CN113435089B - 一种基于高斯过程的板材折弯回弹预测方法 - Google Patents
一种基于高斯过程的板材折弯回弹预测方法 Download PDFInfo
- Publication number
- CN113435089B CN113435089B CN202110724079.2A CN202110724079A CN113435089B CN 113435089 B CN113435089 B CN 113435089B CN 202110724079 A CN202110724079 A CN 202110724079A CN 113435089 B CN113435089 B CN 113435089B
- Authority
- CN
- China
- Prior art keywords
- rebound
- bending
- gaussian process
- prediction
- plate
- 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 77
- 238000005452 bending Methods 0.000 title claims abstract description 57
- 238000004088 simulation Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 239000000463 material Substances 0.000 claims abstract description 8
- 238000000465 moulding Methods 0.000 claims abstract description 3
- 238000003825 pressing Methods 0.000 claims abstract description 3
- 238000012360 testing method Methods 0.000 claims description 13
- 230000014509 gene expression Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000004451 qualitative analysis Methods 0.000 claims description 2
- 238000004445 quantitative analysis Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 abstract description 9
- 238000011160 research Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010297 mechanical methods and process Methods 0.000 description 1
- 230000005226 mechanical processes and functions Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011084 recovery 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]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D—WORKING OR PROCESSING OF SHEET METAL OR METAL TUBES, RODS OR PROFILES WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D5/00—Bending sheet metal along straight lines, e.g. to form simple curves
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及板材折弯回弹预测领域,公开了一种基于高斯过程的板材折弯回弹预测方法。通过建立三维模型,将模型文件导入Dynaform软件中,划分网格并定义材料,在Dynaform软件中单元类型采用壳单元,求解算法就采用显隐式结合的方法;然后,针对板材折弯过程设计正交实验表,选取板材宽度、板料厚度、压边力和目标角度作为影响因子。通过Dynaform软件来进行折弯成型回弹量的模拟分析,以获取各所述样本点对应的回弹量的数值;最后,建立高斯过程模型,选择板材宽度、板料厚度、压边力以及目标角度作为输入参数;选择板材折弯回弹量来作为高斯过程的输出;将当前待预测的各项参数输入,通过高斯过程预测生成折弯回弹角预测结果,完成折弯回弹成型预测。
Description
技术领域
本发明涉及板材折弯回弹预测领域,特别涉及了一种基于高斯过程的板材折弯回弹预测方法。
背景技术
