CN113378314A - Tw-ei在机械夹爪手指部件设计中的应用方法 - Google Patents
Tw-ei在机械夹爪手指部件设计中的应用方法 Download PDFInfo
- Publication number
- CN113378314A CN113378314A CN202110606113.6A CN202110606113A CN113378314A CN 113378314 A CN113378314 A CN 113378314A CN 202110606113 A CN202110606113 A CN 202110606113A CN 113378314 A CN113378314 A CN 113378314A
- Authority
- CN
- China
- Prior art keywords
- clamping jaw
- mechanical clamping
- finger part
- model
- value
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06F30/23—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- 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)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种TW‑EI在机械夹爪手指部件设计中的应用方法。提出一种TW‑EI方法,本方法将代理模型预测值和EI值有机的结合在了一起,并将本方法应用在机械夹爪手指部件的最大应力、最大应变和质量的建模中。首先,构建机械夹爪手指部件的几何模型并进行材料配置;其次,利用试验设计技术产生初始样本,选择机械夹爪手指部件的最大应力、最大应变和质量为性能函数,并调用静力学仿真模型获取初始样本对于性能函数的真实响应值;然后,根据已有的样本信息及其响应值构建初始的Kriging模型;最后通过本发明提出的TW‑EI方法更新Kriging模型,直到满足收敛条件,并导出最终的Pareto前沿。本发明首次提出基于代理模型预测值和EI值的多目标优化方法(TW‑EI),流程方便简洁,在保证一定精度前提下所添加的样本总数得到有效控制,具有更广泛的应用前景。
Description
技术领域
本发明属于工程设计技术领域,尤其涉及一种基于代理模型预测值和EI值的代理模型构建方法(TW-EI法)在机械夹爪手指部件设计中的应用方法。
背景技术
在现实的工程问题中,常常涉及到多个目标,这些目标之间彼此冲突相互制约。在一个目标的目标值在接近最优值的同时,至少另外有一个目标值会远离最优值。为了权衡这些相互冲突的目标,给出满意的优化结果和涉及方案,研究多目标优化方法具有了重要的现实意义。
在工程问题中,使用真实的物理模型实验造价高昂,通常采用计算机仿真来代替大部分的物理实验。但是在多目标优化问题中,一个简单的多目标优化问题也需要大量的函数评估才能得到一组较好的解集,这不仅仅消耗了大量时间成本也拖慢了整个优化设计工程的进度。为了解决这个问题有学者提出了用代理模型来代替真实模型的方法。代理模型是真实模型的一种近似,可以在确保模型精确度的同时,减少计算量,节约计算成本,极大的减少了工程优化问题中的工作量。因此代理模型在工程应用中得到了广泛的应用。
代理模型可以分为静态代理模型和动态代理模型。静态代理模型需要一次性加入大量的样本点,并在构建完代理模型后不再对模型更新。静态代理模型会造成样本点的浪费,会产生大量的无效样本点,这些无效样本点,不仅不能提高代理模型精度,还增加了工程中的工作量。动态代理模型,即开始采用了少量的样本点,后期根据代理模型的精度和优化方法进行逐步加点、更新代理模型的方法。动态代理模型与静态代理模型相比,能够在拥有同样甚至更好精度的同时,减少样本点的数量,极大减少了工程中的计算量。现有的代理模型加点方法大多是针对单目标代理模型,同时对多目标优化问题,即多个代理模型加点的方法均匀性较差,因此本发明提出了一种基于代理模型预测值和EI值的多目标加点方法,该方法在构建了初始代理模型后,得到代理模型预测值和EI值,通过对这两个值的有机结合得到两个新的效用函数,用这两个效用函数代替原本的效用函数。
对于一个特定的多目标优化问题,代理模型在多目标的非支配解存在的区域要求精度较高,而在其他区域则不需要那么高的精度,这就要求代理模型的样本点的选取需要有选择性。EGO方法将代理模型预测值替换为了EI值,用于搜索更有效的全局优化点。ParEGO方法在EGO方法上进行了拓展,将多目标优化问题转化为了单目标优化问题,同时利用了EGO的方法对更新代理模型。MultiobjectiveEGO基于多目标EI准则提出了EI矩阵,并将EI矩阵转化成了标量函数。已有的方法得出的非支配解集均匀性和收敛性有待提高,因此本发明提出了一种基于代理模型预测值与EI相结合的多目标优化方法(TW-EI方法)。
随着工业自动化的发展,机械夹爪被应用在了各种工业自动化的各种领域中,但是由于机械夹爪的高强度运作,机械夹爪的两个手指部件容易产生较大的应力,甚至产生形变,使工作的可靠性降低。由于机械夹爪手指部件应力的非线性程度较高,难以用显示函数表达,目前常常使用的方法是依靠大量的计算机仿真实验,但是这样会大量消耗人力物力。本发明将提出的TW-EI方法应用到机械夹爪手指部件上,可以在减少人力物理的同时获得较高的夹爪质量、最大等效应力和最大应变模型。
