CN114048544B - 飞行器结构响应特性预示方法、装置、设备和介质 - Google Patents

飞行器结构响应特性预示方法、装置、设备和介质 Download PDF

Info

Publication number
CN114048544B
CN114048544B CN202111321812.2A CN202111321812A CN114048544B CN 114048544 B CN114048544 B CN 114048544B CN 202111321812 A CN202111321812 A CN 202111321812A CN 114048544 B CN114048544 B CN 114048544B
Authority
CN
China
Prior art keywords
response characteristic
training set
aircraft structure
structural response
structural
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
Application number
CN202111321812.2A
Other languages
English (en)
Other versions
CN114048544A (zh
Inventor
武泽平
王文杰
杨家伟
李国盛
张为华
雷勇军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202111321812.2A priority Critical patent/CN114048544B/zh
Publication of CN114048544A publication Critical patent/CN114048544A/zh
Application granted granted Critical
Publication of CN114048544B publication Critical patent/CN114048544B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Evolutionary Biology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请涉及飞行器结构响应特性预示方法、装置、设备和介质，方法包括获取待预示飞行器结构的设计变量及其变化范围；采用拉丁超立方实验设计方法在设计变量的变化范围内分别生成均匀分布的训练集和测试集；利用有限元分析仿真方法生成训练集对应的结构响应特性训练集；基于结构响应特性训练集，采用径向基函数方法构建飞行器结构的结构响应特性近似模型并构建其辅助优化问题；利用差分进化算法对辅助优化问题进行寻优处理，获得在测试集的测试集样本点处的最优形状参数；将最优形状参数代入结构响应特性近似模型，重建得到飞行器结构的响应特性近似模型并用于预示飞行器结构的结构响应特性。飞行器结构响应特性预示效率较高。

Description

飞行器结构响应特性预示方法、装置、设备和介质
技术领域
本申请涉及飞行器设计技术领域，特别是涉及一种飞行器结构响应特性预示方法、装置、设备和介质。
背景技术
近几十年来，随着数值计算理论的逐步完善以及计算能力的发展，高保真学科仿真模型在现代工程设计问题，尤其是结构优化设计问题中得到了广泛的应用。高保真学科仿真模型(如有限元分析模型、计算流体力学模型)能够高精度地捕捉真实世界现象的复杂物理过程，提高了设计结果的可靠性。然而，在工程建模和优化设计问题中，常常需要大量数据支撑，使用高保真的学科仿真模型不可避免地会带来巨大的计算代价，尤其是在具有昂贵学科仿真模型的工程建模、优化设计问题中。因此，高精度学科仿真模型难以用于解决实际的工程设计问题。针对这些情况，学者提出代理模型技术，即在建模和优化等过程中用解析表达式来模拟计算仿真模型的行为，以降低计算成本。而基于代理模型的近似建模方法关键问题之一是如何在有限的数据中挖掘更多的有效信息，更好地利用数据构建更精确的近似模型。
目前常用的工程近似建模方法是基于代理模型，采用少量样本点建立代理模型用来代替求解耗时的学科仿真模型进行全局模型近似，常用的近似模型包括径向基函数、Kriging模型和混沌多项式等。然而，在实现本发明过程中，发明人发现前述传统的工程近似建模方法，在飞行器结构响应特性的预示应用中仍存在着预示效率较低的技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种飞行器结构响应特性预示效率较高的飞行器结构响应特性预示方法、一种飞行器结构响应特性预示装置、一种计算机设备以及一种计算机可读存储介质。
为了实现上述目的，本发明实施例采用以下技术方案：
