CN113312832B - 一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法 - Google Patents
一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法 Download PDFInfo
- Publication number
- CN113312832B CN113312832B CN202110302143.8A CN202110302143A CN113312832B CN 113312832 B CN113312832 B CN 113312832B CN 202110302143 A CN202110302143 A CN 202110302143A CN 113312832 B CN113312832 B CN 113312832B
- Authority
- CN
- China
- Prior art keywords
- plate frame
- frame structure
- hull plate
- neural network
- deep neural
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法。本发明采用任意欧拉‑拉格朗日方法对水下爆炸载荷下船体板架结构响应进行数值计算获得数据样本;根据船体板架结构,对样本数据库进行降维,用以缩短深度神经网络训练时间;采用深度神经网络对降维后的样本数据库进行学习,并验证学习效果;采用蚁群算法对深度神经网络的结构及超参数进行优化,提高深度神经网络训练效率和预报精度,输出泛化效果最佳的深度神经网络;对使用深度神经网络对水下爆炸载荷下船体板架结构动响应预报结果进行后处理。
Description
技术领域
本发明涉及水下爆炸载荷下舰船毁伤技术领域,是一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法。
背景技术
水面舰艇作为海军装备的主要力量,水下爆炸造成的毁伤将对舰船战斗力和生命力造成严重威胁。在战场环境中快速、准确地评估舰船在水下爆炸载荷下的毁伤特性具有极其重要的军事价值。对于水下爆炸的研究,目前主要以数值仿真和模型试验为主。公开的实验资料也基本局限于简单板架结构和小缩尺比实验。小尺度的缩比模型实验存在尺度效应,边界条件也难以与实际工况保持一致,反推到原模型难度较大,只能作为前期的机理性研究。大缩尺比实验及实船试验成本巨大,且受到可行性和安全性等条件限制。由于实船水下爆炸试验成本高昂,目前水下爆炸载荷下舰船响应特性研究大量使用三维数值模拟方法,产生了海量计算数据。对数值计算得到的数据进行分析和挖掘将为舰船抗爆抗冲击领域提供一定的数值参考。
深度神经网络(Deep neural networks,DNN)已经被应用于不同的领域,利用深度神经网络,可以对其他方法难以解决的问题做出相对准确的预测。在软件模型架构中,深度神经网络和传统人工神经网络的区别在于深度神经网络有更多的隐藏层和神经元。具有三层以上的神经网络可以定义为深度神经网络,增加层数和神经元数可以提高神经网络的学习能力。与传统的人工神经网络相比,在资源数量相同的情况下,深度神经网络可以模拟复杂度更高的函数来解决更复杂的问题。利用深度神经网络方法对数值计算结果进行分析和挖掘,从而实现水下爆炸载荷下船体板架结构毁伤的快速预报,这可以节省大量计算资源和计算时间,并且通过数据的积累使预报系统精度进一步提高,具有重要的工程和学术意义。
发明内容
本发明使用任意欧拉-拉格朗日方法(ALE)进行数值模拟得到数据库,基于数值计算结果对深度神经网络进行训练,并且采用蚁群算法对深度神经网络超参数进行优化,实现水下爆炸载荷下船体板架结构动响应快速预报。
本发明提供了一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法,本发明提供了以下技术方案:
一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法,包括以下步骤:
步骤1:采用任意欧拉-拉格朗日方法对水下爆炸载荷下船体板架结构响应进行数值计算获得数据样本;
步骤2:根据船体板架结构,对样本数据库进行降维,用以缩短深度神经网络训练时间;
步骤3:采用深度神经网络对降维后的样本数据库进行学习,并验证学习效果;
