CN113191050B - 一种基于msvr-ga优化初始残余应力的工件变形仿真预测方法 - Google Patents
一种基于msvr-ga优化初始残余应力的工件变形仿真预测方法 Download PDFInfo
- Publication number
- CN113191050B CN113191050B CN202110465668.3A CN202110465668A CN113191050B CN 113191050 B CN113191050 B CN 113191050B CN 202110465668 A CN202110465668 A CN 202110465668A CN 113191050 B CN113191050 B CN 113191050B
- Authority
- CN
- China
- Prior art keywords
- workpiece
- residual stress
- msvr
- deformation
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004088 simulation Methods 0.000 title claims abstract description 37
- 239000000463 material Substances 0.000 claims abstract description 38
- 238000009826 distribution Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 7
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 210000000349 chromosome Anatomy 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims 1
- 238000011089 mechanical engineering Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 10
- 238000003754 machining Methods 0.000 description 5
- 239000002344 surface layer Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational 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
- G06F30/27—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明提供一种基于MSVR‑GA优化初始残余应力的工件变形仿真预测方法,属于机械工程领域。该方法首先根据实际测量得到的初始残余应力分布和工件上下表面材料去除量,建立有限元仿真模型预测工件变形。然后,利用MSVR建立初始残余应力调整值与工件变形的关系。之后,根据实际工件变形,利用GA寻找最优的初始残余应力调整值。最后,根据调整值对初始残余应力进行修正,得到更加准确的工件变形仿真预测模型。本发明利用MSVR‑GA对初始残余应力进行修正,能够得到与实际更加吻合的应力分布情况,大大提高了工件变形仿真预测模型的精度。
Description
技术领域
本发明属于机械工程领域,涉及一种工件变形的仿真预测方法,尤其涉及一种基于MSVR-GA优化初始残余应力的工件变形仿真预测方法。
背景技术
目前薄壁零件广泛用于航空航天领域,如飞机蒙皮、发动机叶片等。为了提高产品的性能,对零件的加工精度要求越来越高。然而,工件在成形过程中,由于受到外力和温度场的作用,不可避免的产生残余应力。对于薄壁零件,在加工过程中,当材料被去除后,内部的残余应力释放极易导致工件发生变形,影响零件的面形精度。因此,残余应力是导致工件变形的主要影响因素,严重制约了零件加工精度的提高。
近年来,通过对工件的加工机理进行分析,并利用有限元仿真技术对残余应力导致工件变形进行预测,从而实现对加工变形的控制已成为机械制造领域的研究热点。专利CN108182325A公布了一种薄壁结构件切削加工变形预测分析方法,该方法基于有限元分析得到的粗加工初始残余应力,利用理论建模的方式求解得到精加工表层残余应力分布,然后通过有限元模拟得到工件的最终变形。然而,该方法采用理论建模的方式得到工件的残余应力分布情况,对于复杂的模型,计算量非常大。专利CN 108133117 A公布了一种航空件加工变形预测方法及装置,通过获取初始残余应力和加工残余应力,然后建立有限元模型,利用生死单元法模拟材料去除,从而得到工件的加工变形。然而,由于该方法通过仿真软件得到工件的初始残余应力和加工应力的分布情况,仿真模型建立时会对实际的加工模型进行简化,因此很难得到准确的残余应力分布情况。