一方面，本发明实施例提供一种飞行器结构响应特性预示方法，包括步骤：
获取待预示飞行器结构的设计变量及设计变量的变化范围；
采用拉丁超立方实验设计方法在设计变量的变化范围内分别生成均匀分布的训练集和测试集；训练集包括由设计变量的维度确定的多个训练集样本点，测试集包括由设计变量的维度确定的多个测试集样本点；
利用有限元分析仿真方法生成训练集对应的结构响应特性训练集；结构响应特性训练集由训练集样本点及相应有限元分析仿真结果组成；
基于结构响应特性训练集，采用径向基函数方法构建飞行器结构的结构响应特性近似模型，并构建结构响应特性近似模型的辅助优化问题；
利用差分进化算法对辅助优化问题进行寻优处理，获得在测试集的测试集样本点处的最优形状参数；
将最优形状参数代入结构响应特性近似模型，重建得到飞行器结构的响应特性近似模型并利用响应特性近似模型预示飞行器结构的结构响应特性。
另一方面，还提供一种飞行器结构响应特性预示装置，包括：
设计获取模块，用于获取待预示飞行器结构的设计变量及设计变量的变化范围；
样本集模块，用于采用拉丁超立方实验设计方法在设计变量的变化范围内分别生成均匀分布的训练集和测试集；训练集包括由设计变量的维度确定的多个训练集样本点，测试集包括由设计变量的维度确定的多个测试集样本点；
分析仿真模块，用于利用有限元分析仿真方法生成训练集对应的结构响应特性训练集；结构响应特性训练集由训练集样本点及相应有限元分析仿真结果组成；
近似构建模块，用于基于结构响应特性训练集，采用径向基函数方法构建飞行器结构的结构响应特性近似模型，并构建结构响应特性近似模型的辅助优化问题；
优化处理模块，用于利用差分进化算法对辅助优化问题进行寻优处理，获得在测试集的测试集样本点处的最优形状参数；
特性预示模块，用于将最优形状参数代入结构响应特性近似模型，重建得到飞行器结构的响应特性近似模型并利用响应特性近似模型预示飞行器结构的结构响应特性。
又一方面，还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述飞行器结构响应特性预示方法的步骤。
再一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现任一项的上述飞行器结构响应特性预示方法的步骤。
上述技术方案中的一个技术方案具有如下优点和有益效果：
上述飞行器结构响应特性预示方法、装置、设备和介质，通过获取飞行器结构的设计变量及其变化范围后，采用拉丁超立方实验设计方法生成初始训练样本和测试样本，调用有限元分析仿真模型对其进行计算，生成结构响应特性训练集，然后基于此构建飞行器结构的结构响应特性近似模型，再利用差分进化算法进行优化以获得结构响应特性近似模型在测试集样本点处的最优形状参数，最后将最优形状参数代入结构响应特性近似模型，重建得到最终的响应特性近似模型，用于实现对飞行器结构的结构响应特性的预示。
通过基于上述结构响应特性训练集构建结构响应特性近似模型，不仅是将有限元分析结果中的单一目标变量用于近似建模，更是将有限元分析计算过程和结果在内的所有节点位移数据均用以构建结构响应特性近似模型及其优化处理，使得有限元分析仿真的数据得到充分利用，其内部所包含的物理规律能够更好地被近似模型捕捉和模仿，从而能够以更少的计算资源消耗构建更精确的结构近似模型，进而提高结构工程建模、优化问题的处理效率，使飞行器结构响应特性的预示效率得到大幅提高。
附图说明
图1为一个实施例中飞行器结构响应特性预示方法的流程示意图；
图2为一个实施例中9杆桁架的结构示意图；
图3为一个实施例中30次独立建模的结果示意图；
图4为一个实施例中飞行器结构响应特性预示装置的模块结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
另外，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。
在实践中，发明人发现传统的飞行器结构设计工程中的近似建模方法，其缺点在于：(1)常规近似建模方法虽然能够实现工程问题的近似建模，结果可靠，但构建足够精确的近似模型通常需要进行大量的仿真计算，且学科模型求解耗时，直接进行数值优化设计计算成本难以接受，难以直接应用于工程实际场景中。(2)常规近似建模方法将学科仿真模型看作黑匣子模型，不关心模型内部机理规律，仅仅利用模型仿真的输入输出数据，存在着大量的信息浪费，对仿真过程中产生的中间数据没有进行有效利用，这限制了近似建模的效率。
这使得利用近似模型进行飞行器结构响应特性的预示应用中，仍存在预示效率较低的技术问题。本申请针对前述技术问题，提供了一种飞行器结构响应特性预示效率较高的飞行器结构响应特性预示方法，通过对飞行器结构的有限元仿真计算的过程数据和结果数据的充分利用，提出结构响应特性近似建模方法，大幅减少结构近似建模所需的仿真数量，显著提高近似建模效率，进而大幅提高飞行器结构响应特性的预示效率。