板材在加工过程的折弯过程实现主要就是依靠折弯机来完成,板材折弯加工的原理就是折弯机的上模与下模具之间作用力施加于材料上,使板材产生塑性变形,产生目标所需的角度来完成折弯的目的。而在板料折弯成形中回弹是不可避免的物理现象。因为板材在折弯成形过程中不但存在塑性变形,还存在弹性变形,卸载后由于弹性变形的恢复,即产生回弹现象。成形后的回弹量影响着折弯件的最终形状,当回弹量超过允许范围时就成为成形缺陷。回弹问题的存在会影响折弯件的形状尺寸精度以及后续的工序使用可靠性。因此精确的计算折弯件件的回弹量大小和之后补偿措施的就显得尤为重要。
因为板材在折弯的过程中会出现回弹现象,而目前的研究现状还没有能够从根本上控制板材折弯回弹这个问题,国内对自由折弯工艺的研究大多数是集中于工程应用上,多数以试验纪录为主。目前国外在折弯回弹的研究上主要有理论解析法、有限元模拟分析法和反复记录实验。其中理论解析法是理论基础最为充分的方法,从几何原理与折弯原理着手研究,主要是通过解析和增量等方法对板材来进行分析,并结合成形工艺讨论零件所发生的变化及变化的机理,分析影响回弹的主要因素,对V形折弯,U形折弯简单弯曲现象都能很好的解释。
有限元分析方法能够对各种形状的折弯件都能做出准确预测模拟,目前已经能够通过有限元的模拟对板材的折弯成形状况进行较为准确的预测,但对于折弯成形精度方面预测的精确度依然有所欠缺,这是由于在板料成是一个存在大量强非线性问题的力学过程,分析较为复杂,使得对板料的精度如回弹等问题上精度不高,为了提高对成形精度的预测,国内外外学者们对材料模型、求解过程和求解算法等方面进行了大量的研究,并取得了一定的进展。但是由于这种方法本身的复杂性,所以对于各种样式的板料而言,难以使用统一标准应用于工业生产中。反复记录实验法是现在市面上应用最为广泛的手段,但是存在效率低下的缺点。
Dynaform是一款专门的板料CAE工具,它具有强大的前后处理功能,其求解器使用的是LS-DYNA。在模拟过程中,通常是先进行完全部的成形内容后,最后对回弹进行模拟,这主要是因为回弹是从复杂的全应力状态转向弹性卸载的过程,其复杂程度远远大于弹性结构的变形计算,将成形与回弹分开可以更好的对成形进行模拟,令对成形质量的预测更加的准确,此时成形模拟过程中产生的误差就会积累起来,令对回弹的预测更加的困难,而且每次有限元仿真只能完成一个模型预测,进行多个仿真就会费时费力。
发明内容
为了解决现有技术中的不足,本发明提供了一种基于高斯过程的板材折弯回弹预测方法,通过有限元仿真完成数据的采集并通过高斯过程完成回弹量的预测,之后通过实验来验证其可行性和实用性,使其能够为后续实际加工补偿提供数据,实现一种板材折弯过程中智能生成回弹规律的预测方式。
本发明通过如下技术方案实现:一种基于高斯过程的板材折弯回弹预测方法,包括以下步骤:
步骤一、在Dynaform软件中单元类型采用壳单元,为了在模拟时为保证精确,求解算法就采用显隐式结合的方法;
步骤二、利用三维建模软件来建立毛坯、上模和下模的三维模型,之后将所建立的模型文件导入Dynaform软件中,划分网格并定义材料;为后续的有限元仿真做准备;
步骤三、设计正交试验表,以获得多个试验方案并进行仿真分析,且每个实验方案作为一个样本点按照上述所选定的正交试验因素进行不同参数组合;本发明主要从板材宽度、板料厚度、压边力和目标角度4个工艺变量进行正交试验,针对这些因素对板材回弹的影响进行定性和定量的分析,达到预测回弹量大小的效果;
步骤四、通过Dynaform软件来进行折弯成型回弹量的模拟分析,以获取各所述样本点对应的回弹量的数值;
步骤五、建立高斯过程模型,选择板材宽度、板料厚度、压边力以及目标角度作为输入参数;选择板材折弯回弹量来作为高斯过程的输出;
步骤六、将当前待预测的各项参数输入,通过高斯过程预测生成折弯回弹角预测结果,完成折弯回弹成型预测。
进一步,高斯过程模型的任务是根据先验知识预测出与输入x*相对应的输出值y*;
首先构建高斯过程先验,y的先验分布为μ为均值向量;将一个参数当成一个位置,多组位置是相互孤立的,也就是满足高斯过程,其定义式表示如下y(x)~N(μ(x),k(x,x′));
这里确定数据点是一个采样点,x为影响因素,y为仿真所得回弹,μ为均值向量,k为协方差函数,N代表高斯分布,x′代表x的转置;而高斯过程是由一个均值函数和一个协方差函数来确定的,这里设均值函数为0,之后采用一个经典的高斯核函数的变形来确定这个高斯过程的协方差函数,并不断修正;函数为: σf和l代表超参数,/>为方差,exp 为自然数e代表的指数函数;
由于所需要的输入是多维的,x与x′从两个数字相减变成向量相减,此时要把绝对值放到范数的角度来看,这样就能让输入从一维变成多维;
之后再通过贝叶斯公式p(y|x)为先验概率,p(x|y)为后验概率,p(x)为似然概率;推断求出所要求的点条件概率均值和方差的表达式μ为均值向量,K为协方差矩阵K*为K(x,x*),K**为K(x*,x*);根据后验概率确实预测点表达式
最后通过似然估计最大来确定超参数,求最大值,得出σf和l的值;在/>带入输入参数x*就可以求出回弹预测/>
本发明相对于现有技术,具有以下有益效果:本发明可以有效的提高折弯回弹预测的效率和精度,因为其他预测算法包括随机森林和神经网络算法基本是完全频繁的,通常需要大量的数据来训练才能获得不错的预测性能。而在折弯实验中通常数据不是很多。这时候通过高斯函数可以取得不错的效果。并且省去算法计算与反复记录实验的步骤,之后对折弯回弹数据进行补偿实现高效高精度的折弯加工,大大节约了大量的时间成本和人力成本。同时本发明可以快速计算之前未储存的折弯回弹量,不需要大量数据进行训练,省去算法计算与反复记录实验的步骤,节约大量时间和人力资源,能够大大提高生产效率。