本发明首次提出基于代理模型预测值和EI值的多目标优化方法,流程方便简洁,在保证一定精度前提下所添加的样本总数得到有效控制,具有更广泛的应用前景。
发明内容
本发明的发明目的是:为了解决传统多目标代理模型加点后得到的非支配解收敛性和均匀性不高的问题,本发明提出了TW-EI在机械夹爪手指部件设计中的应用方法。
本发明的技术方案是:TW-EI在机械夹爪手指部件设计中的应用方法,其特征在于,包括以下步骤:
A、建立机械夹爪手指部件的几何模型;
B、对机械夹爪手指部件的几何模型进行材料配置;
C、利用试验设计技术产生初始样本,选择机械夹爪手指部件的质量、机械夹爪手指部件的最大等效应力和最大应变为性能函数,并调用静力学仿真模型获取初始样本对于性能函数的真实响应值;
D、根据C中的样本信息及其响应值构建初始的Kriging代理模型;
E、通过本发明提出的TW-EI算法构建满足精度要求的最终代理模型;
所述步骤A建立机械夹爪手指部件的几何模型为通过ANSYS依据相关参数建立的几何模型。
所述步骤B对机械夹爪手指部件的几何模型进行材料配置,具体为:
B1、定义机械夹爪手指部件的材料属性,确定设计变量。机械夹爪手指部件的材料采用7075铝合金,密度为2.81×103Kg/m3,弹性模量为7.1×1011Pa,泊松比为0.25,屈服强度为4.55×108Pa,抗拉强度为5.24×108Pa,所确定的设计变量有3个分别为x1、x2、x3。
B2、执行网格无关性检验并选择适合的方案。
所述步骤C利用试验设计技术产生初始样本,选择机械夹爪手指部件的质量、机械夹爪手指部件的最大等效应力和最大应变为性能函数,并调用动力学仿真模型获取初始样本对于性能函数的真实响应值,具体为:
C1、利用拉丁超立方试验生成初始样本点,选择机械夹爪手指部件的质量、机械夹爪手指部件的最大等效应力和最大应变为性能函数;
C2、调用静力学仿真模型获取初始样本点处针对性能函数的真实响应值;
进一步地,所述步骤D根据C中的样本信息及其响应值构建初始Kriging代理模型;
所述步骤E通过D中建立的初始代理模型通过本发明提出的TW-EI算法构建最终的代理模型,利用Kriging代理模型预测值和EI值进行加点,建立精度更高的三个代理模型,最后通过遗传算法,得到最终的非支配解,具体包括以下分步骤:
E1、根据步骤A、B、C和D得到机械夹爪手指部件的几何模型,包括设计变量的个数;
E2、利用初始样本分别获取三个Kriging模型中每个点的预测值和EI值;
E3、通过TW-EI中提出的方法进行迭代求解,增加新的样本点,并获取其响应值;
E4、基于E3中已更新的样本集,重新建立Kriging代理模型;
E5、检查收敛准则,如果满足,得到最终分别得到三个代理模型,通过遗传算法得到机械夹爪手指部件的关于三个效用函数的非支配解集,否则返回E2继续迭代加点。
本发明首次提出基于代理模型预测值和EI值的多目标优化方法(TW-EI),流程方便简洁,在保证一定精度前提下所添加的样本总数得到有效控制,具有更广泛的应用前景。
附图说明
图1是本发明的TW-EI在机械夹爪手指部件设计中的应用方法流程示意图。
图2是本发明中机械夹爪手指部件的外形结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,为本发明的TW-EI在机械夹爪手指部件设计中的应用方法流程示意图。TW-EI在机械夹爪手指部件设计中的应用包括以下步骤:
A、建立机械夹爪手指部件的几何模型;
B、对机械夹爪收拾部件的几何模型进行材料配置;
C、利用试验设计技术产生初始样本,选择机械夹爪手指部件的质量、机械夹爪手指部件的最大等效应力和最大应变为性能函数,并调用静力学仿真模型获取初始样本对于性能函数的真实响应值;
D、根据C中的样本信息及其响应值构建初始的Kriging代理模型;
E、通过本发明提出的TW-EI算法构建满足精度要求的最终代理模型;
所述步骤A建立机械夹爪手指部件的几何模型为通过ANSYS依据相关参数建立的几何模型;
所述步骤B对机械夹爪手指部件的几何模型进行材料配置,具体为:
B1、定义机械夹爪手指部件的材料属性,确定设计变量。机械夹爪手指部件的材料采用7075铝合金,密度为2.81×103Kg/m3,弹性模量为7.1×1011Pa,泊松比为0.25,屈服强度为4.55×108Pa,抗拉强度为5.24×108Pa,所确定的设计变量有3个分别为x1、x2、x3。
B2、执行网格无关性检验并选择适合的方案。
在步骤C中,利用试验设计技术产生初始样本集合并调用静力学仿真模型获取初始样本的响应值,该步骤具体为:
C1、利用拉丁超立方试验设计方法生成初始样本点;
拉丁超立方试验设计方法生成初始样本的过程为:1)将3个设计变量均等分成m个区间;2)在每个设计变量的区间内随机取值;3)根据变量值随机选取配对,已经取过的分量不再选择,从而构成3维空间,样本数为m的拉丁超立方设计。
C2、调用静力学仿真模型获取初始样本针对最大应力、最大应变和质量的响应值;
利用拉丁超立方试验设计方法生成的样本点,并调用静力学仿真模型,获取相应样本点的响应值。
在步骤D中,通过初始样本及其响应值,利用Kriging近似方法构建初始代理模型。
