CN113673015B - 梁柱端板连接节点优化设计智能系统构建及参数识别方法 - Google Patents
梁柱端板连接节点优化设计智能系统构建及参数识别方法 Download PDFInfo
- Publication number
- CN113673015B CN113673015B CN202110927315.0A CN202110927315A CN113673015B CN 113673015 B CN113673015 B CN 113673015B CN 202110927315 A CN202110927315 A CN 202110927315A CN 113673015 B CN113673015 B CN 113673015B
- Authority
- CN
- China
- Prior art keywords
- value
- intelligent system
- function
- vector
- grain
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- G06N3/004—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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及梁柱端板连接节点优化设计智能系统构建及参数识别方法,属于梁柱连接节点技术领域。包括参数初始化、改良元粒群、早熟稳态判断、馄饨智能序列、元粒群操作、迭代限制判别、智能系统构建、保持相应文件、对智能系统结构优化参数识别量化计算等步骤。本发明采用混沌元粒群竞技智能算法优化神经网络参数,提高了计算结果的精度和效率。运用智能系统解决了节点结构ANSYS PDS模块分析参数变化范围局限于某一较小数值的问题,同时,本发明将全局灵敏度计算方法与结构的随机性相结合,改善了各个参变量的量纲和取值范围分散度较大时对结构灵敏度值的真实影响。
Description
技术领域
本发明涉及梁柱端板连接节点优化设计智能系统构建及参数识别方法,属于梁柱连接节点技术领域。
背景技术
对节点结构进行优化设计势必要将结构各个构成参数进行综合评估,采用试验研究,可以得到建立适合物理模型所要求的较完整信息,从而可以作为提出设计模型的基础。然而,试验方法既不经济又费时费力,虽然根据工程设计的需要,可以作一些近似简化,但一般试验并不能完全考虑影响节点性能的重要因素。随着计算机应用技术的发展,有限元模型仿真技术也得到了迅速地发展,可以提供更全面的分析数据。目前对结构参数评估采用的基本方法为有限元分析和灵敏度计算。
有限元分析软件中,ANSYS的PDS模块具有有限元分析与灵敏度计算功能。NSYS有限元PDS分析采用蒙特卡罗法,该方法基于大数定理,当在进行大量抽样时,有限元分析过程就会随着抽样次数的增加而增加,要想获得更精确的结构参数灵敏度计算结果,要进行大量的有限元分析。对于简单结构而言,导致计算时间过长;复杂结构仿真模型的分析都是基于初次参数化建模,当结构模型的参数变化范围增大时,模型建立过程中会出现错误的网格划分机制导致计算分析终止,因此利用有限元软件进行概率设计时,参数的变化范围往往只能局限于一个极小的范围内,由此得到的灵敏度计算结果也是基于小范围参数变化。
基于ANSYS有限元分析和灵敏度计算的结构参数重要性识别量化方法存在以下问题:
1对端板连接节点结构进行ANSYS有限元PDS分析,当参数变化范围超过2%时,ANSYS报错不能运行,参数变化范围小于2%得到的灵敏度计算结果对于结构的优化设计没有实际意义;
2梁柱节点结构优化设计进行参数识别采用灵敏度分析方法,该方法得到的是局部灵敏度,无法度量全局的参数敏感性,且掩盖了不同类型物理参数量级差别很大时分散度对结构的全局影响程度。
发明内容
针对现有技术的上述问题,本发明提供了一种梁柱端板连接节点优化设计智能系统构建及参数识别方法,用以解决梁柱连接节点这一类有限元模型较复杂的结构在结构优化时对重要参数识别量化采用ANASYS的局限性问题。
为解决上述问题,本发明采用了如下技术方案:
梁柱端板连接节点优化设计智能系统构建及参数识别方法,包括如下步骤:
步骤一:参数初始化,设定元粒族群规模G,权重因子w,竞技因子m1、m2,元粒群优化算法的最大竞技代数T,混沌映射的迭代次数Q,设置当前竞技代数t=1,能量函数E,能量函数变化次数δ=0,元粒群优化算法能量变化次数限值δmax,适应度函数u,元粒移动位移函数s,可行域中随机产生两类元粒,分别表示神经网络的权值和阀值;其中,适应度函数u用以早熟判断,元粒移动位移函数s用以稳态判断;