步骤4:采用蚁群算法对深度神经网络的结构及超参数进行优化,提高深度神经网络训练效率和预报精度,输出泛化效果最佳的深度神经网络;
步骤5:对使用深度神经网络对水下爆炸载荷下船体板架结构动响应预报结果进行后处理。
优选地,所述步骤1具体为:
步骤1.1:根据一定当量炸药水下爆炸产生最大气泡的半径的确定水域尺寸,水域的尺寸应为一定当量的炸药在对应水深下产生气泡最大直径的2到4倍;
步骤1.2:根据药包初始半径确定水域网格尺寸,采用S-ALE方法对水域和空气进行离散,使气泡最大直径范围内网格尺寸最小,剩余区域网格尺寸为最大直径范围内网格尺寸的2倍;
步骤1.3:对船体板架结构进行建模并保证结构与水域最小网格尺寸一致,完成模型建立;采用任意欧拉-拉格朗日方法ALE对船体板架结构在水下爆炸载荷下的动响应进行计算,得到结构各节点的坐标以及各单元的等效塑性应变等计算数据,建立样本数据库
优选地,所述步骤2具体为:
据船体板架结构的对称形式对样本数据库进行降维,对于关于X轴对称的船体板架结构在水下爆炸载荷下的各节点位移矩阵A有:
其中,B为船体板架结构对称轴上方节点位移矩阵,C为船体板架结构对称轴下方节点位移矩阵,bij和cij分别船体板架结构对称轴上方和下方第i行j列节点位移信息;
由于船体板架结构关于X轴对称,cm,n=bi-m+1,n,对矩阵B中的数据进行训练和预测,实现数据降维;
对于关于Y轴对称的船体板架结构在水下爆炸载荷下的各节点位移矩阵A通过下式表示:
A=[B C]
其中,B为船体板架结构对称轴左侧节点位移矩阵,C为船体板架结构对称轴右侧节点位移矩阵,bij和cij分别船体板架结构对称轴左侧和右侧第i行j列节点位移信息;
由于船体板架结构关于Y轴对称,cm,n=bm,j-n+1,对矩阵B中的数据进行训练和预测,提高训练效率
对于关于X和Y轴对称的船体板架结构在水下爆炸载荷下的各节点位移矩阵A通过下式表示:
其中,B为船体板架结构左上区域节点位移矩阵,C为船体板架结构右上区域节点位移矩阵,D为船体板架结构左下区域节点位移矩阵,E为船体板架结构右下区域节点位移矩阵,bij、cij、dij和eij分别船体板架结构左上、右上、左下和右下区域第i行j列节点位移信息;
由于船体板架结构关于X和Y轴对称,cm,n=bm,j-n+1、dm,n=bi-m+1,n、em,n=bi-m+1,j-n+1,对矩阵B中的数据进行训练和预测。
优选地,所述步骤3中具体为:
使用划分好的训练集数据对深度神经网络进行训练,其中深度神经网络的隐含层数取为1到3,从SGD、RMSprop和Adam中选取神经网络优化算法,当选择Adam则ρ1取0.9,取0.999,ε取10-8;选用ReLu函数作为激活函数,最后将验证集数据代入训练好的神经网络中验证深度神经网络的泛化能力。
优选地,所述步骤4具体为:
采用蚁群算法对深度神经网络结构及超参数进行优化,其中,蚁群算法首先根据待隐含层优化范围为1到3,学习率优化范围为0.001到0.5,随机失活系数优化范围为0.01到0.1,衰减系数优化范围为每训练10000步学习率下降1%到10%进行路径构建,对于任意蚂蚁k,Rk为蚂蚁k的路径记忆向量,设蚂蚁k当前所在区域为i,则通过下式表示访问区域j的概率:
其中,m为蚂蚁个数,ρ为信息素蒸发率,0≤ρ≤1,默认设置ρ=0.5,Δτk(i,j)为蚂蚁k在其经过所有城市释放的信息素量向量,Ck为路径长度。
优选地,所述步骤5具体为:
将待预报工况的初始数据输入到采用蚁群算法优化后的深度学习网络中,将深度学习网络输出值进行后处理,实现水下爆炸载荷下船体板架结构动响应快速预报。
本发明具有以下有益效果:
本发明采用深度神经网络等机器学习方法对数值模拟计算结果进行分析和挖掘,从而实现水下爆炸载荷下船体板架结构动响应的快速预报,可大量节省计算资源和计算时间,并且通过数据的积累使预报系统精度进一步提高,具有重要的工程和学术意义。
附图说明
图1为水下爆炸载荷下船体板架结构动响应快速预报流程图;
图2为水下爆炸载荷下船体平板结构动响应快速预报数值计算结果;
图3为水下爆炸载荷下船体加筋板结构动响应快速预报数值计算结果;
图4为水下爆炸载荷下船体板架结构轮廓快速预报结果;
图5为水下爆炸载荷下船体板架结构等效塑性应变快速预报结果。
具体实施方式
以下结合具体实施例,对本发明进行了详细说明。
具体实施例一:
根据图1至图5所示,本发明提供一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法,包括以下步骤:
一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法,包括以下步骤:
步骤1:采用任意欧拉-拉格朗日方法对水下爆炸载荷下船体板架结构响应进行数值计算获得数据样本;
所述步骤1具体为:
步骤1.1:根据一定当量炸药水下爆炸产生最大气泡的半径的确定水域尺寸,水域的尺寸应为一定当量的炸药在对应水深下产生气泡最大直径的2到4倍;
步骤1.2:根据药包初始半径确定水域网格尺寸,采用S-ALE方法对水域和空气进行离散,使气泡最大直径范围内网格尺寸最小,剩余区域网格尺寸为最大直径范围内网格尺寸的2倍;
步骤1.3:对船体板架结构进行建模并保证结构与水域最小网格尺寸一致,完成模型建立;采用任意欧拉-拉格朗日方法ALE对船体板架结构在水下爆炸载荷下的动响应进行计算,得到结构各节点的坐标以及各单元的等效塑性应变等计算数据,建立样本数据库。
步骤2:根据船体板架结构,对样本数据库进行降维,用以缩短深度神经网络训练时间;
所述步骤2具体为:
据船体板架结构的对称形式对样本数据库进行降维,对于关于X轴对称的船体板架结构在水下爆炸载荷下的各节点位移矩阵A有:
其中,B为船体板架结构对称轴上方节点位移矩阵,C为船体板架结构对称轴下方节点位移矩阵,bij和cij分别船体板架结构对称轴上方和下方第i行j列节点位移信息;
由于船体板架结构关于X轴对称,cm,n=bi-m+1,n,对矩阵B中的数据进行训练和预测,实现数据降维;
对于关于Y轴对称的船体板架结构在水下爆炸载荷下的各节点位移矩阵A通过下式表示:
A=[B C]
其中,B为船体板架结构对称轴左侧节点位移矩阵,C为船体板架结构对称轴右侧节点位移矩阵,bij和cij分别船体板架结构对称轴左侧和右侧第i行j列节点位移信息;
由于船体板架结构关于Y轴对称,cm,n=bm,j-n+1,对矩阵B中的数据进行训练和预测,提高训练效率
对于关于X和Y轴对称的船体板架结构在水下爆炸载荷下的各节点位移矩阵A通过下式表示:
其中,B为船体板架结构左上区域节点位移矩阵,C为船体板架结构右上区域节点位移矩阵,D为船体板架结构左下区域节点位移矩阵,E为船体板架结构右下区域节点位移矩阵,bij、cij、dij和eij分别船体板架结构左上、右上、左下和右下区域第i行j列节点位移信息;
由于船体板架结构关于X和Y轴对称,cm,n=bm,j-n+1、dm,n=bi-m+1,n、em,n=bi-m+1,j-n+1,对矩阵B中的数据进行训练和预测。
步骤3:采用深度神经网络对降维后的样本数据库进行学习,并验证学习效果;
所述步骤3中具体为:
使用划分好的训练集数据对深度神经网络进行训练,其中深度神经网络的隐含层数取为1到3,从SGD、RMSprop和Adam中选取神经网络优化算法,当选择Adam则ρ1取0.9,取0.999,ε取10-8;选用ReLu函数作为激活函数,最后将验证集数据代入训练好的神经网络中验证深度神经网络的泛化能力。
步骤4:采用蚁群算法对深度神经网络的结构及超参数进行优化,提高深度神经网络训练效率和预报精度,输出泛化效果最佳的深度神经网络;
所述步骤4具体为:
采用蚁群算法对深度神经网络结构及超参数进行优化,其中,蚁群算法首先根据待隐含层优化范围为1到3,学习率优化范围为0.001到0.5,随机失活系数优化范围为0.01到0.1,衰减系数优化范围为每训练10000步学习率下降1%到10%进行路径构建,对于任意蚂蚁k,Rk为蚂蚁k的路径记忆向量,设蚂蚁k当前所在区域为i,则通过下式表示访问区域j的概率:
对信息素进行更新:
其中,m为蚂蚁个数,ρ为信息素蒸发率,0≤ρ≤1,默认设置ρ=0.5,Δτk(i,j)为蚂蚁k在其经过所有城市释放的信息素量向量,Ck为路径长度。
步骤5:对使用深度神经网络对水下爆炸载荷下船体板架结构动响应预报结果进行后处理。
所述步骤5具体为:
将待预报工况的初始数据输入到采用蚁群算法优化后的深度学习网络中,将深度学习网络输出值进行后处理,实现水下爆炸载荷下船体板架结构动响应快速预报。
具体实施例二:
所述步骤1中水域的尺寸应为药包在对应水深下产生气泡最大直径的2到4倍,采用Geers-Hunter模型计算气泡最大半径:
通过对式(1)进行时间积分,可分别得到体积变化率和体积随时间变化规律:
然后对水下爆炸产生气泡半径a和气泡的垂向迁移u进行求解:
采用结构任意欧拉-拉格朗日方法对水域和空气进行离散以使气泡最大直径范围内网格尺寸较小,其它区域网格尺寸为最大直径范围内网格尺寸的2倍,从而可以在保证计算精度的同时大量节约计算资源和计算时间;所述步骤(1)中船体板架结构包括:加强筋相对刚度因子Cj为0到20之间的平板、单向加筋板、横纵双向加筋板,加强筋相对刚度因子Cj是由朱锡等人提出,其计算方法为:
式中:I为加强筋剖面惯性矩(m4);G为TNT炸药当量(kg)。
所述步骤3中根据船体板架结构的几何对称形式对样本数据库进行降维,如对于关于X轴对称的船体板架结构在水下爆炸载荷下的各节点位移矩阵A有:
式中:B为船体板架结构对称轴上方节点位移矩阵,C为船体板架结构对称轴下方节点位移矩阵,bij、cij分别船体板架结构对称轴上方和下方第i行j列节点位移信息。
此时,由于船体板架结构关于X轴对称,故有cm,n=bi-m+1,n,所以只需对矩阵B中的数据进行训练和预测,实现数据降维。
类似地,对于关于Y轴对称的船体板架结构在水下爆炸载荷下的各节点位移矩阵A有:
A=[B C] (13)
式中:B为船体板架结构对称轴左侧节点位移矩阵,C为船体板架结构对称轴右侧节点位移矩阵,bij、cij分别船体板架结构对称轴左侧和右侧第i行j列节点位移信息。
此时,由于船体板架结构关于Y轴对称,故有cm,n=bm,j-n+1,所以只需对矩阵B中的数据进行训练和预测,提高训练效率。
对于关于X和Y轴对称的船体板架结构在水下爆炸载荷下的各节点位移矩阵A有:
式中:B为船体板架结构左上区域节点位移矩阵,C为船体板架结构右上区域节点位移矩阵,D为船体板架结构左下区域节点位移矩阵,E为船体板架结构右下区域节点位移矩阵,bij、cij、dij、eij分别船体板架结构左上、右上、左下和右下区域第i行j列节点位移信息。
此时,由于船体板架结构关于X和Y轴对称,故有cm,n=bm,j-n+1、dm,n=bi-m+1,n、em,n=bi-m+1,j-n+1,所以只需对矩阵B中的数据进行训练和预测。
所述步骤4中深度神经网络的隐含层数取为1到3,选用的神经网络优化算法有SGD算法、Hinton等提出的RMSprop算法和Kingma与Ba提出的Adam算法。
SGD迭代公式为:
RMSprop迭代公式为:
Adam迭代公式为:
式中:V(t)为Moment项,gt为AdaDelta项,ρ1取0.9,ρ2取0.999,ε取10-8。
选用V Nair和GE Hinton提出的ReLu函数作为激活函数,相比sigmod函数与tanh函数,ReLu函数可以较好地克服梯度消失的问题并加快深度神经网络训练速度,其函数表达式为:
f(x)=max(0,x) (18)
所述步骤5中采用Dorigo和Maniezzo提出的蚁群算法(ACO)对深度神经网络结构及超参数进行优化。其中蚁群算法首先根据待隐含层优化范围为1到3,学习率优化范围为0.001到0.5,随机失活系数优化范围为0.01到0.1,衰减系数优化范围为每训练10000步学习率下降1%到10%进行路径构建。对于任意蚂蚁k,Rk为蚂蚁k的路径记忆向量,设蚂蚁k当前所在区域为i,则其访问区域j的概率:
然后对信息素进行更新:
式中:m为蚂蚁个数,ρ为信息素蒸发率,0≤ρ≤1,默认设置ρ=0.5,Δτk(i,j)为蚂蚁k在其经过所有城市释放的信息素量向量,Ck为路径长度。
具体实施例三:
根据一定当量炸药水下爆炸产生最大气泡的半径的确定水域尺寸,水域的尺寸应为一定当量的炸药在对应水深下产生气泡最大直径的2到4倍;其次,根据药包初始半径确定水域网格尺寸,并且采用S-ALE方法对水域和空气进行离散,使气泡最大直径范围内网格尺寸较小,其他区域网格尺寸为最大直径范围内网格尺寸的2倍;然后,对船体板架结构进行建模并保证结构与水域最小网格尺寸一致,完成模型建立。如图2和图3所示,采用任意欧拉-拉格朗日方法(ALE)对船体板架结构在水下爆炸载荷下的动响应进行计算,得到结构各节点的坐标以及各单元的等效塑性应变等计算数据,建立样本数据库。
2、据船体板架结构的对称形式对样本数据库进行降维,对于关于X轴对称的船体板架结构在水下爆炸载荷下的各节点位移矩阵A有:
式中:B为船体板架结构对称轴上方节点位移矩阵,C为船体板架结构对称轴下方节点位移矩阵,bij、cij分别船体板架结构对称轴上方和下方第i行j列节点位移信息。