所述步骤E通过D中建立的初始代理模型通过本发明提出的TW-EI算法构建最终的代理模型,利用Kriging代理模型预测值和EI值进行加点,建立精度更高的三个代理模型,最后通过遗传算法,得到最终的非支配解,具体包括以下分步骤:
E1、根据步骤A、B、C和D得到机械夹爪手指部件的几何模型,确定性能函数为机械夹爪手指部件的最大应力、最大应变和质量,包括设计变量的个数以及其取值范围,具体形式为:
fstress、fquality、fstrain为性能函数,代表机械夹爪手指部件所受最大应力、质量和最大应变,式中的x1,x2,x3分别为模型的三个设计变量,具体含义如下:
x1:机械夹爪手指部件的前杆长度,取值范围70~150mm;
x2:机械夹爪手指部件的后杆长度,取值范围50~100mm;
x3:机械夹爪手指部件的厚度,取值范围10~30mm;
E2、利用初始样本分别获取三个Kriging模型中每个点的预测值和EI值,具体步骤如下:
(1)利用初始样本点,分别构建出机械夹爪手指部件所受最大应力、质量和最大应变的Kriging模型。
E3、通过Kriging模型的预测值和EI值,得到新的效用函数,并用遗传算法得到,非支配解,具体过程如下:
(1)将EI值与代理模型预测值有机的结合在一起,将多目标优化问题重新加权转化为两目标优化问题,表达式如下:
式中,weight指的是一个随机生成的d维权值向量。EIm指的是第m个目标函数对应的归一化后的EI值。fm指的是第m个目标函数归一化后的目标函数预测值大小。N的大小为EI值与预测值的排列组合,即其中weight指的是一个随机生成的d维权值向量。EIm指的是第m个目标函数对应的归一化后的EI值。fm指的是第m个目标函数归一化后的目标函数预测值大小。N的大小为EI值与预测值的排列组合,即
(2)利用遗传算法得到两个新效用函数的非支配解集。
(3)利用距离选点方式对(2)中所得的非支配解集进行选点,选择值最大的点作为新的样本点,对于新获取的样本点,代入静力学仿真计算出其真实的质量、最大应力和最大应变。距离选点表达式如下:
式中,集合B是(2)中得到的非支配解集,集合A为样本点集。
E4、基于E3中已更新的样本集,重新建立Kriging模型;
E5、检查是否满足收敛条件,若满足收敛条件,则输出样本点的非支配解,进而得到机械夹爪手指部件关于质量、最大应力和最大应变的pareto前沿。若不满足收敛条件则返回E2继续跌打加点。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (1)
1.TW-EI在机械夹爪手指部件设计中的应用方法,其特征在于,包括以下步骤:
A、建立机械夹爪手指部件的几何模型;
B、对机械夹爪手指部件的几何模型进行材料配置;
C、利用试验设计技术产生初始样本,选择机械夹爪手指部件的质量、机械夹爪手指部件的最大等效应力和最大应变为性能函数,并调用静力学仿真模型获取初始样本对于性能函数的真实响应值;
D、根据C中的样本信息及其响应值构建初始的Kriging代理模型;
E、通过本发明提出的TW-EI算法构建满足精度要求的最终代理模型;
所述步骤A建立机械夹爪手指部件的几何模型为通过ANSYS依据相关参数建立的几何模型;
所述步骤B对机械夹爪手指部件的几何模型进行材料配置,具体为:
B1、定义机械夹爪手指部件的材料属性,确定设计变量;
B2、执行网格无关性检验并选择适合的方案;
所述步骤C利用试验设计技术产生初始样本,选择机械夹爪手指部件的质量、机械夹爪手指部件的最大等效应力和最大应变为性能函数,并调用静力学仿真模型获取初始样本对于性能函数的真实响应值,具体为:
C1、利用拉丁超立方试验生成初始样本点,选择机械夹爪手指部件的质量、机械夹爪手指部件的最大等效应力和最大应变为性能函数;
C2、调用静力学仿真模型获取初始样本点处针对性能函数的真实响应值;
进一步地,所述步骤D根据C中的样本信息及其响应值构建初始Kriging代理模型;
所述步骤E通过D中建立的初始代理模型通过本发明提出的TW-EI算法构建最终的代理模型,利用Kriging代理模型预测值和EI值进行加点,建立精度更高的三个代理模型,最后通过遗传算法,得到最终的非支配解,具体包括以下分步骤:
E1、根据步骤A、B、C和D得到机械夹爪手指部件的几何模型,包括设计变量的个数;
E2、利用初始样本分别获取三个Kriging模型中每个点的预测值和EI值;
E3、通过TW-EI中提出的方法进行迭代求解,增加新的样本点,并获取其响应值;
E4、基于E3中已更新的样本集,重新建立Kriging代理模型;
E5、检查是否满足收敛条件,若满足收敛条件,则输出样本点的非支配解,进而得到机械夹爪手指部件关于质量、最大应力和最大应变的pareto前沿。若不满足收敛条件则返回E2继续跌打加点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110606113.6A CN113378314A (zh) | 2021-05-25 | 2021-05-25 | Tw-ei在机械夹爪手指部件设计中的应用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110606113.6A CN113378314A (zh) | 2021-05-25 | 2021-05-25 | Tw-ei在机械夹爪手指部件设计中的应用方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113378314A true CN113378314A (zh) | 2021-09-10 |