步骤二:根据上述参数构建能量函数E,能量函数E用适应度函数u和元粒移动位移函数s表示,评价每个元粒的初始适应度值,选出初始化元粒群的全局最好地点矢量ge,即能量函数最低值,设pe为当前的元粒的最好地点矢量;
步骤三:更新元粒的地点矢量和速度,产生新的元粒,评价每个元粒的能量值,如果第i个元粒的能量函数值比适应度函数u低或元粒移动位移函数s低,则计算产生q个混沌列点,选取其中能量函数最低的点作为元粒的新地点矢量;如果第i个元粒的能量函数值比适应度函数u高且比元粒移动位移函数s高,则直接进入步骤四;
步骤四:评价新元粒的能量值,如果比更新前的能量函数值低,则更新pe的值及其对应的地点矢量;如果所有元粒中最低的能量值低于ge,则更新ge和相应的地点矢量,且δ=0,否则,δ=δ+1;
步骤五:如果δ≥δmax,则使用误差反向传播算法在ge附近进行局部搜索;如果搜索结果比ge好,则用此搜索结果代替pe同时更新对应的地点矢量,否则用此搜索结果代替pe中性能最差的个体,δ=0,t=t+1;当t≥T时,寻优结束,否则返回步骤三;
步骤六:保存结果,梁柱端板连接节点优化设计智能系统构建完成;
步骤七:对智能系统结构优化参数识别量化计算。
进一步地,所述步骤三中,更新元粒的地点矢量和速度,产生新的元粒的具体步骤如下:
神经网络采用matlab实现,计算过程如式1所示:
输入矢量为n维变量,隐层有β个神经元,输出矢量为m维变量,输入层到隐层的权值为wih,阀值为bh,隐层到输出层权值为whl’,阀值为bl’,f为传递函数;d为输入神经元值,dn’为隐层神经元值;采用Levenberg-Marquardt法对神经网络进行训练,确定搜索方向的表达式为(2)
其中:D(x(ι))为第ι次迭代的搜索方向,x(ι)为第ι次迭代输入值,λ(ι)为第ι次迭代梯度值,为梯度算子;H为Hessian矩阵,可通过雅可比矩阵进行计算,I为单位矩阵;
元粒竞技算法是在v维搜索空间中,由k个元粒组成族群G=(g(1),g(2),…,g(k))T,第i个元粒的地点矢量为xi=(xi,1,xi,2,…,xi,v)T,速度为vi=(vi,1,vi,2,..,.vi,v)T;个体极值为Pi=(Pi,1,Pi,2,…,Pi,v)T,族群的全局极值为Pg=(Pg,1,Pg,2,…,Pg,k)T;元粒群寻优过程用以下函数(3)和(4)实现:
其中,χ为区间(0,1)的随机数,m1、m2为竞技因子,为元粒i在第j次迭代中第v维的速度,/>为元粒i在第j次迭代中第v维的地点矢量,/>为元粒i在第v维的个体极值地点矢量,/>为群体在第v维的全局极值地点矢量。
进一步地,所述步骤三中,更新元粒的地点矢量和速度,产生新的元粒的具体步骤还包括如下:
在元粒群运动过程引入权重因子w以调整元粒的速度;带有权重因子的元粒群算法为式(5)和(6):
w(j)=exp[-u(j)/u(j-1)] (6)
式中,为元粒i在第v维的最好地点矢量,/>为群体在第v维的全局最好地点矢量,w(j)为第j次迭代的权重因子,u(j)为元粒第j次迭代的适应度函数值,u(j-1)为元粒第j-1次迭代的适应度函数值。
进一步地,所述步骤三中,适应度函数值计算方法如下:
以目标函数作为适应度函数判断元粒的状态,将神经网络输出值与实际响应值的相对误差作为适应度函数,建立函数(7)
其中,ζi为神经网络输出值,κ(xi)为结构实际响应值;
通过元粒当前移动距离s来判别稳定状态判别,建立函数(8)
s=|xi(t)-xi(t-1)| (8)
式中,t为元粒竞技代数,当s或u(x)小于一定限值时即认为元粒群算法达到局部最优解pg=(pg,1,pg,2,…pg,v)T,需利用混沌搜索将变量混沌化。
进一步地,所述步骤三中,计算产生q个混沌列点的具体方法如下:
采用Logistic混沌系统,其映射为式(9)
xn+1=1-λxn 2,n=1,2,... (9)
1)将元粒xi的每一维xi,v映射到区间[-1,1];
其中[av,bv]为第v维xi,v的定义域,μ为一极小值。
2)由式ci (j+1)=1-2(ci (j))2迭代j次产生混沌序列
3)根据混沌列点的相应位置,按照式(10)有:
将混沌序列中的点映射到原搜索空间,每一维混沌序列点为/>
进一步地,所述步骤七具体为:
结构优化参数识别量化是对结构各个构成参数进行灵敏度数值的计算,该方法基于智能系统的预测结果,根据概率密度函数对输入变量进行蒙特卡罗随机抽样,考察对应于随机变量取值范围内的输出响应的变化量,从而判定各随机变量的灵敏度;综合考虑各随机变量对结构响应的影响程度,采用重要性度量参数Pearson相关系数度量随机变量与结构响应的相关关系,为消除各随机变量的量纲和测量尺度的影响,在计算过程中引入随机变量的变异系数γr,具体计算公式为式(11)和式(12)