此时,由于船体板架结构关于X轴对称,故有cm,n=bi-m+1,n,所以只需对矩阵B中的数据进行训练和预测,实现数据降维。
类似地,对于关于Y轴对称的船体板架结构在水下爆炸载荷下的各节点位移矩阵A有:
A=[B C] (24)
式中:B为船体板架结构对称轴左侧节点位移矩阵,C为船体板架结构对称轴右侧节点位移矩阵,bij、cij分别船体板架结构对称轴左侧和右侧第i行j列节点位移信息。
此时,由于船体板架结构关于Y轴对称,故有cm,n=bm,j-n+1,所以只需对矩阵B中的数据进行训练和预测,提高训练效率。
对于关于X和Y轴对称的船体板架结构在水下爆炸载荷下的各节点位移矩阵A有:
式中:B为船体板架结构左上区域节点位移矩阵,C为船体板架结构右上区域节点位移矩阵,D为船体板架结构左下区域节点位移矩阵,E为船体板架结构右下区域节点位移矩阵,bij、cij、dij、eij分别船体板架结构左上、右上、左下和右下区域第i行j列节点位移信息。
由于船体板架结构关于X和Y轴对称,故有cm,n=bm,j-n+1、dm,n=bi-m+1,n、em,n=bi-m+1,j-n+1,所以只需对矩阵B中的数据进行训练和预测。
3、使用划分好的训练集数据对深度神经网络进行训练,其中深度神经网络的隐含层数取为1到3,从SGD、RMSprop和Adam中选取神经网络优化算法,若选择Adam(AdaptiveMoment Estimation)则ρ1取0.9,取0.999,ε取10-8;选用V Nair和GE Hinton提出的ReLu函数作为激活函数,相比sigmod函数与tanh函数,ReLu函数可以较好地克服梯度消失的问题并加快深度神经网络训练速度,最后将验证集数据代入训练好的神经网络中验证深度神经网络的泛化能力。
4、采用蚁群算法(ACO)对深度神经网络结构及超参数进行优化。其中蚁群算法首先根据待隐含层优化范围为1到3,学习率(Learning Rate)优化范围为0.001到0.5,随机失活系数(Dropout)优化范围为0.01到0.1,衰减系数(Decay Steps&Decay Rate)优化范围为每训练10000步学习率下降1%到10%进行路径构建,对于任意蚂蚁k,Rk为蚂蚁k的路径记忆向量,设蚂蚁k当前所在区域为i,则其访问区域j的概率:
然后对信息素进行更新:
式中:m为蚂蚁个数,ρ为信息素蒸发率,0≤ρ≤1,默认设置ρ=0.5,Δτk(i,j)为蚂蚁k在其经过所有城市释放的信息素量向量,Ck为路径长度。
5、将待预报工况的初始数据输入到采用蚁群算法优化后的深度学习网络中,将深度学习网络输出值进行后处理,实现水下爆炸载荷下船体板架结构动响应快速预报,图4和图5分别为水下爆炸载荷下船体板架结构塑性变形轮廓及等效塑性应变预报结果。
以上所述仅是一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法的优选实施方式,一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法的保护范围并不仅局限于上述实施例,凡属于该思路下的技术方案均属于本发明的保护范围。应当指出,对于本领域的技术人员来说,在不脱离本发明原理前提下的若干改进和变化,这些改进和变化也应视为本发明的保护范围。
Claims (4)
1.一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法,其特征是:包括以下步骤:
步骤1:采用任意欧拉-拉格朗日方法对水下爆炸载荷下船体板架结构响应进行数值计算获得数据样本;
步骤2:根据船体板架结构,对样本数据库进行降维,用以缩短深度神经网络训练时间;
步骤3:采用深度神经网络对降维后的样本数据库进行学习,并验证学习效果;
所述步骤2具体为:
据船体板架结构的对称形式对样本数据库进行降维,对于关于X轴对称的船体板架结构在水下爆炸载荷下的各节点位移矩阵A有:
其中,B为船体板架结构对称轴上方节点位移矩阵,C为船体板架结构对称轴下方节点位移矩阵,bij和cij分别船体板架结构对称轴上方和下方第i行j列节点位移信息;
由于船体板架结构关于X轴对称,cm,n=bi-m+1,n,对矩阵B中的数据进行训练和预测,实现数据降维;
对于关于Y轴对称的船体板架结构在水下爆炸载荷下的各节点位移矩阵A通过下式表示:
A=[B C]
其中,B为船体板架结构对称轴左侧节点位移矩阵,C为船体板架结构对称轴右侧节点位移矩阵,bij和cij分别船体板架结构对称轴左侧和右侧第i行j列节点位移信息;