附图说明
图1为本发明的折弯回弹量的预测方法的流程示意图。
图2为本发明的折弯示意图
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
并且,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
如图1-2所示,本实施例提供一种基于高斯过程的板材折弯回弹预测方法,以用于板材在进形折弯成型时产生的回弹量的预测。所述建立折板材折弯回弹预测方法包括以下步骤:
步骤1:利用三维建模软件来建立毛坯、上模和下模的三维模型,之后将所建立的模型文件导入Dynaform软件中,划分网格并定义材料,在Dynaform软件中单元类型采用壳单元,为了在模拟时为保证精确,求解算法就采用显隐式结合的方法,为后续的有限元仿真做准备;
步骤2:针对板材折弯过程设计正交实验表,选取板材宽度、板料厚度、压边力和目标角度作为影响因子,每个影响因子有多个水平,这样就包含了众多实验。具体地,运用步骤1有限元仿真对各个所述样本点进行折弯回弹量的模拟分析,以获取各所述样本点对应的回弹量的数值。需要说明的是,在本实施例中,选取板材宽度、板料厚度、压边力和目标角度作为试验影响因子,这些试验影响因子经过对多个可能影响的因子进行研究后,选取的对回弹因素影响较显著的几个,能够有效得到回弹角度。
步骤3:将步骤2中的有限元仿真数据作为高斯数据采样点,首先构建建立高斯过程模型,通过高斯过程先验,y的先验分布为μ为均值向量。我们将一个参数当成一个位置,多组位置是相互孤立的,也就是满足高斯过程,其定义式表示如下 y(x)~N(μ(x),k(x,x′))。这里确定数据点是一个采样点,x为影响因素,y 为仿真所得回弹,μ为均值向量,k为协方差函数,N代表高斯分布, x′代表x的转置。而高斯过程是由一个均值函数和一个协方差函数来确定的,这里设均值函数为0,之后采用一个经典的高斯核函数的变形来确定这个高斯过程的协方差函数,并不断修正。函数为:/> σf和l代表超参数,/>为方差,exp 为自然数e代表的指数函数。由于所需要的输入是多维的,x与x′从两个数字相减变成向量相减,此时要把绝对值放到范数的角度来看,这样就能让输入从一维变成多维。之后再通过贝叶斯公式/>p(y|x)为先验概率,p(x|y)为后验概率, p(x)为似然概率。推断求出所要求的点条件概率均值和方差的表达式/>μ为均值向量,K为协方差矩阵K*为K(x,x*),K**为K(x*,x*)。根据后验概率确实预测点表达式
最后通过似然估计最大来确定超参数,即通过建立训练样本条件概率的对数似然函数对超参数求偏导,再采用共轭梯度优化方法搜索出超参数的最优解公式为:/>求最大值,得出σf和l 的值。在/>带入输入参数x*就可以求出回弹预测/>此种方式可以有效的提高折弯回弹预测的效率和精度。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (2)
1.一种基于高斯过程的板材折弯回弹预测方法,其特征在于:包括以下步骤:
步骤一、在Dynaform软件中单元类型采用壳单元,为了在模拟时为保证精确,求解算法就采用显隐式结合的方法;
步骤二、利用三维建模软件来建立毛坯、上模和下模的三维模型,之后将所建立的模型文件导入Dynaform软件中,划分网格并定义材料;为后续的有限元仿真做准备;
步骤三、设计正交试验表,以获得多个试验方案并进行仿真分析,且每个实验方案作为一个样本点按照所选定的正交试验因素进行不同参数组合;主要从板材宽度、板料厚度、压边力和目标角度4个工艺变量进行正交试验,针对这些因素对板材回弹的影响进行定性和定量的分析,达到预测回弹量大小的效果;
步骤四、通过Dynaform软件来进行折弯成型回弹量的模拟分析,以获取各所述样本点对应的回弹量的数值;
步骤五、建立高斯过程模型,选择板材宽度、板料厚度、压边力以及目标角度作为输入参数;选择板材折弯回弹量来作为高斯过程的输出;
步骤六、将当前待预测的各项参数输入,通过高斯过程预测生成折弯回弹角预测结果,完成折弯回弹成型预测。
2.根据权利要求1所述的一种基于高斯过程的板材折弯回弹预测方法,其特征在于:高斯过程模型的任务是根据先验知识预测出与输入x*相对应的输出值y*;
首先构建高斯过程先验,y的先验分布为μ为均值向量;将一个参数当成一个位置,多组位置是相互孤立的,也就是满足高斯过程,其定义式表示如下y(x)~N(μ(x),k(x,x′));
这里确定数据点是一个采样点,x为影响因素,y为仿真所得回弹,μ为均值向量,k为协方差函数,N代表高斯分布,x′代表x的转置;而高斯过程是由一个均值函数和一个协方差函数来确定的,这里设均值函数为0,之后采用一个经典的高斯核函数的变形来确定这个高斯过程的协方差函数,并不断修正;函数为: σf和l代表超参数,/>为方差,exp为自然数e代表的指数函数;
由于所需要的输入是多维的,x与x′从两个数字相减变成向量相减,此时要把绝对值放到范数的角度来看,这样就能让输入从一维变成多维;
