荷感知方法 - Google Patents
一种基于机器学习的结构载荷感知方法 Download PDFInfo
- Publication number
- CN112434369B CN112434369B CN202011255190.3A CN202011255190A CN112434369B CN 112434369 B CN112434369 B CN 112434369B CN 202011255190 A CN202011255190 A CN 202011255190A CN 112434369 B CN112434369 B CN 112434369B
- Authority
- CN
- China
- Prior art keywords
- load
- machine learning
- model
- finite element
- training
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims abstract description 13
- 230000004044 response Effects 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000013461 design Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000003938 response to stress Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000003466 welding Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 235000015842 Hesperis Nutrition 0.000 description 4
- 235000012633 Iberis amara Nutrition 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于机器学习的结构载荷感知方法,包括步骤如下:S1:建立目标结构有限元仿真模型;S2:在有限元仿真模型上确定传感器测点位置;S3:通过有限元仿真模型生成机器学习训练数据集;S4:将步骤S3中得到的训练数据集划分为训练集、测试集和验证集,训练外载荷预测模型;S5:采用验证集评估最终外载荷机器学习模型的载荷识别精度。本发明的方法用于解决弹箭体典型结构在截面载荷、集中力载荷、随机分布载荷等不同载荷下的载荷识别。
Description
技术领域
本发明涉及一种结构载荷感知方法。
背景技术
随着航天技术的发展、航天运输系统面临的新环境、新要求越来越多,性能指标也日趋严格。为了进一步提升设计精细度和可靠性,满足未来新型火箭和导弹武器对运载能力的更高需求,需要更加准确的掌握运载器的外部载荷和环境信息。
传统的载荷获取方式一般是通过传感器测量外部的气动压力和过载,再结合火箭的弹道和姿控,可以实现对载荷的间接计算。这种方式已经被多次证明对截面载荷有着很高的计算精度,但是仍然存在以下几方面的问题:第一,无法对复杂传力路径,尤其是静不定系统和复杂传力部位的内部载荷进行准确测量,例如捆绑载荷、挂飞载荷,复杂集中力部位的传递载荷。第二,对于外部载荷分布复杂的情况,因为传感器的限制,无法准确测量,例如导弹出水载荷存在的复杂时空分布现象,对传感器的密度要求非常高,很难精确测量。第三,对于运载器结构在操作、使用、维护、飞行过程中受到的不明外力,缺乏有效的故障诊断方法,很难通过测到的机构响应去反求故障发生的现象。
载荷感知智能结构能够通过传感器实时地获取大量数据,并通过该算法实时地将数据转化为有效信息,实现对自身状态变化及载荷环境的“智能感知”。通过这种途径,一方面,准确识别结构各部分载荷,为弹箭体结构进一步实现轻质化设计创造条件。另一方面,对长时服役、重复受载结构,载荷的实时监测是对突发情况进行及时预警响应、寿命周期内及时更换关键零件的重要决策依据。更进一步,在火箭智能化发展的背景下,作为火箭与导弹智能化战略中的重要一环,结构智能化对未来火箭与导弹实现高空风减载、主动/半主动减振、故障决策等智能化功能具有重要的意义。
传统上,利用结构的变形、应力响应,对结构承受的未知载荷进行识别,分类于力学学科中的“反问题”。存在一些半理论的方法,可以对一些简单结构进行求解,但是对于复杂结构形式,复杂载荷,传统方法无能为力。
弹箭体结构经历的环境复杂,且由于其苛刻的重量约束,导致结构在受载过程中表现出较强的非线性。传统方法难以解决具有复杂非线性、不确定性的结构系统的载荷识别问题。
发明内容
本发明所要解决的技术问题是:克服现有技术的不足,鉴于现有载荷识别方法难以应用于具有非线性响应特点的弹箭体结构中。本发明提出了一种基于机器学习的结构载荷感知方法,用于解决弹箭体典型结构在截面载荷、集中力载荷、随机分布载荷等不同载荷下的载荷识别。
本发明所采用的技术方案是:一种基于机器学习的结构载荷感知方法,包括步骤如下:
S1:建立目标结构有限元仿真模型;具体方法如下:
采用二次单元建立有限元模型,结构中的薄壳组件采用壳单元进行离散;单元尺寸为结构件整体尺寸0.02~0.1倍之间,有限元模型整体单元数量在1万~50万之间;除密布铆钉的铆接区和焊接区处理成大面积粘接外,其他连接区、接触区按实际连接关系进行建模;选用几何非线性分析内核进行分析;
S2:在有限元仿真模型上确定传感器测点位置;
S2-1:将结构上不同的外载荷分别定义为试验设计因子,采用三水平拉丁超立方进行实验设计,获得多组外载荷组合;
S2-2:在步骤S1中建立的有限元仿真模型上施加S2-1中的载荷,每一组载荷得到一个计算结果;
S2-3:将结构均匀的分为20~50个区域,在每个区域的应力响应≥20MPa的位置初步布置测点;
S2-4:提取步骤S2-2中得到的有限元分析结果中在步骤S2-3中布置的测点位置处的响应,构成不同载荷组合下测点响应的小子样数据集;
S2-5:对测点进行俩俩交叉相关性分析,并进行相关性排序,随机删除相关性最高的两个测点对中的一个;再对剩下的测点进行交叉相关性分析,并随机删除相关性最高的两个测点对中的一个;如此循环,直至测点数量为外载荷数量的2~3倍;
S2-6:记录步骤S2-5中剩余的测点的位置;
S3:通过有限元仿真模型生成机器学习训练数据集;
S3-1:将结构上不同的外载荷分别定义为随机变量,变量变动范围由结构承受载荷的实际情况确定,随机生成多组载荷组合,载荷组数不少于外载荷数量的100倍;
S3-2:利用有限元模型进行步骤S3-1得到的不同载荷组合下的有限元分析;
S3-3:提取每个计算结果的测点响应,将一次分析中的响应和载荷组成一条数据,最终形成用于机器学习的训练数据集;训练数据集的数量等于步骤S3-1中的载荷组数;其中,测点响应为数据特征,载荷为预测变量;
S4:训练外载荷预测模型;
S4-1:将步骤S3-3中得到的训练数据集划分为训练集,测试集和验证集,其中,训练集占步骤S3-3得到的训练数据集中数据的60%,测试集占步骤S3-3得到的训练数据集中数据的20%,验证集占步骤S3-3得到的训练数据集中数据的20%;
S4-2:选择相应的机器学习模型:线性结构的静态外载荷预测问题选择线性回归模型,结构工作环境噪声响应≥5%的情况下的外载荷预测选择自适应提升模型;动态外载荷预测选择人工神经网络;
S4-3:利用S4-1中得到的训练集数据和测试集数据,采用交叉验证和网格搜索方法调整S4-2中选定的机器学习模型参数;
S4-3:利用S4-1中得到的训练集训练机器学习模型,得到最终的外载荷识别模型。
S5:采用验证集评估最终外载荷机器学习模型的载荷识别精度。
本发明与现有技术相比的有益效果是:
本发明基于高精度有限元仿真模型和机器学习的载荷识别方法,建立了适用于航天弹箭体结构的载荷识别技术,本方法可以适用于弹箭体结构多种载荷环境下的载荷识别。具有测点需求少、识别精度高、适用范围广等优点。
附图说明
图1为基于机器学习的结构载荷感知技术流程框图;
图2为实施例1的结构有限元模型图;
图3为实施例1的载荷预测结果与实际载荷对比图;
图4为实施例2的结构有限元模型图;
图5为实施例2的筒段周向展开图,预测载荷位置及敲击力与实际值对比图。
具体实施方式
下面结合实施例对本发明作进一步阐述。
如图1,一种基于机器学习的结构载荷感知方法,包括步骤如下:
S1:建立目标结构有限元仿真模型;
采用二次单元建立有限元模型,结构中的薄壳组件采用壳单元进行离散。单元尺寸为结构件整体尺寸0.02-0.1倍之间,有限元模型整体单元数量在1万-50万之间。除密布铆钉的铆接区和焊接区处理成大面积粘接外,其他连接区,如螺栓连接区、接触区按实际连接关系进行建模。选用几何非线性分析内核进行分析。
S2:在有限元仿真模型上确定传感器测点位置;
S2-1:将结构上不同的外载荷分别定义为试验设计因子,采用3水平拉丁超立方开展实验设计,获得多组外载荷组合。
S2-2:在有限元仿真模型(S1步骤中建立)上施加S2-1中的载荷。每一组载荷得到一个计算结果。
S2-3:将结构均匀的分为20-50个区域,在每个区域的应力响应较大的位置初步布置侧点,测点尽量布置于开敞位置,便于实际传感器铺设。
S2-4:提取有限元分析结果(S2-2中得到)中测点(S2-3中得到)位置处的响应。构成了不同载荷组合下测点响应的小子样数据集;
S2-5:对测点进行俩俩交叉相关性分析,并进行相关性排序,随机删除相关性最高的两个测点对中的一个。再对剩下的测点进行交叉相关性分析,并随机删除相关性最高的两个测点对中的一个。如此循环,直至测点数量为外载荷数量2-3倍;
S2-6:记录S2-5剩余的测点的位置,布置传感器测点过程结束。
S3:通过有限元仿真模型生成机器学习训练数据集;
S3-1:将结构上不同的外载荷分别定义为随机变量,变量变动范围由结构承受载荷的实际情况确定。随机生成多组载荷组合。载荷组数不少于外载荷数量的100倍;
S3-2:利用有限元模型开展不同载荷组合(由S3-1得到)下的有限元分析;