由于船体板架结构关于Y轴对称,cm,n=bm,j-n+1,对矩阵B中的数据进行训练和预测,提高训练效率;
对于关于X和Y轴对称的船体板架结构在水下爆炸载荷下的各节点位移矩阵A通过下式表示:
其中,B为船体板架结构左上区域节点位移矩阵,C为船体板架结构右上区域节点位移矩阵,D为船体板架结构左下区域节点位移矩阵,E为船体板架结构右下区域节点位移矩阵,bij、cij、dij和eij分别船体板架结构左上、右上、左下和右下区域第i行j列节点位移信息;
由于船体板架结构关于X和Y轴对称,cm,n=bm,j-n+1、dm,n=bi-m+1,n、em,n=bi-m+1,j-n+1,对矩阵B中的数据进行训练和预测;
所述步骤3中具体为:
使用划分好的训练集数据对深度神经网络进行训练,其中深度神经网络的隐含层数取为1到3,从SGD、RMSprop和Adam中选取神经网络优化算法,当选择Adam则ρ1取0.9,取0.999,ε取10-8;选用ReLu函数作为激活函数,最后将验证集数据代入训练好的神经网络中验证深度神经网络的泛化能力;
步骤4:采用蚁群算法对深度神经网络的结构及超参数进行优化,提高深度神经网络训练效率和预报精度,输出泛化效果最佳的深度神经网络;
步骤5:对使用深度神经网络对水下爆炸载荷下船体板架结构动响应预报结果进行后处理。
2.根据权利要求1所述的一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法,其特征是:所述步骤1具体为:
步骤1.1:根据一定当量炸药水下爆炸产生最大气泡的半径的确定水域尺寸,水域的尺寸应为一定当量的炸药在对应水深下产生气泡最大直径的2到4倍;
步骤1.2:根据药包初始半径确定水域网格尺寸,采用S-ALE方法对水域和空气进行离散,使气泡最大直径范围内网格尺寸最小,剩余区域网格尺寸为最大直径范围内网格尺寸的2倍;
步骤1.3:对船体板架结构进行建模并保证结构与水域最小网格尺寸一致,完成模型建立;采用任意欧拉-拉格朗日方法ALE对船体板架结构在水下爆炸载荷下的动响应进行计算,得到结构各节点的坐标以及各单元的等效塑性应变计算数据,建立样本数据库。
3.根据权利要求1所述的一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法,其特征是:所述步骤4具体为:
采用蚁群算法对深度神经网络结构及超参数进行优化,其中,蚁群算法首先根据待隐含层优化范围为1到3,学习率优化范围为0.001到0.5,随机失活系数优化范围为0.01到0.1,衰减系数优化范围为每训练10000步学习率下降1%到10%进行路径构建,对于任意蚂蚁k,Rk为蚂蚁k的路径记忆向量,设蚂蚁k当前所在区域为i,则通过下式表示访问区域j的概率:
对信息素进行更新:
其中,m为蚂蚁个数,ρ为信息素蒸发率,0≤ρ≤1,默认设置ρ=0.5,Δτk(i,j)为蚂蚁k在其经过所有城市释放的信息素量向量,Ck为路径长度。
4.根据权利要求1所述的一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法,其特征是:所述步骤5具体为:
将待预测工况的初始数据输入到采用蚁群算法优化后的深度学习网络中,将深度学习网络输出值进行后处理,实现水下爆炸载荷下船体板架结构动响应快速预报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110302143.8A CN113312832B (zh) | 2021-03-22 | 2021-03-22 | 一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110302143.8A CN113312832B (zh) | 2021-03-22 | 2021-03-22 | 一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113312832A CN113312832A (zh) | 2021-08-27 |
CN113312832B true CN113312832B (zh) | 2022-04-29 |
Family