请参阅图1，在一个实施例中，本发明提供一种飞行器结构响应特性预示方法，包括如下步骤S12至S22：
S12，获取待预示飞行器结构的设计变量及设计变量的变化范围。
可以理解，飞行器结构的设计变量可以是等待进行结构响应特性预示(或将要设计)的飞行器的局部结构(或整体结构系统)的结构参量，例如但不限于结构单元或整体结构系统的截面积、结构体积或结构长度等。设计变量的变化范围也即该设计变量的可选数值范围，可根据实际设计需要进行设定。
在一些实施方式中，可选的，上述步骤S12可以具体实现如下：
参数初始化：针对飞行器设计中对应的结构响应特性预示问题，基于本领域已有的参数化表征方法确定设计变量x及其变化范围[xl,xu]，根据特定的网格划分方法(可采用本领域已有的任一类计算域网格划分方法)将计算域的结构响应特性u(x)进行离散化表征为u，飞行器的结构系统对应的微分方程为：
L{u(x)}＝0 (1)
飞行器的结构系统对应的离散化结构响应特性(如节点位移)方程为：
G(u)＝0 (2)
其中，向量u为计算域内离散后的结构响应特性。
在一些实施方式中，关于步骤S14之前，还可以包括如下步骤：
根据设计变量的维度，分别确定训练集的训练集样本点数量和测试集的测试集样本点数量。
具体的，确定设计变量后，设计变量的维度也随即确定，因此可以根据设计变量的维度确定训练集样本点数量m和测试集样本点数量n。
S14，采用拉丁超立方实验设计方法在设计变量的变化范围内分别生成均匀分布的训练集和测试集；训练集包括由设计变量的维度确定的多个训练集样本点，测试集包括由设计变量的维度确定的多个测试集样本点。
S16，利用有限元分析仿真方法生成训练集对应的结构响应特性训练集；结构响应特性训练集由训练集样本点及相应有限元分析仿真结果组成。
可以理解，可以理解，采用已有的拉丁超立方实验设计方法在上述设计变量的变化范围[xl,xu]内分别生成均匀分布的m个训练集样本点和n个测试集样本点。进而可以调用已有的有限元分析仿真程序计算得到m个训练集样本点x的仿真结果u，从而得到相应的结构响应特性训练集M：
Figure BDA0003345577080000071
本领域技术人员可以理解，上述拉丁超立方实验设计方法和有限元分析仿真方法的具体计算处理过程，可以参照本领域中对于拉丁超立方实验设计方法和有限元分析仿真方法本身的计算处理过程同理理解，本说明书中不再展开详述。
S18，基于结构响应特性训练集，采用径向基函数方法构建飞行器结构的结构响应特性近似模型，并构建结构响应特性近似模型的辅助优化问题。
在一些实施方式中，关于上述步骤S18，具体可以包括如下处理步骤：
基于结构响应特性训练集，构建飞行器结构的径向基函数代理模型；
根据结构响应特性近似模型在测试集上的计算残差，构建径向基函数代理模型的辅助优化问题；辅助优化问题为结构响应特性近似模型，计算残差为径向基函数代理模型在测试集样本点处的预测结构响应特性代入有限元分析仿真方法中的偏微分方程等式得到的计算残差。
具体的，基于结构响应特性训练集建立径向基函数代理模型(也即结构响应特性近似模型)，该径向基函数代理模型的基本形式，如下：
Figure BDA0003345577080000072
其中，
Figure BDA0003345577080000073
表示模型输出的结构响应特性，x表示设计变量，ri(x)表示第i个基函数，ωi表示第i个基函数的相应系数，m表示训练集的训练集样本点数量，RBF(Radial BasisFunction，径向基函数)中基函数常使用如下高斯函数ri(x)：
Figure BDA0003345577080000081
其中，ci表示第i个径向基函数的形状参数，可通过下式(6)的方式进行优化。
在一些实施方式中，构建的上述辅助优化问题为：
Figure BDA0003345577080000082
其中，R(c)表示径向基函数代理模型在测试集样本点处的预测结构响应特性代入有限元分析仿真方法中的偏微分方程等式得到的计算残差，
Figure BDA0003345577080000083
表示预测值
Figure BDA0003345577080000084
代入飞行器结构的系统微分方程G(u)＝0后得到的残差向量，c表示径向基函数代理模型的形状参数向量，c的维度与结构响应特性训练集的样本点数量一致，即m维。
可以理解，通过上述结构响应特性近似模型结合其辅助优化问题，可以将有限元分析仿真过程(或结构物理过程)蕴含的全部信息有效利用，可表征预测值与真实值的差别、反映代理模型的精度。
S20，利用差分进化算法对辅助优化问题进行寻优处理，获得在测试集的测试集样本点处的最优形状参数。
可以理解，直接应用本领域的差分进化算法对辅助优化问题进行寻优，以获得在测试集样本点处残差最小的形状参数，也即最优形状参数c*。差分进化算法所实现的具体优化处理过程，可以参照本领域中差分进化算法本身的优化处理过程同理理解，本说明书中不再展开详述。