之后再通过贝叶斯公式p(y|x)为先验概率,p(x|y)为后验概率,p(x)为似然概率;推断求出所要求的点条件概率均值和方差的表达式μ为均值向量,K为协方差矩阵K*为K(x,x*),K**为K(x*,x*);根据后验概率确实预测点表达式/>
最后通过似然估计最大来确定超参数,求最大值,得出σf和l的值;在/>带入输入参数x*就可以求出回弹预测/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110724079.2A CN113435089B (zh) | 2021-06-28 | 2021-06-28 | 一种基于高斯过程的板材折弯回弹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110724079.2A CN113435089B (zh) | 2021-06-28 | 2021-06-28 | 一种基于高斯过程的板材折弯回弹预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435089A CN113435089A (zh) | 2021-09-24 |
CN113435089B true CN113435089B (zh) | 2024-02-27 |
Family
ID=77757474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110724079.2A Active CN113435089B (zh) | 2021-06-28 | 2021-06-28 | 一种基于高斯过程的板材折弯回弹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435089B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114309261B (zh) * | 2021-12-24 | 2023-05-16 | 广东工贸职业技术学院 | 双曲面金属板材的渐进成形弯曲方法 |
CN115096359A (zh) * | 2022-06-17 | 2022-09-23 | 北京航空航天大学 | 一种金属屋面健康监测系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006139447A (ja) * | 2004-11-11 | 2006-06-01 | Japan Research Institute Ltd | 板材成形シミュレーションシステム及び板材成形シミュレーション用プログラム |
CN101908224A (zh) * | 2010-08-09 | 2010-12-08 | 陈玉君 | 一种确定柔软体仿真参数的方法和装置 |
CN106096646A (zh) * | 2016-06-07 | 2016-11-09 | 衢州学院 | 一种支持向量回归机模型选择方法 |
CN107704697A (zh) * | 2017-10-18 | 2018-02-16 | 西南交通大学 | 一种型材三维拉弯成形性预测评价优化方法 |
CN110147602A (zh) * | 2019-05-15 | 2019-08-20 | 合肥工业大学 | 一种建立折弯回弹角预测模型的方法及其应用 |
KR20210047158A (ko) * | 2019-10-21 | 2021-04-29 | 연세대학교 산학협력단 | 통계학적 분석을 통한 유한요소모델의 신뢰성 보정 및 검증 방법 |
-
2021
- 2021-06-28 CN CN202110724079.2A patent/CN113435089B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006139447A (ja) * | 2004-11-11 | 2006-06-01 | Japan Research Institute Ltd | 板材成形シミュレーションシステム及び板材成形シミュレーション用プログラム |
CN101908224A (zh) * | 2010-08-09 | 2010-12-08 | 陈玉君 | 一种确定柔软体仿真参数的方法和装置 |
CN106096646A (zh) * | 2016-06-07 | 2016-11-09 | 衢州学院 | 一种支持向量回归机模型选择方法 |
CN107704697A (zh) * | 2017-10-18 | 2018-02-16 | 西南交通大学 | 一种型材三维拉弯成形性预测评价优化方法 |
CN110147602A (zh) * | 2019-05-15 | 2019-08-20 | 合肥工业大学 | 一种建立折弯回弹角预测模型的方法及其应用 |
KR20210047158A (ko) * | 2019-10-21 | 2021-04-29 | 연세대학교 산학협력단 | 통계학적 분석을 통한 유한요소모델의 신뢰성 보정 및 검증 방법 |
Non-Patent Citations (2)
Title |
---|