对于上述存在的问题,本发明提出一种基于MSVR-GA优化初始残余应力的工件变形仿真预测方法。
发明内容
本发明针对目前初始残余应力数据不准确,导致工件变形的仿真预测模型精度低的问题,提出了一种基于MSVR-GA优化初始残余应力的工件变形仿真预测方法。基于实际测量得到的初始残余应力分布情况,根据工件的实际加工变形,利用MSVR-GA修正初始残余应力,然后建立有限元仿真模型对之后工件的加工变形进行预测,能够大大提高工件变形的预测精度。
为了达到上述目的,本发明采用的技术方案为:
一种基于MSVR-GA优化初始残余应力的工件变形仿真预测方法,主要包括以下步骤:
第一步,获取初始数据
1.1)对同一批工件进行热处理,其中一个工件记为A1,其余工件记为A2。
1.2)采用残余应力测量仪测量A1工件内部的初始残余应力,得到工件沿厚度方向的残余应力分布,记为σ1,σ2,σ3...σp。
1.3)对A2工件进行一次加工,记录工件上下表面材料去除率分别为a和a’,工件上表面不同半径处的材料去除差值为r。
1.4)继续对A2工件进行多次加工,加工时间分别是t1,t2,t3,……tn,其中加工时间为ti时对应的上下表面材料去除量分别为di=a×ti,d’i=a’×ti,对应的工件变形分别为Yi。
第二步,有限元仿真模型的建立。
2.1)根据A2工件的大小建立工件的几何模型,并定义材料属性。
2.2)通过按边布种的方式对工件进行网格划分,将工件沿厚度方向分为p层,每一层网格定义为一个集合,分别记为W1,W2,W3,……Wp,并对网格进行适当的细化。
2.3)通过预定场将测量的初始残余应力σ1,σ2,σ3...σp加载到对应层网格W1,W2,W3,……Wp中。边界条件采用完全固定的方式来约束工件中心的五个节点的自由度。利用“生死单元法”模拟实际的材料去除。
2.4)在材料去除后,残余应力重新分布,得到工件的变形结果。
第三步,建立MSVR模型。
3.1)根据残余应力测量仪器的测量误差,随机生成E组在±B MPa范围内的初始残余应力调整值,每组调整值包括m个数据。由于工件表面材料被去除,导致残余应力重分布,从而引起工件变形。因此,表层残余应力对工件的变形影响较大。所以仅对工件前m层和后m层残余应力进行修正。修正后的初始残余应力记为σ1',σ2',…σm',σm+1,…σp-m,σ'p-m+1,…σ'p-1,σ'p。
3.2)将E组修正后的初始残余应力分别加入到第二步的有限元仿真模型中,仿真得到不同材料去除量下工件的变形,记为yij,表示第i组修正后的初始残余应力加入有限元模型中,上下表面材料去除量分别为dj和d’j时对应工件的变形。因此,可以得到E组MSVR所需要的数据样本。
3.3)将E组样本数据分为两部分,其中F组作为训练集数据,E-F组作为测试集数据。通过MSVR模型对训练集数据进行训练,从而得到初始残余应力调整值与工件变形之间的非线性关系。
所述训练集数据可表示为:
T={(x1,y1),(x2,y2),…(xi,yi),…(xM,yM)} (1)
其中,xi∈Rm为训练集数据的输入向量,代表m个应力调整值;yi∈Rn为训练集数据的输出向量,表示n个不同材料去除量下工件的变形量。
所述MSVR模型可以表示为:
f(x)=φ(x)TW+B (2)
其中,φ(x)为高维空间的非线性映射;W=[w1,w2,…wn]为权值;B=[b1,b2,…,bn]T为偏差,f(x)为MSVR模型输出。
MSVR模型的求解可转化为优化问题,表示为:
其中:C为惩罚因子,即对误差的容忍度;ξ和为松弛变量,代表训练集数据的输入与MSVR模型输出的误差,当误差为负时表示为ξ,当误差为正时表示为/>ε为训练精度;k为迭代次数。
上述约束优化问题的求解为二次优化问题,且满足Karush-Kuhn-Tucker条件,可通过拉格朗日乘子法将其转化为对偶问题,然后求解可得到回归函数:
式中,和αi为两个不同的拉格朗日乘子,且当/>时对应的样本xi为支持向量。K(xi,xj)为核函数。
通过公式(3)可以得到输入应力调整值xi与对应工件变形之间f(xi)的非线性关系。
使用(E-F)组测试集数据对MSVR模型进行测试,评价MSVR模型的准确性。
第四步,遗传算法对初始残余应力修正。
4.1)根据步骤3.1)的方法,随机生成K个个体的种群。每个个体也含有m个应力调整值。
4.2)通过使用第三步中MSVR模型建立的非线性关系,计算每个个体对应的输出f(xi)。
4.3)每个输入的调整值为一个染色体,对其进行浮点数编码。
4.4)设计每个个体的适应度,适应度函数S(j)为:
4.5)根据适应度的大小采用轮盘赌法进行选择操作,将MSVR模型计算得到的变形与实际工件加工变形接近的个体遗传给下一代。
4.6)设置交叉概率为e,其取值范围通常为(0.6,0.8),变异概率为f,其取值范围通常为(0.01,0.3)对种群个体进行交叉、变异后形成新种群。
4.7)重复第4.4)-4.6)步,直至迭代次数结束为止,记录适应度最大的个体。
第五步,工件变形仿真预测。
使用第四步中适应度最大个体的数据作为最终调整值对初始残余应力进行修正。然后,将修正后的初始残余应力加载到第二步的有限元仿真模型中。利用第二步中的建模方法,可以预测不同加工去除量下由初始残余应力引起的工件变形。
本发明的有益效果如下:
(1)创新性的提出了一种基于MSVR-GA优化初始残余应力的工件变形仿真预测方法,解决了残余应力较小时,由于测量初始残余应力不准确导致工件变形仿真预测模型精度低的问题。
(2)采用多输入多输出的MSVR模型建立了应力调整值与多个材料去除量下工件变形之间的关系。与将材料去除量作为输入的SVR模型相比,MSVR模型的输入维数减小,模型更加简单,同时在求解每个输出量时会兼顾其他输出量的拟合效果,因此MSVR模型测试集误差更小,拟合效果更好。
(3)在使用遗传算法进行优化时,考虑到工件由于材料去除去除不均匀导致的工件变形,同时与多次实际加工变形结果进行对比,因此修正后的初始残余应力与实际更加贴合,提高了仿真模型的预测精度。
附图说明
图1基于MSVR-GA优化初始残余应力的工件变形仿真预测流程图。
具体实施方法
为了进一步理解基于MSVR-GA优化初始残余应力的工件变形仿真预测方法,下面结合实施例对本发明进行详细说明,包括以下步骤:
一种基于MSVR-GA优化初始残余应力的工件变形仿真预测方法,主要包括以下步骤:
工件为直径200mm,厚度2mm的铜片。
第一步,获取初始数据
1.1)对同一批工件进行热处理,其中一个工件记为A1,其余工件记为A2。
1.2)采用残余应力测量仪测量A1工件内部的初始残余应力,每隔50μm深度测量一次残余应力,得到工件沿厚度方向的残余应力分布,记为σ1,σ2,σ3...σp。
1.3)对A2工件进行一次加工,记录工件上下表面材料去除率分别为a=15μm和a’=20μm,工件上表面不同半径处的材料去除差值为r=1.4μm/h。
1.4)继续对A2工件进行多次加工,加工时间ti分别是0.5h,1h,1.5h。加工得到的工件变形量Yi分别为1.3μm,2.6μm,3.8μm。
第二步,有限元仿真模型的建立。
2.1)根据A2工件的大小建立工件的几何模型,并定义材料属性。
2.2)通过按边布种的方式对工件进行网格划分,将工件沿厚度方向分为40层,每一层网格定义为一个集合,分别记为W1,W2,W3,……W40,并对网格进行适当的细化。
2.3)通过预定场将测量的初始残余应力σ1,σ2,σ3...σ40加载到对应层网格W1,W2,W3,……W40中。边界条件采用完全固定的方式来约束工件中心的五个节点的自由度。利用“生死单元法”模拟实际的材料去除。
2.4)在材料去除后,残余应力重新分布,得到工件的变形结果。
第三步,建立MSVR模型。
3.1)根据残余应力测量仪器的测量误差,随机生成30组在±20MPa范围内的初始残余应力调整值,每组调整值包括3个数据。由于工件表面材料被去除,导致残余应力重分布,从而引起工件变形。因此,表层残余应力对工件的变形影响较大。所以仅对工件前3层和后3层残余应力进行修正。修正后的初始残余应力记为σ1',σ2',…σ'40。
3.2)将30组修正后的初始残余应力分别加入到第二步的有限元仿真模型中,仿真得到不同材料去除量下工件的变形。因此,可以得到30组MSVR所需要的数据样本。
3.3)将30组样本数据分为两部分,其中24组作为训练集数据,6组作为测试集数据。通过MSVR模型对训练集数据进行训练,从而得到初始残余应力调整值与工件变形之间的关系。
所述训练集数据可表示为:
T={(x1,y1),(x2,y2),…(xi,yi),…(xM,yM)} (1)
其中,xi∈Rm为训练集数据的输入向量,代表m个应力调整值;yi∈Rn为训练集数据的输出向量,表示n个不同材料去除量下工件的变形量。
所述MSVR模型可以表示为:
f(x)=φ(x)TW+B (2)
其中,φ(x)为高维空间的非线性映射;W=[w1,w2,…wn]为权值;B=[b1,b2,…,bn]T为偏差,f(x)为MSVR模型输出。
MSVR模型的求解可转化为优化问题,可表示为:
其中:C为惩罚因子,即对误差的容忍度;ξ和为松弛变量,代表训练集数据的输入与MSVR模型输出的误差,当误差为负时表示为ξ,当误差为正时表示为/>ε为训练精度;k为迭代次数。
上述约束优化问题的求解为二次优化问题,且满足Karush-Kuhn-Tucker条件,可通过拉格朗日乘子法将其转化为对偶问题,然后求解可得到回归函数:
式中,和αi为两个不同的拉格朗日乘子,且当/>时对应的样本xi为支持向量。K(xi,xj)为核函数。
通过公式(3)可以得到输入应力调整值xi与对应工件变形之间f(xi)的非线性关系。
使用6组测试集数据对MSVR模型进行测试,评价MSVR模型的准确性。
第四步,遗传算法对初始残余应力修正。
4.1)根据步骤3.1)的方法,随机生成50个个体的种群。每个个体也含有3个应力调整值。
4.2)通过使用第三步中MSVR模型建立的非线性关系,计算每个个体对应的输出f(xi)。
4.3)每个输入的调整值为一个染色体,对其进行浮点数编码。
4.4)设计每个个体的适应度,适应度函数S(j)为:
4.5)根据适应度的大小采用轮盘赌法进行选择操作,将MSVR模型计算得到的变形与实际工件加工变形接近的个体遗传给下一代。
4.6)设置交叉概率为0.7,变异概率为0.05,对种群个体进行交叉、变异后形成新种群。
4.7)重复第4.4)-4.6)步,直至迭代次数结束为止,记录适应度最大的个体。
第五步,工件变形仿真预测。
使用第四步中适应度最大个体的数据作为最终调整值对初始残余应力进行修正。然后,将修正后的初始残余应力加载到第二步的有限元仿真模型中。利用第二步中的建模方法,可以预测不同加工去除量下由初始残余应力引起的工件变形。
以上所述实施例仅表达本发明的实施方式,但并不能因此而理解为对本发明专利的范围的限制,应当指出,对于本领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些均属于本发明的保护范围。
Claims (2)
1.一种基于MSVR-GA优化初始残余应力的工件变形仿真预测方法,其特征在于,包括以下步骤:
第一步,获取初始数据
1.1)对同一批工件进行热处理,其中一个工件记为A1,其余工件记为A2;
1.2)采用残余应力测量仪测量A1工件内部的初始残余应力,得到工件沿厚度方向的残余应力分布,记为σ1,σ2,σ3...σp;
1.3)对A2工件进行一次加工,记录工件上下表面材料去除率分别为a和a’,工件上表面不同半径处的材料去除差值为r;
1.4)继续对A2工件进行多次加工,加工时间分别是t1,t2,t3,……tn,其中加工时间为ti时对应的上下表面材料去除量分别为di=a×ti,d’i=a’×ti,对应的工件变形分别为Yi;
第二步,有限元仿真模型的建立;
2.1)根据A2工件的大小建立工件的几何模型,并定义材料属性;
2.2)通过按边布种的方式对工件进行网格划分,将工件沿厚度方向分为p层,每一层网格定义为一个集合,分别记为W1,W2,W3,……Wp,并对网格进行适当的细化;
2.3)通过预定场将测量的初始残余应力σ1,σ2,σ3...σp加载到对应层网格W1,W2,W3,……Wp中;边界条件采用完全固定的方式来约束工件中心的五个节点的自由度,并利用“生死单元法”模拟实际的材料去除;
2.4)在材料去除后,残余应力重新分布,得到工件的变形结果;
第三步,建立MSVR模型;
3.1)根据残余应力测量仪器的测量误差,随机生成E组在±B MPa范围内的初始残余应力调整值,每组调整值包括m个数据,其中,B根据测量误差取得;仅对工件前m层和后m层残余应力进行修正;修正后的初始残余应力记为σ1',σ2',…σm',σm+1,…σp-m,σ'p-m+1,…σ'p-1,σ'p;
3.2)将E组修正后的初始残余应力分别加入到第二步的有限元仿真模型中,仿真得到不同材料去除量下工件的变形,记为yij,表示第i组修正后的初始残余应力加入有限元模型中,上下表面材料去除量分别为dj和d’j时对应工件的变形;因此,可以得到E组MSVR所需要的数据样本;
3.3)将E组样本数据分为两部分,其中F组作为训练集数据,E-F组作为测试集数据;通过MSVR模型对训练集数据进行训练,得到初始残余应力调整值与工件变形之间的非线性关系;
所述训练集数据可表示为:
T={(x1,y1),(x2,y2),…(xi,yi),…(xM,yM)} (1)
其中,xi∈Rm为训练集数据的输入向量,代表m个应力调整值;yi∈Rn为训练集数据的输出向量,表示n个不同材料去除量下工件的变形量;
所述MSVR模型可以表示为:
f(x)=φ(x)TW+B (2)
其中,φ(x)为高维空间的非线性映射;W=[w1,w2,…wn]为权值;B=[b1,b2,…,bn]T为偏差,f(x)为MSVR模型输出;
MSVR模型的求解可转化为优化问题,表示为:
其中:C为惩罚因子,即对误差的容忍度;ξ和为松弛变量,代表训练集数据的输入与MSVR模型输出的误差,当误差为负时表示为ξ,当误差为正时表示为/>ε为训练精度;k为迭代次数;
上述优化问题的求解为二次优化问题,且满足Karush-Kuhn-Tucker条件,通过拉格朗日乘子法将其转化为对偶问题,求解可得到回归函数:
式中,和αi为两个不同的拉格朗日乘子,且当/>时对应的样本xi为支持向量;K(xi,xj)为核函数;
通过公式(3)可以得到输入应力调整值xi与对应工件变形之间f(xi)的非线性关系;
使用(E-F)组测试集数据对MSVR模型进行测试,评价MSVR模型的准确性;
第四步,遗传算法对初始残余应力修正;
4.1)根据步骤3.1)的方法,随机生成K个个体的种群;每个个体也含有m个应力调整值;
4.2)通过使用第三步中MSVR模型建立的非线性关系,计算每个个体对应的输出f(xi);
4.3)每个输入的调整值为一个染色体,对其进行浮点数编码;
4.4)设计每个个体的适应度,适应度函数S(j)为:
4.5)根据适应度的大小采用轮盘赌法进行选择操作,将MSVR模型计算得到的变形与实际工件加工变形接近的个体遗传给下一代;
4.6)设置交叉概率为e、变异概率为f,对种群个体进行交叉、变异后形成新种群;
4.7)重复第4.4)-4.6)步,直至迭代次数结束为止,记录适应度最大的个体;
第五步,工件变形仿真预测;
采用第四步中适应度最大个体的数据作为最终调整值对初始残余应力进行修正,将修正后的初始残余应力加载到第二步的有限元仿真模型中;利用第二步中的建模方法,可以预测不同加工去除量下由初始残余应力引起的工件变形。
2.根据权利要求1所述的一种基于MSVR-GA优化初始残余应力的工件变形仿真预测方法,其特征在于,步骤4.6)中,e取值范围通常为0.6~0.8,f取值范围为0.01~0.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110465668.3A CN113191050B (zh) | 2021-04-28 | 2021-04-28 | 一种基于msvr-ga优化初始残余应力的工件变形仿真预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110465668.3A CN113191050B (zh) | 2021-04-28 | 2021-04-28 | 一种基于msvr-ga优化初始残余应力的工件变形仿真预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191050A CN113191050A (zh) | 2021-07-30 |
CN113191050B true CN113191050B (zh) | 2024-02-02 |
Family
ID=76979924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110465668.3A Active CN113191050B (zh) | 2021-04-28 | 2021-04-28 | 一种基于msvr-ga优化初始残余应力的工件变形仿真预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191050B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113761684B (zh) * | 2021-09-07 | 2022-06-21 | 山东大学 | 一种结构件加工变形分段校正载荷优化方法及系统 |
CN114241621B (zh) * | 2021-12-20 | 2023-07-18 | 合肥工业大学 | 一种求解大变形薄基片应力的方法 |
CN114939772B (zh) * | 2022-04-20 | 2023-12-19 | 湖南星途航空航天器制造有限公司 | 一种加工薄壁弧形件的力适应性方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131679A (zh) * | 2020-09-02 | 2020-12-25 | 大连理工大学 | 一种工件初始残余应力的反推调整方法 |
CN112179541A (zh) * | 2020-09-02 | 2021-01-05 | 大连理工大学 | 一种基于变形反推的初始残余应力调整方法 |
AU2020103406A4 (en) * | 2020-11-12 | 2021-01-28 | Harbin Institute Of Technology | Method and system for predicting residual stress of large aluminum alloy part |
-
2021