S22，将最优形状参数代入结构响应特性近似模型，重建得到飞行器结构的响应特性近似模型并利用响应特性近似模型预示飞行器结构的结构响应特性。
可以理解，将最优形状参数c*代入上述步骤S18中结构响应特性近似模型构建过程，重新构建结构响应特性近似模型并将该近似模型输出为最终的响应特性近似模型，从而实现飞行器结构响应特性的快速预示。
具体的，采用拉丁超立方实验设计方法生成初始训练样本和测试样本，调用有限元分析模型对其进行计算，与常规近似建模方法不同的是，不止有限元分析结果中的单一目标变量被存储用以近似建模，而是包括有限元计算过程和结果在内的所有节点位移数据都被用以构建结构响应特性近似模型。
在利用已有采样点进行近似模型训练过程中，不仅真实模型和近似模型的输出差别被作为目标函数进行最小化寻优，有限元仿真提供的结构响应分布被加入到近似模型训练优化过程中，利用所构建近似模型预测的结构响应分布与有限元仿真提供的结构响应分布结果对比，通过调整近似模型的超参数来减小结构响应分布的差别，从而构建结构响应特性近似模型。
因此，有限元分析仿真的数据得到充分利用，其内部所包含的物理规律能够更好地被近似模型捕捉和模仿，因此本申请所构建的结构响应特性近似建模方法能够以更少的计算资源消耗构建更精确的结构近似模型，进而提高结构工程建模和优化问题的求解效率，确保了飞行结构响应特性的预示效率明显提升。
上述飞行器结构响应特性预示方法，通过获取飞行器结构的设计变量及其变化范围后，采用拉丁超立方实验设计方法生成初始训练样本和测试样本，调用有限元分析仿真模型对其进行计算，生成结构响应特性训练集，然后基于此构建飞行器结构的结构响应特性近似模型及其辅助优化问题，再利用差分进化算法进行优化以获得结构响应特性近似模型在测试集样本点处的最优形状参数，最后将最优形状参数代入结构响应特性近似模型，重建得到最终的响应特性近似模型，用于实现对飞行器结构的结构响应特性的预示。
通过基于上述结构响应特性训练集构建结构响应特性近似模型，不仅是将有限元分析结果中的单一目标变量用于近似建模，更是将有限元分析计算过程和结果在内的所有节点位移数据均用以构建结构响应特性近似模型及其优化处理，使得有限元分析仿真的数据得到充分利用，其内部所包含的物理规律能够更好地被近似模型捕捉和模仿，从而能够以更少的计算资源消耗构建更精确的结构近似模型，进而提高结构工程建模、优化问题的处理效率，使飞行器结构响应特性的预示效率得到大幅提高。
在一个实施例中，飞行器结构为飞行器的桁架系统。可以理解，该桁架系统可以是指各类待设计的飞行器结构中的多杆桁架系统。
在一个实施例中，设计变量为桁架系统的单元截面积，结构响应特性为桁架系统中所有节点在不同方向上的位移。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且图1的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，为了更直观且全面地说明上述飞行器结构响应特性预示方法，如图2所示，下面是以该方法应用于9杆桁架系统的近似建模而给出一个应用示例。图2中，圆圈数值表示桁架系统的各节点，非圆圈数值则表示桁架系统的各组成杆。
需要说明的是，本说明书中给出的实施案例仅为示意性的，并非为本发明具体实施案例的唯一限定，本领域技术人员可以在本发明提供的实施案例的示意下，同理采用上述提供的飞行器结构响应特性预示方法，实现对不同飞行器结构的结构响应特性的高效预示。
针对该9杆桁架系统，其系统控制方程为：
任意节点i：∑Fq＝0 (7)
Figure BDA0003345577080000111
其中，q为经过节点i的单元，i和j分别为单元p对应的节点。
采用本申请的上述飞行器结构响应特性预示方法，对整个桁架系统进行近似建模，随后将所得结果与常规近似建模得到的结果进行比较，以证明所提出方法在精度和效率上的优越性。9杆桁架体系的建模问题可表述为：设计变量为单元截面积，其变化范围为10cm2和50cm2，杆的弹性模量为200GPa；结构响应特性为在桁架系统节点7的y方向施加1kN的负载后，所有节点在不同方向的位移。具体训练方式如下：
(1)本示例取30个训练集样本点、20个测试集样本点对上述飞行器结构响应特性预示方法进行建模测试。
(2)首先利用拉丁超立方程序分别生成训练集和测试集。在训练集出利用有限元分析产生的数据构建结构响应特性训练集。
(3)基于已有的结构响应特性训练集，构建基于径向基函数的结构响应特性近似模型。
(4)利用差分进化算法优化结构响应特性近似模型的形状参数向量，得到优化后的结构响应特性近似模型及最优形状参数。
(5)将最优形状参数代入结构响应特性近似模型，重新构建得到该桁架系统的位移响应特性的近似模型。
优化结果与分析