S3-3:提取每个计算结果的测点响应,将一次分析中的响应和载荷组成一条数据,最终形成用于机器学习的训练数据集。训练数据集的数量应等于S3-1中的载荷组数。其中测点响应为数据特征,载荷为预测变量。
S4:训练外载荷预测模型;
S4-1:将数据集划分为训练集,测试集和验证集,其中训练集占S3-3数据集中60%,测试集占20%,验证集占20%;
S4-2:根据问题特点选择恰当的机器学习模型。非线性程度不高的静态外载荷预测问题选择线性回归模型。结构工作环境噪声较大情况下的外载荷预测选择自适应提升模型;动态外载荷预测选择人工神经网络。
S4-3:利用训练集数据和测试集,采用交叉验证和网格搜索方法调整S4-2选定的机器学习模型参数;
S4-3:利用训练集训练机器学习模型,得到最终的外载荷识别模型。
S5:采用验证集评估最终外载荷机器学习模型的载荷识别精度。
实施例1:集中力结构载荷识别;
如图2、3所示,针对承受集中力载荷结构,开展了载荷大小识别研究。该结构承受三个方向的载荷,吊耳支座内侧布置了7个测点。搭建机器学习模型,用仿真结果对机器模型进行训练。得到可通过测点应力响应预测结构外载荷的模型。
上述结构进行静力加载,测量应变,程序自动读取测得的应变值。由计算机程序自行预测加载载荷。最后将程序预测的载荷值与实际加载的载荷值进行对比,表明载荷预测准确性在95%以上。
实施例2:光筒外压载荷位置及大小识别;
如图4、5所示,实施例2利用本发明开展了光筒在外压载荷大小、位置的逆向识别研究。本次研究按照结构力学知识和测点布置准则确定了测点,建立结构有限元仿真模型,并进行了模型修正。通过仿真模型生成训练数据集。经过对比选择了人工神经网络作为载荷感知机器学习模型,将响应点的应力数据输入训练好的机器学习模型,模型给出了响应点应力对应的外压载荷加载位置及外压载荷大小。模型预测的加载位置与实际加载位置可以看到大部分预测位置与实际加载位置较为接近,位置预测精度约为90%,载荷值预测精度约为80%。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (8)
1.一种基于机器学习的结构载荷感知方法,其特征在于,包括步骤如下:
S1:建立目标结构有限元仿真模型;
S2:在有限元仿真模型上确定传感器测点位置;
步骤S2的具体步骤如下:
S2-1:将结构上不同的外载荷分别定义为试验设计因子,采用三水平拉丁超立方进行实验设计,获得多组外载荷组合;
S2-2:在步骤S1中建立的有限元仿真模型上施加S2-1中的载荷,每一组载荷得到一个计算结果;
S2-3:将结构均匀的分为20~50个区域,在每个区域的应力响应≥20MPa的位置初步布置测点;
S2-4:提取步骤S2-2中得到的有限元分析结果中在步骤S2-3中布置的测点位置处的响应,构成不同载荷组合下测点响应的小子样数据集;
S2-5:对测点进行俩俩交叉相关性分析,并进行相关性排序,随机删除相关性最高的两个测点对中的一个;再对剩下的测点进行交叉相关性分析,并随机删除相关性最高的两个测点对中的一个;如此循环,直至测点数量为外载荷数量的2~3倍;
S2-6:记录步骤S2-5中剩余的测点的位置;
S3:通过有限元仿真模型生成机器学习训练数据集;
步骤S3的具体步骤如下:
S3-1:将结构上不同的外载荷分别定义为随机变量,变量变动范围由结构承受载荷的实际情况确定,随机生成多组载荷组合;
S3-2:利用有限元模型进行步骤S3-1得到的不同载荷组合下的有限元分析;
S3-3:提取每个计算结果的测点响应,将一次分析中的响应和载荷组成一条数据,最终形成用于机器学习的训练数据集;
S4:将步骤S3中得到的训练数据集划分为训练集、测试集和验证集,训练外载荷预测模型;
S5:采用验证集评估最终外载荷机器学习模型的载荷识别精度。
2.根据权利要求1所述的一种基于机器学习的结构载荷感知方法,其特征在于,步骤S1的具体方法如下:
采用二次单元建立有限元模型,结构中的薄壳组件采用壳单元进行离散;单元尺寸为结构件整体尺寸0.02~0.1倍之间,有限元模型整体单元数量在1万~50万之间;除密布铆钉的铆接区和焊接区处理成大面积粘接外,其他连接区、接触区按实际连接关系进行建模。
3.根据权利要求2所述的一种基于机器学习的结构载荷感知方法,其特征在于,步骤S1中,选用几何非线性分析内核进行有限元分析。
4.根据权利要求3所述的一种基于机器学习的结构载荷感知方法,其特征在于,步骤3-1中,载荷组数不少于外载荷数量的100倍。
5.根据权利要求4所述的一种基于机器学习的结构载荷感知方法,其特征在于,步骤3-3中,训练数据集的数量等于步骤S3-1中的载荷组数;其中,测点响应为数据特征,载荷为预测变量。
6.根据权利要求5所述的一种基于机器学习的结构载荷感知方法,其特征在于,步骤S4的具体步骤如下:
S4-1:将数据集划分为训练集,测试集和验证集;
S4-2:选择相应的机器学习模型;
S4-3:利用S4-1中得到的训练集数据和测试集数据,采用交叉验证和网格搜索方法调整S4-2中选定的机器学习模型参数;
S4-3:利用S4-1中得到的训练集训练机器学习模型,得到最终的外载荷识别模型。