- 2021-04-28 CN CN202110465668.3A patent/CN113191050B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131679A (zh) * | 2020-09-02 | 2020-12-25 | 大连理工大学 | 一种工件初始残余应力的反推调整方法 |
CN112179541A (zh) * | 2020-09-02 | 2021-01-05 | 大连理工大学 | 一种基于变形反推的初始残余应力调整方法 |
AU2020103406A4 (en) * | 2020-11-12 | 2021-01-28 | Harbin Institute Of Technology | Method and system for predicting residual stress of large aluminum alloy part |
Non-Patent Citations (3)
Title |
---|
Location layout design of aircraft parts assembly based on MSVR;Xining LI等;Chinese Journal of Aeronautics;第1532-1540页 * |
基于MSVR的MCFC/GT发电系统 最优运行轨迹预测研究;杨 帆等;太阳能学报;第221-226页 * |
铝合金联装架焊接残余应力和变形数值模拟;廖传清等;上海航空;第140-146页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113191050A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191050B (zh) | 一种基于msvr-ga优化初始残余应力的工件变形仿真预测方法 | |
Fei et al. | Springback prediction for incremental sheet forming based on FEM-PSONN technology | |
CN110674598A (zh) | 一种基于支持向量机和粒子群算法的注塑工艺优化方法 | |
CN112199823B (zh) | 一种橡胶材料应力松弛及损伤效应的数值预测方法 | |
CN111459094B (zh) | 机床主轴热误差建模中温度敏感点组合的分区域选取方法 | |
CN114026510B (zh) | 用于优化增材制造工艺中的工艺参数的方法和系统 | |
CN112659548B (zh) | 基于遗传算法和bp神经网络的面曝光3d打印工艺优化方法 | |
CN114818401A (zh) | 机器学习模型的训练方法、训练装置、评价系统 | |
CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
CN109616161B (zh) | 一种基于孪生支持向量回归机的发酵过程软测量方法 | |
CN113033105B (zh) | 基于力学理论指导迁移学习的钢铁材料疲劳性能预测方法 | |
CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
CN113435089A (zh) | 一种基于高斯过程的板材折弯回弹预测方法 | |
CN115600492A (zh) | 一种激光切割工艺设计方法及系统 | |
CN112131679B (zh) | 一种工件初始残余应力的反推调整方法 | |
CN111861124B (zh) | 适用于注塑机的可识别性能评估方法、系统及存储介质 | |
CN104537167B (zh) | 基于鲁棒区间极限学习机的区间型指标预报方法 | |
CN114880792A (zh) | 一种基于形变预测的全方位多角度优化方法 | |
CN110096742B (zh) | 一种基于预测模型及粒子群算法的预锻成形模具设计方法 | |
CN117131788B (zh) | 一种聚合物板材的优化成型方法和系统 | |
CN110096741B (zh) | 一种基于预测模型及改进遗传算法的预锻成形模具设计方法 | |
CN116384257B (zh) | 一种空分整装冷箱装配误差预测与公差优化方法 | |
CN114169225B (zh) | 基于计算机仿真优化铝合金构件机加工序列的方法及计算机设备 | |
CN114626263B (zh) | 一种基于晶体塑性的高温合金材料短裂纹扩展数值模拟方法 | |
Kremer et al. | A New Approach for Parametrizing Multidimensional Lifetime Models |
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 |