Family
ID=77575236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110606113.6A Pending CN113378314A (zh) | 2021-05-25 | 2021-05-25 | Tw-ei在机械夹爪手指部件设计中的应用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378314A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113821983A (zh) * | 2021-10-12 | 2021-12-21 | 北京索为系统技术股份有限公司 | 基于代理模型的工程设计优化方法、装置及电子设备 |
CN114722658A (zh) * | 2022-01-21 | 2022-07-08 | 电子科技大学 | 一种基于数据驱动的多信任度协同元模型在预测燃料舱焊接变形的应用方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005001722A2 (en) * | 2003-06-25 | 2005-01-06 | Bae Systems Plc | Design optimisation of computationally intensive design problems |
CN110110385A (zh) * | 2019-04-12 | 2019-08-09 | 电子科技大学 | 基于复合形的自适应代理模型在电池模块优化设计中的应用方法 |
CN112446110A (zh) * | 2020-11-06 | 2021-03-05 | 电子科技大学 | 一种基于eoasm算法在码垛机器人驱动臂座的代理模型构建中的应用方法 |
CN112749495A (zh) * | 2021-01-27 | 2021-05-04 | 中国人民解放军国防科技大学 | 基于多点加点的代理模型优化方法、装置和计算机设备 |
-
2021
- 2021-05-25 CN CN202110606113.6A patent/CN113378314A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005001722A2 (en) * | 2003-06-25 | 2005-01-06 | Bae Systems Plc | Design optimisation of computationally intensive design problems |
CN110110385A (zh) * | 2019-04-12 | 2019-08-09 | 电子科技大学 | 基于复合形的自适应代理模型在电池模块优化设计中的应用方法 |
CN112446110A (zh) * | 2020-11-06 | 2021-03-05 | 电子科技大学 | 一种基于eoasm算法在码垛机器人驱动臂座的代理模型构建中的应用方法 |
CN112749495A (zh) * | 2021-01-27 | 2021-05-04 | 中国人民解放军国防科技大学 | 基于多点加点的代理模型优化方法、装置和计算机设备 |
Non-Patent Citations (6)
Title |
---|
H XU等: "Multidisciplinary reliability design optimization under time-varying uncertainties", 《ADVANCES IN MECHANICAL ENGINEERING》 * |
M RIBAUD等: "Robust optimization: A kriging-based multi-objective optimization approach", 《RELIABILITY ENGINEERING & SYSTEM SAFETY》 * |
YI CAO等: "Design of Broadband Reflectarray Antenna Using Machine-Learning-Assisted Optimization Method", 《2019 INTERNATIONAL SYMPOSIUM ON ANTENNAS AND PROPAGATION (ISAP)》 * |
詹大为: "并行EGO算法研究及其应用", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
许焕卫等: "基于灵敏度分析的区间不确定性稳健设计", 《中国机械工程》 * |
韩忠华等: "Kriging模型及代理优化算法研究进展", 《航空学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113821983A (zh) * | 2021-10-12 | 2021-12-21 | 北京索为系统技术股份有限公司 | 基于代理模型的工程设计优化方法、装置及电子设备 |