7.根据权利要求6所述的一种基于机器学习的结构载荷感知方法,其特征在于,S4-1中,训练集占步骤S3-3得到的训练数据集中数据的60%,测试集占步骤S3-3得到的训练数据集中数据的20%,验证集占步骤S3-3得到的训练数据集中数据的20%。
8.根据权利要求7所述的一种基于机器学习的结构载荷感知方法,其特征在于,S4-2中,线性结构的静态外载荷预测问题选择线性回归模型,结构工作环境噪声响应≥5%的情况下的外载荷预测选择自适应提升模型;动态外载荷预测选择人工神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011255190.3A CN112434369B (zh) | 2020-11-11 | 2020-11-11 | 一种基于机器学习的结构载荷感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011255190.3A CN112434369B (zh) | 2020-11-11 | 2020-11-11 | 一种基于机器学习的结构载荷感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112434369A CN112434369A (zh) | 2021-03-02 |
CN112434369B true CN112434369B (zh) | 2024-04-09 |
Family
ID=74699929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011255190.3A Active CN112434369B (zh) | 2020-11-11 | 2020-11-11 | 一种基于机器学习的结构载荷感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434369B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115392077B (zh) * | 2022-08-16 | 2023-07-25 | 中国人民解放军军事科学院国防科技创新研究院 | 基于深度学习的卫星物理场级数字孪生模型构建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918831A (zh) * | 2019-03-21 | 2019-06-21 | 大连理工大学 | 一种基于预测模型的局部应变全局化预测方法 |
CN109918726A (zh) * | 2019-01-30 | 2019-06-21 | 郑州大学 | 一种力学结构异常状态快速识别方法、存储介质 |
WO2020102865A1 (pt) * | 2018-11-23 | 2020-05-28 | Br2W Solucões Ltda | Método de monitoramento de cargas axiais em estruturas por meio da identificação das frequências naturais |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11008120B2 (en) * | 2017-05-23 | 2021-05-18 | The Boeing Company | System and method for predicting preliminary design requirements using artificial neural networks |
-
2020
- 2020-11-11 CN CN202011255190.3A patent/CN112434369B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020102865A1 (pt) * | 2018-11-23 | 2020-05-28 | Br2W Solucões Ltda | Método de monitoramento de cargas axiais em estruturas por meio da identificação das frequências naturais |
CN109918726A (zh) * | 2019-01-30 | 2019-06-21 | 郑州大学 | 一种力学结构异常状态快速识别方法、存储介质 |
CN109918831A (zh) * | 2019-03-21 | 2019-06-21 | 大连理工大学 | 一种基于预测模型的局部应变全局化预测方法 |
Non-Patent Citations (2)
Title |
---|
基于极限学习机的风电机组叶根载荷辨识建模;秦斌;易怀洋;王欣;;振动与冲击(04);全文 * |