为了更好地展示上述飞行器结构响应特性预示方法的良好性能，同时使用常规径向基函数近似建模方法对本示例进行近似建模。其算法参数与上述飞行器结构响应特性预示方法的设置一致，其中初始训练集大小为20，测试集大小为10，有限元仿真次数也为30次。为了消除单次建模的随机性，两种方法各运行了30次独立建模。图3展示了30次独立实验构建出的近似模型的结构响应均方根误差，可以清楚地看到，本申请提出的近似建模方法的结构响应均方根误差更小且更平稳。
表1列出了前述两种近似建模方法的优化结果，“最佳、均值和最差”分别是指30次重复建模中出现的最佳、均值和最差结果。从表1可以看出，本发明提出的近似建模方法的结果与常规近似建模方法相比有明显的优越性，所构建的结构响应特性近似模型在精度方面远高于常规方法构建的近似模型，本文的方法30次建模的均值相比常规方法精度明显提高了。
表1
Figure BDA0003345577080000121
本申请上述预示方法已经在多个工程建模预示、优化设计问题中得到了应用，与现有方法相比，本申请设计精度更高，且在近似建模进程中引入仿真计算产生的大量数据，进一步提升建模效率，提高建模精度。
请参阅图4，还提供了一种飞行器结构响应特性预示装置100，包括设计获取模块13、样本集模块15、分析仿真模块17、近似构建模块19、优化处理模块21和特性预示模块23。其中，设计获取模块13用于获取待预示飞行器结构的设计变量及设计变量的变化范围。样本集模块15用于采用拉丁超立方实验设计方法在设计变量的变化范围内分别生成均匀分布的训练集和测试集；训练集包括由设计变量的维度确定的多个训练集样本点，测试集包括由设计变量的维度确定的多个测试集样本点。分析仿真模块17用于利用有限元分析仿真方法生成训练集对应的结构响应特性训练集；结构响应特性训练集由训练集样本点及相应有限元分析仿真结果组成。近似构建模块19用于基于结构响应特性训练集，采用径向基函数方法构建飞行器结构的结构响应特性近似模型，并构建结构响应特性近似模型的辅助优化问题。优化处理模块21用于利用差分进化算法对辅助优化问题进行寻优处理，获得在测试集的测试集样本点处的最优形状参数。特性预示模块23用于将最优形状参数代入结构响应特性近似模型，重建得到飞行器结构的响应特性近似模型并利用响应特性近似模型预示飞行器结构的结构响应特性。
上述飞行器结构响应特性预示装置100，通过各模块的协作，获取飞行器结构的设计变量及其变化范围后，采用拉丁超立方实验设计方法生成初始训练样本和测试样本，调用有限元分析仿真模型对其进行计算，生成结构响应特性训练集，然后基于此构建飞行器结构的结构响应特性近似模型，再利用差分进化算法进行优化以获得结构响应特性近似模型在测试集样本点处的最优形状参数，最后将最优形状参数代入结构响应特性近似模型，重建得到最终的响应特性近似模型，用于实现对飞行器结构的结构响应特性的预示。
通过基于上述结构响应特性训练集构建结构响应特性近似模型，不仅是将有限元分析结果中的单一目标变量用于近似建模，更是将有限元分析计算过程和结果在内的所有节点位移数据均用以构建结构响应特性近似模型及其优化处理，使得有限元分析仿真的数据得到充分利用，其内部所包含的物理规律能够更好地被近似模型捕捉和模仿，从而能够以更少的计算资源消耗构建更精确的结构近似模型，进而提高结构工程建模、优化问题的处理效率，使飞行器结构响应特性的预示效率得到大幅提高。
在一个实施例中，上述近似构建模块19还可以用于实现上述飞行器结构响应特性预示方法各实施例中相应的子步骤。
在一个实施例中，上述飞行器结构响应特性预示装置100还可以包括样本数量确定模块，用于根据所述设计变量的维度，分别确定所述训练集的训练集样本点数量和所述测试集的测试集样本点数量。
关于飞行器结构响应特性预示装置100的具体限定，可以参见上文中飞行器结构响应特性预示方法的相应限定，在此不再赘述。上述飞行器结构响应特性预示装置100中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于具体数据处理功能的设备中，也可以软件形式存储于前述设备的存储器中，以便于处理器调用执行以上各个模块对应的操作，前述设备可以是但不限于用于进行飞行器设计的计算机设备或者计算系统。
又一方面，还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时可以实现以下步骤：获取待预示飞行器结构的设计变量及设计变量的变化范围；采用拉丁超立方实验设计方法在设计变量的变化范围内分别生成均匀分布的训练集和测试集；训练集包括由设计变量的维度确定的多个训练集样本点，测试集包括由设计变量的维度确定的多个测试集样本点；利用有限元分析仿真方法生成训练集对应的结构响应特性训练集；结构响应特性训练集由训练集样本点及相应有限元分析仿真结果组成；基于结构响应特性训练集，采用径向基函数方法构建飞行器结构的结构响应特性近似模型，并构建结构响应特性近似模型的辅助优化问题；利用差分进化算法对辅助优化问题进行寻优处理，获得在测试集的测试集样本点处的最优形状参数；将最优形状参数代入结构响应特性近似模型，重建得到飞行器结构的响应特性近似模型并利用响应特性近似模型预示飞行器结构的结构响应特性。