式中,Rr为第r变量对结构的Pearson相关系数,Sr为第r变量对结构的灵敏度数值,ξ为随机变量总维数,α为蒙特卡罗抽样次数,xi为随机变量,ζi为在输入随机变量xi条件下的网络输出值,γr为蒙特卡罗抽取随机变量样本点对应的变异系数,Sr的绝对值反应了随机变量对结构响应的影响程度,正负反应了随机变量与结构响应的相关程度;该方法计算得到的灵敏度数值为全局随机灵敏度。
进一步地,所述步骤七之后,还包括步骤八,即精度判断过程,具体如下:
精度判断过程是根据智能系统计算值和实际值的偏差进行判别,其中:
(1)R2
其中,f(ai)为智能系统的输出响应值,y(ai)为结构的真实响应值,为m个真实响应值的平均值;如果R2的值越接近1,说明智能系统对结构的模拟越精确;
(2)RAAE
其中,STD代表了m个结构真实响应值的标准差,RAAE的值越小表示智能系统值越精确;
(3)RMAE
RMAE反应了智能系统与实体模型在局部某一区域的最大误差,RMAE的值越小表示智能系统的精度越高;R2和RAAE是对智能系统的整体评价,RMAE是对智能系统的局部评价。
进一步地,所述步骤八之后,还包括步骤九,即将Matlab与Ansys对接,具体对接方法如下:
(1)将均匀设计表保存成文件;
(2)在matlab中循环读取均匀设计表中的参数,并保存至相应矩阵中;
(3)建立利用ansys安装地址并建立空文档使得在matlab中打开ansys分析软件,并将ansys分析过程写入空文档;
(4)在ansys中对节点模型应用参数化建模,设计参数采用变量形式,设立与设计参数对应的中间存储变量,将设计参数的中间存储变量读入matlab保存的数据,进行有限元分析,同理建立与结构响应值对应的中间存储变量;
(5)matlab读取有限元分析结果保存变量。
进一步地,所述步骤九中的均匀设计表中的均匀设计是使每个因素的每个水平仅做一次试验,试验点在试验范围内均匀分布,通过最少的试验来获得最多的信息;这种设计方法适合于多因素多水平的试验和系统模型完全未知的情况;
均匀设计表采用好格子点法设计样本点,构造方法为:1)给定实验数ε,寻找比ε小的整数o,且使ε和o的最大公约数为1,符合这些条件的正整数组成向量O;2)均匀设计表的第j列由aij=ioj[modε]生成,modε为同余运算,若ioj超过试验数ε,则用它减去一个ε的适当倍数,使其差落在[1,ε]之中;aij可以递推生成:
本发明取得了如下技术效果:
1)构建智能系统,采用混沌元粒群竞技智能算法优化神经网络参数,提高了计算结果的精度和效率。
2)运用智能系统解决了节点结构ANSYS PDS模块分析参数变化范围局限于某一较小数值的问题,该方法可以根据节点结构自身特点设定参数范围。
3)将全局灵敏度计算方法与结构的随机性相结合,改善了各个参变量的量纲和取值范围分散度较大时对结构灵敏度值的真实影响。
附图说明
为了更清楚的介绍本发明的方案,下面对本方案的所需要的附图进行简单介绍:
图1为本发明智能系统构建流程;
图2为matlab与ansys对接流程;
图3为输入参数变化范围为2%时的节点智能系统与有限元模型相对误差;
图4为增大输入参数变化范围时的节点智能系统与有限元模型相对误差。
具体实施方式
下面结合附图1-4以对本发明做进一步说明。
如图1所示,本发明的梁柱端板连接节点优化设计智能系统构建及参数识别方法,包括如下步骤:
步骤一:参数初始化,设定元粒族群规模G,权重因子w,竞技因子m1、m2,元粒群优化算法的最大竞技代数T,混沌映射的迭代次数Q,设置当前竞技代数t=1,能量函数E,能量函数变化次数δ=0,元粒群优化算法能量变化次数限值δmax,适应度函数u,元粒移动位移函数s,可行域中随机产生两类元粒,分别表示神经网络的权值和阀值;其中,适应度函数u用以早熟判断,元粒移动位移函数s用以稳态判断;
步骤二:根据上述参数构建能量函数E,能量函数E用适应度函数u和元粒移动位移函数s表示,评价每个元粒的初始适应度值,选出初始化元粒群的全局最好地点矢量ge,即能量函数最低值,设pe为当前的元粒的最好地点矢量;
步骤三:更新元粒的地点矢量和速度,产生新的元粒;具体步骤如下:
神经网络采用matlab实现,计算过程如式1所示:
输入矢量为n维变量,隐层有β个神经元,输出矢量为m维变量,输入层到隐层的权值为wih,阀值为bh,隐层到输出层权值为whl’,阀值为bl’,f为传递函数;d为输入神经元值,dn’为隐层神经元值;采用Levenberg-Marquardt法对神经网络进行训练,确定搜索方向的表达式为(2)
其中:D(x(ι))为第ι次迭代的搜索方向,x(ι)为第ι次迭代输入值,λ(ι)为第ι次迭代梯度值,为梯度算子;H为Hessian矩阵,可通过雅可比矩阵进行计算,I为单位矩阵;