CN113821983B (zh) * | 2021-10-12 | 2023-09-08 | 索为技术股份有限公司 | 基于代理模型的工程设计优化方法、装置及电子设备 |
CN114722658A (zh) * | 2022-01-21 | 2022-07-08 | 电子科技大学 | 一种基于数据驱动的多信任度协同元模型在预测燃料舱焊接变形的应用方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sathish | Prediction of springback effect by the hybridisation of ANN with PSO in wipe bending process of sheet metal | |
Wu et al. | Topology optimization of structures using modified binary differential evolution | |
CN113378314A (zh) | Tw-ei在机械夹爪手指部件设计中的应用方法 | |
Pholdee et al. | Hybridisation of real-code population-based incremental learning and differential evolution for multiobjective design of trusses | |
JP2018195303A (ja) | 付加製造により誘起される状態を考慮した、付加製造部品の構造最適化法 | |
CN112446110B (zh) | 基于eoasm算法的代理模型在码垛机器人驱动臂座的应用方法 | |
CN110046434B (zh) | 基于高斯过程回归和遗传算法的机械零件可靠性设计方法 | |
CN113343545B (zh) | 结构自适应优化设计方法、装置、设备和介质 | |
Steven et al. | Multicriteria optimization that minimizes maximum stress and maximizes stiffness | |
CN113204906B (zh) | 一种考虑结构稳定性的多相材料拓扑优化设计方法和系统 | |
CN107590325A (zh) | 一种基于Shepard插值的纤维增强复合材料结构优化方法 | |
Li et al. | An alternative adaptive differential evolutionary algorithm assisted by expected improvement criterion and cut-HDMR expansion and its application in time-based sheet forming design | |
Hamdaoui et al. | Kriging surrogates for evolutionary multi-objective optimization of CPU intensive sheet metal forming applications | |
CN108459993A (zh) | 基于快速追峰采样的复杂高维系统优化方法 | |
CN114564787A (zh) | 用于目标相关翼型设计的贝叶斯优化方法、装置及存储介质 | |
CN109271655B (zh) | 一种基于非对称有限元算法的材料尺度效应分析方法 | |
Yu et al. | A 168-line MATLAB code for topology optimization with the adaptive bubble method (ABM) | |
CN110210072B (zh) | 基于近似模型及差分进化算法求解高维优化问题的方法 | |
CN114722658B (zh) | 一种基于数据驱动的多信任度协同元模型在预测燃料舱焊接变形的应用方法 | |
Malgıt et al. | A generative design-to-BIM workflow for minimum weight plane truss design | |
CN115577596A (zh) | 结构蠕变-疲劳寿命可靠性优化设计方法 | |
WO2022057459A1 (zh) | 一种基于Tensorcore处理int4数据类型的方法、系统、设备及介质 | |
CN114880792A (zh) | 一种基于形变预测的全方位多角度优化方法 | |
CN112464396B (zh) | 一种基于疏密度和局部复杂度的自适应代理模型在码垛机器人小臂驱动连杆优化中的应用 | |
CN112329822A (zh) | 一种提高支持向量机分类精度的方法、系统、设备及介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210910 |
|
WD01 | Invention patent application deemed withdrawn after publication |