在一个实施例中，处理器执行计算机程序时还可以实现上述飞行器结构响应特性预示方法各实施例中增加的步骤或者子步骤。
再一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待预示飞行器结构的设计变量及设计变量的变化范围；采用拉丁超立方实验设计方法在设计变量的变化范围内分别生成均匀分布的训练集和测试集；训练集包括由设计变量的维度确定的多个训练集样本点，测试集包括由设计变量的维度确定的多个测试集样本点；利用有限元分析仿真方法生成训练集对应的结构响应特性训练集；结构响应特性训练集由训练集样本点及相应有限元分析仿真结果组成；基于结构响应特性训练集，采用径向基函数方法构建飞行器结构的结构响应特性近似模型，并构建结构响应特性近似模型的辅助优化问题；利用差分进化算法对辅助优化问题进行寻优处理，获得在测试集的测试集样本点处的最优形状参数；将最优形状参数代入结构响应特性近似模型，重建得到飞行器结构的响应特性近似模型并利用响应特性近似模型预示飞行器结构的结构响应特性。
在一个实施例中，计算机程序被处理器执行时，还可以实现上述飞行器结构响应特性预示方法各实施例中增加的步骤或者子步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线式动态随机存储器(Rambus DRAM，简称RDRAM)以及接口动态随机存储器(DRDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可做出若干变形和改进，都属于本申请保护范围。因此本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种飞行器结构响应特性预示方法，其特征在于，包括步骤：
获取待预示飞行器结构的设计变量及所述设计变量的变化范围；
采用拉丁超立方实验设计方法在所述设计变量的变化范围内分别生成均匀分布的训练集和测试集；所述训练集包括由所述设计变量的维度确定的多个训练集样本点，所述测试集包括由所述设计变量的维度确定的多个测试集样本点；
利用有限元分析仿真方法生成所述训练集对应的结构响应特性训练集；所述结构响应特性训练集由所述训练集样本点及相应有限元分析仿真结果组成；
基于所述结构响应特性训练集，采用径向基函数方法构建所述飞行器结构的结构响应特性近似模型，并构建所述结构响应特性近似模型的辅助优化问题；
利用差分进化算法对所述辅助优化问题进行寻优处理，获得在所述测试集的测试集样本点处的最优形状参数；
将所述最优形状参数代入所述结构响应特性近似模型，重建得到所述飞行器结构的响应特性近似模型并利用所述响应特性近似模型预示所述飞行器结构的结构响应特性。
2.根据权利要求1所述的飞行器结构响应特性预示方法，其特征在于，基于所述结构响应特性训练集，采用径向基函数方法构建所述飞行器结构的结构响应特性近似模型，并构建所述结构响应特性近似模型的辅助优化问题的步骤，包括：
基于所述结构响应特性训练集，构建所述结构响应特性近似模型；
根据所述结构响应特性近似模型在所述测试集上的计算残差，构建所述结构响应特性近似模型的辅助优化问题；所述计算残差为所述结构响应特性近似模型在所述测试集样本点处的预测结构响应特性代入所述有限元分析仿真方法中的偏微分方程等式得到的计算残差。
3.根据权利要求2所述的飞行器结构响应特性预示方法，其特征在于，所述辅助优化问题为：
Figure FDA0003345577070000021
Figure FDA0003345577070000022
其中，R(c)表示所述结构响应特性近似模型在所述测试集样本点处的预测结构响应特性代入所述有限元分析仿真方法中的偏微分方程等式得到的计算残差，
Figure FDA0003345577070000023
表示预测值
Figure FDA0003345577070000024
代入所述飞行器结构的系统微分方程G(u)＝0后得到的残差向量，c表示所述结构响应特性近似模型的形状参数向量，c的维度与所述结构响应特性训练集的样本点数量一致，n表示所述测试集的测试集样本点数量。
4.根据权利要求2所述的飞行器结构响应特性预示方法，其特征在于，所述结构响应特性近似模型为：
Figure FDA0003345577070000025
其中，
Figure FDA0003345577070000026
表示模型输出的结构响应特性，x表示所述设计变量，ri(x)表示第i个基函数，ωi表示第i个基函数的相应系数，m表示所述训练集的训练集样本点数量，基函数ri(x)为：
Figure FDA0003345577070000027
其中，ci表示第i个径向基函数的形状参数。