元粒竞技算法是在v维搜索空间中,由k个元粒组成族群G=(g(1),g(2),…,g(k))T,第i个元粒的地点矢量为xi=(xi,1,xi,2,…,xi,v)T,速度为vi=(vi,1,vi,2,..,.vi,v)T;个体极值为Pi=(Pi,1,Pi,2,…,Pi,v)T,族群的全局极值为Pg=(Pg,1,Pg,2,…,Pg,k)T;元粒群寻优过程用以下函数(3)和(4)实现:
其中,χ为区间(0,1)的随机数,m1、m2为竞技因子,为元粒i在第j次迭代中第v维的速度,/>为元粒i在第j次迭代中第v维的地点矢量,/>为元粒i在第v维的个体极值地点矢量,/>为群体在第v维的全局极值地点矢量。
在元粒群运动过程引入权重因子w以调整元粒的速度;带有权重因子的元粒群算法为式(5)和(6):
w(j)=exp[-u(j)/u(j-1)] (6)
式中,为元粒i在第v维的最好地点矢量,/>为群体在第v维的全局最好地点矢量,w(j)为第j次迭代的权重因子,u(j)为元粒第j次迭代的适应度函数值,u(j-1)为元粒第j-1次迭代的适应度函数值。
适应度函数值计算方法如下:
以目标函数作为适应度函数判断元粒的状态,将神经网络输出值与实际响应值的相对误差作为适应度函数,建立函数(7)
其中,ζi为神经网络输出值,κ(xi)为结构实际响应值;
通过元粒当前移动距离s来判别稳定状态判别,建立函数(8)
s=|xi(t)-xi(t-1)| (8)
式中,t为元粒竞技代数,当s或u(x)小于一定限值时即认为元粒群算法达到局部最优解pg=(pg,1,pg,2,…pg,v)T,需利用混沌搜索将变量混沌化。
评价每个元粒的能量值,如果第i个元粒的能量函数值比适应度函数u低或元粒移动位移函数s低,则计算产生q个混沌列点,计算产生q个混沌列点的具体方法如下:
采用Logistic混沌系统,其映射为式(9)
xn+1=1-λxn 2,n=1,2,... (9)
1)将元粒xi的每一维xi,v映射到区间[-1,1];
其中[av,bv]为第v维xi,v的定义域,μ为一极小值。
2)由式ci (j+1)=1-2(ci (j))2迭代j次产生混沌序列
3)根据混沌列点的相应位置,按照式(10)有:
将混沌序列中的点映射到原搜索空间,每一维混沌序列点为/>
选取其中能量函数最低的点作为元粒的新地点矢量;如果第i个元粒的能量函数值比适应度函数u高且比元粒移动位移函数s高,则直接进入步骤四;
步骤四:评价新元粒的能量值,如果比更新前的能量函数值低,则更新pe的值及其对应的地点矢量;如果所有元粒中最低的能量值低于ge,则更新ge和相应的地点矢量,且δ=0,否则,δ=δ+1;
步骤五:如果δ≥δmax,则使用误差反向传播算法在ge附近进行局部搜索;如果搜索结果比ge好,则用此搜索结果代替pe同时更新对应的地点矢量,否则用此搜索结果代替pe中性能最差的个体,δ=0,t=t+1;当t≥T时,寻优结束,否则返回步骤三;
步骤六:保存结果,梁柱端板连接节点优化设计智能系统构建完成;
步骤七:对智能系统结构优化参数识别量化计算。具体为:
结构优化参数识别量化是对结构各个构成参数进行灵敏度数值的计算,该方法基于智能系统的预测结果,根据概率密度函数对输入变量进行蒙特卡罗随机抽样,考察对应于随机变量取值范围内的输出响应的变化量,从而判定各随机变量的灵敏度;综合考虑各随机变量对结构响应的影响程度,采用重要性度量参数Pearson相关系数度量随机变量与结构响应的相关关系,为消除各随机变量的量纲和测量尺度的影响,在计算过程中引入随机变量的变异系数γr,具体计算公式为式(11)和式(12)
式中,Rr为第r变量对结构的Pearson相关系数,Sr为第r变量对结构的灵敏度数值,ξ为随机变量总维数,α为蒙特卡罗抽样次数,xi为随机变量,ζi为在输入随机变量xi条件下的网络输出值,γr为蒙特卡罗抽取随机变量样本点对应的变异系数,Sr的绝对值反应了随机变量对结构响应的影响程度,正负反应了随机变量与结构响应的相关程度;该方法计算得到的灵敏度数值为全局随机灵敏度。
步骤七之后,还包括步骤八,即精度判断过程,具体如下:
精度判断过程是根据智能系统计算值和实际值的偏差进行判别,其中:
(1)R2
其中,f(ai)为智能系统的输出响应值,y(ai)为结构的真实响应值,为m个真实响应值的平均值;如果R2的值越接近1,说明智能系统对结构的模拟越精确;
(2)RAAE
其中,STD代表了m个结构真实响应值的标准差,RAAE的值越小表示智能系统值越精确;
(3)RMAE
RMAE反应了智能系统与实体模型在局部某一区域的最大误差,RMAE的值越小表示智能系统的精度越高;R2和RAAE是对智能系统的整体评价,RMAE是对智能系统的局部评价。
步骤八之后,还包括步骤九,即将Matlab与Ansys对接,如图2所示,具体对接方法如下:
(1)将均匀设计表保存成文件;
(2)在matlab中循环读取均匀设计表中的参数,并保存至相应矩阵中;