基于BP神经网络的铝合金板料弯曲回弹控制研究;韩雄伟;李欣星;陈祖红;;模具工业;20110915(第09期);全文 * |
橡皮成形数值模拟回弹预测精度的影响因素;王淼;李东升;杨伟俊;李小强;塑性工程学报;20110228;第18卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113435089A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113435089B (zh) | 一种基于高斯过程的板材折弯回弹预测方法 | |
CN103336869B (zh) | 一种基于高斯过程联立mimo模型的多目标优化方法 | |
Chen et al. | FEM/wideband FMBEM coupling for structural–acoustic design sensitivity analysis | |
Shang et al. | An efficient multi-fidelity Kriging surrogate model-based method for global sensitivity analysis | |
WO1998022894A1 (en) | Method and apparatus for solving complex and computationally intensive inverse problems in real-time | |
CN106897511A (zh) | 圆环微带天线谐振频率预测方法 | |
CN101887478A (zh) | 一种基于序列径向基代理模型的高效全局优化方法 | |
CN112926152B (zh) | 一种数字孪生驱动的薄壁件装夹力精准控制与优化方法 | |
CN108334670A (zh) | 一种基于摄动法的复杂模型不确定性有限元模型修正方法 | |
CN107292029A (zh) | 一种基于成形缺陷预测板料成形工艺参数的确定方法 | |
CN113722942A (zh) | 一种考虑3d打印几何缺陷的有限元计算模型 | |
CN112257021A (zh) | 一种可选的克里金空间插值降雨量估算方法 | |
Saunders et al. | Metal AM process-structure-property relational linkages using Gaussian process surrogates | |
CN110334450B (zh) | 一种多块结构网格生成中物面投影错误的修复方法 | |
Yi et al. | Efficient global optimization using a multi-point and multi-objective infill sampling criteria | |
CN112949000B (zh) | 基于卷积神经网络模型的构件残余应力反演方法 | |
Wang et al. | Towards high-accuracy axial springback: Mesh-based simulation of metal tube bending via geometry/process-integrated graph neural networks | |
Hu et al. | A fast multipole boundary element method based on higher order elements for analyzing 2-D potential problems | |
CN109902389B (zh) | 基于改进通用似然估计的不确定性有限元模型修正方法 | |
CN112685947A (zh) | 一种板料回弹模型参数优化方法、装置、终端及存储介质 | |
Zhang et al. | A quasi-brittle fracture investigation of concrete structures integrating random fields with the CSFEM-PFCZM | |
Gharehchahi et al. | Optimum blank shape design in deep drawing process using a new boundary updating formula | |
Lupini et al. | A conditioning technique for projection-based reduced order models | |
Chinthala et al. | A novel strong-form random differential quadrature method to compute the stress intensity factor in fracture mechanics | |
Challenor | Using emulators to estimate uncertainty in complex 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 |