5.根据权利要求1至4任一项所述的飞行器结构响应特性预示方法，其特征在于，采用拉丁超立方实验设计方法在所述设计变量的变化范围内分别生成均匀分布的训练集和测试集的步骤前，还包括：
根据所述设计变量的维度，分别确定所述训练集的训练集样本点数量和所述测试集的测试集样本点数量。
6.根据权利要求5所述的飞行器结构响应特性预示方法，其特征在于，所述飞行器结构为飞行器的桁架系统。
7.根据权利要求6所述的飞行器结构响应特性预示方法，其特征在于，所述设计变量为所述桁架系统的单元截面积，所述结构响应特性为桁架系统中所有节点在不同方向上的位移。
8.一种飞行器结构响应特性预示装置，其特征在于，包括：
设计获取模块，用于获取待预示飞行器结构的设计变量及所述设计变量的变化范围；
样本集模块，用于采用拉丁超立方实验设计方法在所述设计变量的变化范围内分别生成均匀分布的训练集和测试集；所述训练集包括由所述设计变量的维度确定的多个训练集样本点，所述测试集包括由所述设计变量的维度确定的多个测试集样本点；
分析仿真模块，用于利用有限元分析仿真方法生成所述训练集对应的结构响应特性训练集；所述结构响应特性训练集由所述训练集样本点及相应有限元分析仿真结果组成；
近似构建模块，用于基于所述结构响应特性训练集，采用径向基函数方法构建所述飞行器结构的结构响应特性近似模型，并构建所述结构响应特性近似模型的辅助优化问题；
优化处理模块，用于利用差分进化算法对所述辅助优化问题进行寻优处理，获得在所述测试集的测试集样本点处的最优形状参数；
特性预示模块，用于将所述最优形状参数代入所述结构响应特性近似模型，重建得到所述飞行器结构的响应特性近似模型并利用所述响应特性近似模型预示所述飞行器结构的结构响应特性。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述飞行器结构响应特性预示方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时实现权利要求1至7中任一项所述飞行器结构响应特性预示方法的步骤。
CN202111321812.2A 2021-11-09 2021-11-09 飞行器结构响应特性预示方法、装置、设备和介质 Active CN114048544B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111321812.2A CN114048544B (zh) 2021-11-09 2021-11-09 飞行器结构响应特性预示方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111321812.2A CN114048544B (zh) 2021-11-09 2021-11-09 飞行器结构响应特性预示方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN114048544A CN114048544A (zh) 2022-02-15
CN114048544B true CN114048544B (zh) 2022-08-16

Family

ID=80207845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111321812.2A Active CN114048544B (zh) 2021-11-09 2021-11-09 飞行器结构响应特性预示方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN114048544B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115562332B (zh) * 2022-09-01 2023-05-16 北京普利永华科技发展有限公司 一种无人机机载记录数据的高效处理方法及系统
CN117952024A (zh) * 2024-03-26 2024-04-30 中国人民解放军国防科技大学 异构数据融合的固体发动机先验模型构建方法及应用

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016167B (zh) * 2020-10-22 2021-01-29 中国人民解放军国防科技大学 基于仿真和优化耦合的飞行器气动外形设计方法及系统
CN113255235B (zh) * 2021-06-28 2021-09-24 中国人民解放军国防科技大学 飞行器复杂结构近似建模方法、装置、设备和介质

Also Published As

Publication number Publication date
CN114048544A (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