(3)建立利用ansys安装地址并建立空文档使得在matlab中打开ansys分析软件,并将ansys分析过程写入空文档;
(4)在ansys中对节点模型应用参数化建模,设计参数采用变量形式,设立与设计参数对应的中间存储变量,将设计参数的中间存储变量读入matlab保存的数据,进行有限元分析,同理建立与结构响应值对应的中间存储变量;
(5)matlab读取有限元分析结果保存变量。
其中,步骤九中的均匀设计表中的均匀设计是使每个因素的每个水平仅做一次试验,试验点在试验范围内均匀分布,通过最少的试验来获得最多的信息;这种设计方法适合于多因素多水平的试验和系统模型完全未知的情况;
均匀设计表采用好格子点法设计样本点,构造方法为:1)给定实验数ε,寻找比ε小的整数o,且使ε和o的最大公约数为1,符合这些条件的正整数组成向量O;2)均匀设计表的第j列由aij=ioj[modε]生成,modε为同余运算,若ioj超过试验数ε,则用它减去一个ε的适当倍数,使其差落在[1,ε]之中;aij可以递推生成:
实施例1
外伸端板连接节点,梁和柱分别采用IPE300和HE340M型钢,螺栓采用等级为8.8级手工加预应力拧紧的M20全螺纹线高强螺栓。
(1)输入参数变化范围为2%
节点参数变化区间取值为输入参数初始值的2%,如表1所示。随机抽取50个样本点进行智能系统构建分析得出相应的结构响应值即半刚性节点的转角值,并将其与有限元分析的结果进行对比,如图3所示,最大误差小于1%,说明智能系统的计算结果可应用来进行节点结构重要参数识别量化。依赖有限元分析软件进行200次仿真模拟概率分析用时约26.67小时,利用智能系统用时约6.8小时,计算效率得到了显著提高。智能系统基本参数:最大迭代次数为100,学习因子分别为1.3和2.7,混沌算法的最大迭代次数为30,神经网络的输入神经元为8,输出神经元为1,隐藏层神经元为10,训练函数采用trainlm函数,由输入层到隐藏层神经元的传递函数采用logsig函数,由隐藏层神经元到输出层神经元的传递函数采用purelin函数。
表1输入参数取值区间
随机分析抽样次数为100000次,计算各个输入参数对输出参数的灵敏度值,灵敏度计算结果如表2所示。
表2节点相关系数
(2)增大输入参数变化范围
如果要得到在输入参数较大范围内的弯节点结构参数重要性量化指标(灵敏度数值),目前常用的ansys有限元分析软件不能达到计算目的。原因主要是当参数变化范围较大时,采用ansys有限元分析软件划分网格时依旧采用元模型的建模方法,导致网格划分出错计算终止。
采用智能系统。增大输入参数变化范围,智能系统预测值与有限元值的相对误差如图4所示。节点参数变化范围和识别量化指标如表3所示。
表3节点参数表
(注:表中各尺寸参数均为本领域通用公知参数,h,b,t,tw,th,hmid,hup,V,hbt分别为梁高、梁宽、钢板厚度、腹板厚度、端板厚度、中层螺栓至端板中轴线距离,上层螺栓至端板中轴线距离,螺栓纵轴线至端板纵轴线距离,底层螺栓至端板中轴线距离)
综上,尽管已经对本发明的实施例进行描述,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.梁柱端板连接节点优化设计智能系统构建及参数识别方法,其特征在于:包括如下步骤:
步骤一:参数初始化,设定元粒族群规模G,权重因子w,竞技因子m1、m2,元粒群优化算法的最大竞技代数T,混沌映射的迭代次数Q,设置当前竞技代数t=1,能量函数E,能量函数变化次数δ=0,元粒群优化算法能量变化次数限值δmax,适应度函数u,元粒移动位移函数s,可行域中随机产生两类元粒,分别表示神经网络的权值和阀值;其中,适应度函数u用以早熟判断,元粒移动位移函数s用以稳态判断;
步骤二:根据上述参数构建能量函数E,能量函数E用适应度函数u和元粒移动位移函数s表示,评价每个元粒的初始适应度值,选出初始化元粒群的全局最好地点矢量ge,即能量函数最低值,设pe为当前的元粒的最好地点矢量;
步骤三:更新元粒的地点矢量和速度,产生新的元粒,评价每个元粒的能量值,如果第i个元粒的能量函数值比适应度函数u低或元粒移动位移函数s低,则计算产生q个混沌列点,选取其中能量函数最低的点作为元粒的新地点矢量;如果第i个元粒的能量函数值比适应度函数u高且比元粒移动位移函数s高,则直接进入步骤四;
步骤四:评价新元粒的能量值,如果比更新前的能量函数值低,则更新pe的值及其对应的地点矢量;如果所有元粒中最低的能量值低于ge,则更新ge和相应的地点矢量,且δ=0,否则,δ=δ+1;
步骤五:如果δ≥δmax,则使用误差反向传播算法在ge附近进行局部搜索;如果搜索结果比ge好,则用此搜索结果代替pe同时更新对应的地点矢量,否则用此搜索结果代替pe中性能最差的个体,δ=0,t=t+1;当t≥T时,寻优结束,否则返回步骤三;