ID=77372041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110302143.8A Active CN113312832B (zh) | 2021-03-22 | 2021-03-22 | 一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113312832B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528759B (zh) * | 2022-02-10 | 2022-09-09 | 哈尔滨工程大学 | 基于深度学习的水下爆炸气泡形态及附近流场压力预测方法 |
CN117592321A (zh) * | 2023-10-23 | 2024-02-23 | 哈尔滨工程大学 | 一种水下接触爆炸载荷下舰船破口快速评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657611A (zh) * | 2015-02-14 | 2015-05-27 | 中国人民解放军海军工程大学 | 水下爆炸作用下舰船整体弹塑性运动响应预测方法及系统 |
CN104699984A (zh) * | 2015-03-25 | 2015-06-10 | 武汉大学 | 一种水下爆炸数值模拟的网格尺寸确定方法 |
CN107600352A (zh) * | 2017-08-22 | 2018-01-19 | 哈尔滨工程大学 | 一种基于船舶水动力在线预报的船舶减摇控制系统 |
CN112286203A (zh) * | 2020-11-11 | 2021-01-29 | 大连理工大学 | 一种基于蚁群算法的多智能体强化学习路径规划方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11475551B2 (en) * | 2018-08-08 | 2022-10-18 | Abyssal S.A. | System and method of operation for remotely operated vehicles for automatic detection of structure integrity threats |
CN112001631B (zh) * | 2020-08-24 | 2024-01-09 | 郑州大学 | 评估水下接触爆炸荷载冲击下高拱坝安全状态的方法 |
-
2021
- 2021-03-22 CN CN202110302143.8A patent/CN113312832B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657611A (zh) * | 2015-02-14 | 2015-05-27 | 中国人民解放军海军工程大学 | 水下爆炸作用下舰船整体弹塑性运动响应预测方法及系统 |
CN104699984A (zh) * | 2015-03-25 | 2015-06-10 | 武汉大学 | 一种水下爆炸数值模拟的网格尺寸确定方法 |
CN107600352A (zh) * | 2017-08-22 | 2018-01-19 | 哈尔滨工程大学 | 一种基于船舶水动力在线预报的船舶减摇控制系统 |
CN112286203A (zh) * | 2020-11-11 | 2021-01-29 | 大连理工大学 | 一种基于蚁群算法的多智能体强化学习路径规划方法 |
Non-Patent Citations (3)
Title |
---|
基于概率神经网络的舰船冲击环境预报方法研究;王美婷;《中国优秀硕士论文全文数据库》;20200315;第1-6,11-66页 * |
砰击载荷作用下船体结构动态响应研究;彭丹丹;《中国优秀硕士论文全文数据库》;20180215;全文 * |
砰击载荷作用下船体结构载荷预报及结构响应研究;尤恽;《中国优秀硕士论文全文数据库》;20170215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113312832A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113312832B (zh) | 一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法 | |