飞机作动器连杆光纤光栅载荷校准方法;鲁明宇;马超;李翔宇;张智;武兆伟;李栋成;高丽敏;;数据采集与处理(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112434369A (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112085277B (zh) | 一种基于机器学习的scr脱硝系统预测模型优化方法 | |
CN114117840B (zh) | 一种基于仿真和试验数据混合驱动的结构性能预测方法 | |
Tohidi et al. | A new predictive model for restrained distortional buckling strength of half-through bridge girders using artificial neural network | |
CN112434369B (zh) | 一种基于机器学习的结构载荷感知方法 | |
CN108009311B (zh) | 一种针对蠕变试验的蠕变本构模型参数识别方法 | |
Zhao et al. | Reliability evaluation of a laminate composite plate under distributed pressure using a hybrid response surface method | |
CN116029180A (zh) | 机载外挂物疲劳仿真方法及系统 | |
Wang | Design of damage identification algorithm for mechanical structures based on convolutional neural network | |
Dua et al. | Detection and classification of impact-induced damage in composite plates using neural networks | |
CN116306301A (zh) | 一种基于神经网络的储罐热屈曲失效预测方法 | |
CN114254533B (zh) | 考核疲劳振动对产品组部件固定角度影响和预测的方法 | |
Toktaş et al. | Artificial neural networks solution to display residual hoop stress field encircling a split-sleeve cold expanded aircraft fastener hole | |
CN113973403B (zh) | 基于结构离散测点拓扑的温致应变场重分布智能感知方法 | |
CN113688465B (zh) | 一种基于载荷与状态结合的飞行器结构强度数字孪生方法 | |
Coates et al. | An inverse method for selection of Fourier coefficients for flight load identification | |
WO2021051332A1 (zh) | 基于小波神经网络和支持向量机桥梁地震损伤监控方法 | |
CN105699043A (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
Yu et al. | Optimal design of main girder structure of bridge crane based on equal life concept driven by data | |
CN111291490B (zh) | 一种结构多尺度异类响应的非线性映射智能建模方法 | |
Qi et al. | Multi-damage life assessment under continuous damage mechanics | |
Georgiou et al. | Predicting Flush End‐Plate Connections Response Using Artificial Neural Networks | |
Candelieri et al. | A hyper-solution framework for SVM classification: Improving damage detection on helicopter fuselage panels | |
Zou et al. | Crack Detection and Classification of a Simulated Beam Using Deep Neural Network | |
CN113408672B (zh) | 一种用于飞行器模态试验的关键参数识别方法 | |
CN112668091B (zh) | 一种用于载荷分布反演的应变测量位置优选方法 |
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 |