步骤六:保存结果,梁柱端板连接节点优化设计智能系统构建完成;
步骤七:对智能系统结构优化参数识别量化计算。
2.根据权利要求1所述的梁柱端板连接节点优化设计智能系统构建及参数识别方法,其特征在于:所述步骤三中,更新元粒的地点矢量和速度,产生新的元粒的具体步骤如下:
神经网络采用matlab实现,计算过程如式1所示:
输入矢量为n维变量,隐层有β个神经元,输出矢量为m维变量,输入层到隐层的权值为wih,阀值为bh,隐层到输出层权值为whl’,阀值为bl’,f为传递函数;d为输入神经元值,dn’为隐层神经元值;采用Levenberg-Marquardt法对神经网络进行训练,确定搜索方向的表达式为(2)
D(x(ι))=-(H(ι)+λ(ι)I)-1▽f(x(ι)) (2)
其中:D(x(ι))为第ι次迭代的搜索方向,x(ι)为第ι次迭代输入值,λ(ι)为第ι次迭代梯度值,▽为梯度算子;H为Hessian矩阵,可通过雅可比矩阵进行计算,I为单位矩阵;
元粒竞技算法是在v维搜索空间中,由k个元粒组成族群G=(g(1),g(2),…,g(k))T,第i个元粒的地点矢量为xi=(xi,1,xi,2,…,xi,v)T,速度为vi=(vi,1,vi,2,..,.vi,v)T;个体极值为Pi=(Pi,1,Pi,2,…,Pi,v)T,族群的全局极值为Pg=(Pg,1,Pg,2,…,Pg,k)T;元粒群寻优过程用以下函数(3)和(4)实现:
其中,χ为区间(0,1)的随机数,m1、m2为竞技因子,为元粒i在第j次迭代中第v维的速度,/>为元粒i在第j次迭代中第v维的地点矢量,/>为元粒i在第v维的个体极值地点矢量,/>为群体在第v维的全局极值地点矢量。
3.根据权利要求2所述的梁柱端板连接节点优化设计智能系统构建及参数识别方法,其特征在于:所述步骤三中,更新元粒的地点矢量和速度,产生新的元粒的具体步骤还包括如下:
在元粒群运动过程引入权重因子w以调整元粒的速度;带有权重因子的元粒群算法为式(5)和(6):
w(j)=exp[-u(j)/u(j-1)] (6)
式中,为元粒i在第v维的最好地点矢量,/>为群体在第v维的全局最好地点矢量,w(j)为第j次迭代的权重因子,u(j)为元粒第j次迭代的适应度函数值,u(j-1)为元粒第j-1次迭代的适应度函数值。
4.根据权利要求3所述的梁柱端板连接节点优化设计智能系统构建及参数识别方法,其特征在于:所述步骤三中,适应度函数值计算方法如下:
以目标函数作为适应度函数判断元粒的状态,将神经网络输出值与实际响应值的相对误差作为适应度函数,建立函数(7)
其中,ζi为神经网络输出值,κ(xi)为结构实际响应值;
通过元粒当前移动距离s来判别稳定状态判别,建立函数(8)
s=|xi(t)-xi(t-1)| (8)
式中,t为元粒竞技代数,当s或u(x)小于一定限值时即认为元粒群算法达到局部最优解pg=(pg,1,pg,2,…pg,v)T,需利用混沌搜索将变量混沌化。
5.根据权利要求4所述的梁柱端板连接节点优化设计智能系统构建及参数识别方法,其特征在于:所述步骤三中,计算产生q个混沌列点的具体方法如下:
采用Logistic混沌系统,其映射为式(9)
xn+1=1-λxn 2,n=1,2,... (9)
1)将元粒xi的每一维xi,v映射到区间[-1,1];
其中[av,bv]为第v维xi,v的定义域,μ为一极小值;
2)由式ci (j+1)=1-2(ci (j))2迭代j次产生混沌序列
3)根据混沌列点的相应位置,按照式(10)有:
将混沌序列中的点映射到原搜索空间,每一维混沌序列点为/>
6.根据权利要求5所述的梁柱端板连接节点优化设计智能系统构建及参数识别方法,其特征在于:所述步骤七具体为:
结构优化参数识别量化是对结构各个构成参数进行灵敏度数值的计算,该方法基于智能系统的预测结果,根据概率密度函数对输入变量进行蒙特卡罗随机抽样,考察对应于随机变量取值范围内的输出响应的变化量,从而判定各随机变量的灵敏度;综合考虑各随机变量对结构响应的影响程度,采用重要性度量参数Pearson相关系数度量随机变量与结构响应的相关关系,为消除各随机变量的量纲和测量尺度的影响,在计算过程中引入随机变量的变异系数γr,具体计算公式为式(11)和式(12)
式中,Rr为第r变量对结构的Pearson相关系数,Sr为第r变量对结构的灵敏度数值,ξ为随机变量总维数,α为蒙特卡罗抽样次数,xi为随机变量,ζi为在输入随机变量xi条件下的网络输出值,γr为蒙特卡罗抽取随机变量样本点对应的变异系数,Sr的绝对值反应了随机变量对结构响应的影响程度,正负反应了随机变量与结构响应的相关程度;该方法计算得到的灵敏度数值为全局随机灵敏度。