CN111506970B (zh) | 一种船舶水动力性能评估方法 | |
Subramanian et al. | Genetic algorithm based design optimization of a passive anti-roll tank in a sea going vessel | |
CN110473592A (zh) | 基于图卷积网络的有监督的多视角人类协同致死基因预测方法 | |
CN110181508A (zh) | 水下机器人三维航路规划方法及系统 | |
CN110132282A (zh) | 无人机路径规划方法及装置 | |
CN106503365B (zh) | 一种用于sph算法的分区搜索方法 | |
CN113609782A (zh) | 运动负载受波浪力的实时预测方法及仿真系统 | |
CN111695282A (zh) | 一种基于流固耦合模拟的液舱晃荡预测和控制分析方法 | |
Wei et al. | Trans-media resistance investigation of hybrid aerial underwater vehicle base on hydrodynamic experiments and machine learning | |
Nayak et al. | Predicting the near field underwater explosion response of coated composite cylinders using multiscale simulations, experiments, and machine learning | |
CN117093010B (zh) | 水下多智能体路径规划方法、装置、计算机设备和介质 | |
Al-nasur et al. | A microscopic-to-macroscopic crowd dynamic model | |
Valdi et al. | Numerical investigation of water entry problem of pounders with different geometric shapes and drop heights for dynamic compaction of the seabed | |
CN114864017B (zh) | 一种铝合金铸件全域晶粒尺寸的预测计算方法和系统 | |
Gao et al. | A three-level Cartesian geometry-based implementation of the DSMC method | |
CN113673007B (zh) | 一种基于sph的双向波浪中船舶耐波性预报方法 | |
CN108280520B (zh) | 大气廓线计算方法及装置 | |
JP2009524162A (ja) | コンピュータシミュレーションの終了判定 | |
Lam | Multidiscilinary design optimization for aircraft wing using response surface method, genetic algorithm, and simulated annealing | |
CN115828711B (zh) | 一种水下结构物破冰剩余速度预测方法及系统 | |
Ha et al. | Optimum Design of the Underwater Discharge System Based on Surrogate Modeling | |
Lu | Artificial neural network for behavior learning from meso-scale simulations, application to multi-scale multimaterial flows | |
CN114528759B (zh) | 基于深度学习的水下爆炸气泡形态及附近流场压力预测方法 | |
AlGhofaily | Finite element analysis and experimentation of an icosahedron frame under compression |
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 |