7.根据权利要求6所述的梁柱端板连接节点优化设计智能系统构建及参数识别方法,其特征在于:所述步骤七之后,还包括步骤八,即精度判断过程,具体如下:
精度判断过程是根据智能系统计算值和实际值的偏差进行判别,其中:
(1)R2
其中,f(ai)为智能系统的输出响应值,y(ai)为结构的真实响应值,为m个真实响应值的平均值;如果R2的值越接近1,说明智能系统对结构的模拟越精确;
(2)RAAE
其中,STD代表了m个结构真实响应值的标准差,RAAE的值越小表示智能系统值越精确;
(3)RMAE
RMAE反应了智能系统与实体模型在局部某一区域的最大误差,RMAE的值越小表示智能系统的精度越高;R2和RAAE是对智能系统的整体评价,RMAE是对智能系统的局部评价。
8.根据权利要求7所述的梁柱端板连接节点优化设计智能系统构建及参数识别方法,其特征在于:所述步骤八之后,还包括步骤九,即将Matlab与Ansys对接,具体对接方法如下:
(1)将均匀设计表保存成文件;
(2)在matlab中循环读取均匀设计表中的参数,并保存至相应矩阵中;
(3)建立利用ansys安装地址并建立空文档使得在matlab中打开ansys分析软件,并将ansys分析过程写入空文档;
(4)在ansys中对节点模型应用参数化建模,设计参数采用变量形式,设立与设计参数对应的中间存储变量,将设计参数的中间存储变量读入matlab保存的数据,进行有限元分析,同理建立与结构响应值对应的中间存储变量;
(5)matlab读取有限元分析结果保存变量。
9.根据权利要求8所述的梁柱端板连接节点优化设计智能系统构建及参数识别方法,其特征在于:所述步骤九中的均匀设计表中的均匀设计是使每个因素的每个水平仅做一次试验,试验点在试验范围内均匀分布,通过最少的试验来获得最多的信息;这种设计方法适合于多因素多水平的试验和系统模型完全未知的情况;
均匀设计表采用好格子点法设计样本点,构造方法为:1)给定实验数ε,寻找比ε小的整数o,且使ε和o的最大公约数为1,符合这些条件的正整数组成向量O;2)均匀设计表的第j列由aij=ioj[modε]生成,modε为同余运算,若ioj超过试验数ε,则用它减去一个ε的适当倍数,使其差落在[1,ε]之中;aij可以递推生成:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110927315.0A CN113673015B (zh) | 2021-08-10 | 2021-08-10 | 梁柱端板连接节点优化设计智能系统构建及参数识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110927315.0A CN113673015B (zh) | 2021-08-10 | 2021-08-10 | 梁柱端板连接节点优化设计智能系统构建及参数识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673015A CN113673015A (zh) | 2021-11-19 |
CN113673015B true CN113673015B (zh) | 2023-08-25 |
Family
ID=78542629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110927315.0A Active CN113673015B (zh) | 2021-08-10 | 2021-08-10 | 梁柱端板连接节点优化设计智能系统构建及参数识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673015B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8933572B1 (en) * | 2013-09-04 | 2015-01-13 | King Fahd University Of Petroleum And Minerals | Adaptive superconductive magnetic energy storage (SMES) control method and system |
CN106295886A (zh) * | 2016-08-12 | 2017-01-04 | 梁广俊 | 基于混沌理论的改进模糊神经网络公交车智能调度方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN112765902A (zh) * | 2021-02-09 | 2021-05-07 | 嘉兴学院 | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 |
-
2021
- 2021-08-10 CN CN202110927315.0A patent/CN113673015B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8933572B1 (en) * | 2013-09-04 | 2015-01-13 | King Fahd University Of Petroleum And Minerals | Adaptive superconductive magnetic energy storage (SMES) control method and system |
CN106295886A (zh) * | 2016-08-12 | 2017-01-04 | 梁广俊 | 基于混沌理论的改进模糊神经网络公交车智能调度方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN112765902A (zh) * | 2021-02-09 | 2021-05-07 | 嘉兴学院 | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 |
Non-Patent Citations (1)
Title |
---|
基于改进混沌粒子群的混合神经网络和蒙特卡洛法的结构随机灵敏度分析方法;董现;王湛;;工程力学(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113673015A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110083125B (zh) | 一种基于深度学习的机床热误差建模方法 | |
CN113468803B (zh) | 一种基于改进的woa-gru洪水流量预测方法及系统 | |
CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN114547974B (zh) | 基于输入变量选择与lstm神经网络的动态软测量建模方法 | |
CN112070356A (zh) | 一种基于rf-lssvm模型预测混凝土抗碳化性能的方法 | |
CN114781538A (zh) | 一种ga-bp神经网络耦合决策树的空气质量预测方法和系统 | |
CN112347670B (zh) | 一种基于神经网络响应面的堆石料蠕变参数预测方法 | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
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 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN116451556A (zh) | 一种混凝土坝变形观测量统计模型构建方法 | |
CN117010691A (zh) | 输电铁塔安全评估方法、装置、计算机设备和存储介质 | |
CN112765902A (zh) | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 | |
CN117289652A (zh) | 一种基于多元宇宙优化的数控机床主轴热误差建模方法 | |
CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
CN113240201A (zh) | 一种基于gmm-dnn混合模型预测船舶主机功率方法 | |
CN115640744A (zh) | 一种油田集输管道外腐蚀速率预测方法 | |
CN115948964A (zh) | 一种基于ga-bp神经网络的路面平整度预测方法 | |
CN115221793A (zh) | 一种隧道围岩变形预测方法及装置 | |
CN112926251B (zh) | 一种基于机器学习的滑坡位移高精度预测方法 | |
CN113673015B (zh) | 梁柱端板连接节点优化设计智能系统构建及参数识别方法 | |
CN117150925A (zh) | 一种水电工程高陡边坡岩体力学参数反分析方法 | |
CN111582634A (zh) | 一种地下大空间施工多因素安全分级方法及系统 | |
CN111160715A (zh) | 基于bp神经网络新旧动能转换绩效评价方法和装置 | |
CN116308579A (zh) | 基于粒子群-svm的工程造价确定方法、系统及产品 |
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 |