Jiang et al. Probability-interval hybrid uncertainty analysis for structures with both aleatory and epistemic uncertainties: a review
Hu et al. First order reliability method for time-variant problems using series expansions
CN114048544B (zh) 飞行器结构响应特性预示方法、装置、设备和介质
Chen et al. Interval static displacement analysis for structures with interval parameters
CN112434448B (zh) 基于多点加点的代理模型约束优化方法和装置
Mahadevan Monte carlo simulation
CN111339488B (zh) 基于克里金Kriging的边坡系统失效概率计算方法
Li et al. An accurate penalty-based approach for reliability-based design optimization
CN107563067A (zh) 基于自适应代理模型的结构可靠性分析方法
CN111324993B (zh) 一种湍流场更新方法、装置及其相关设备
Bjerager Methods for structural reliability computations
Li et al. A Kriging-based constrained global optimization algorithm for expensive black-box functions with infeasible initial points
Wu et al. A new hybrid uncertainty optimization method for structures using orthogonal series expansion
Dong et al. Multi-fidelity information fusion based on prediction of kriging
Moon et al. Reliability-based design optimization using confidence-based model validation for insufficient experimental data
Yu et al. Time-variant reliability analysis via approximation of the first-crossing PDF
Qian et al. Uncertainty and multi-criteria global sensitivity analysis of structural systems using acceleration algorithm and sparse polynomial chaos expansion
Song et al. An adaptive failure boundary approximation method for reliability analysis and its applications
Renganathan Koopman-based approach to nonintrusive reduced order modeling: Application to aerodynamic shape optimization and uncertainty propagation
Koeppe et al. An intelligent meta‐element for linear elastic continua
CN111339487B (zh) 基于径向基函数rbf的边坡系统失效概率计算方法
Kazeruni et al. Data-driven artificial neural network for elastic plastic stress and strain computation for notched bodies
Keshavarzzadeh et al. Convergence acceleration for time-dependent parametric multifidelity models
Kumar et al. A chaos study of fractal–fractional predator–prey model of mathematical ecology
Siddesh et al. Prediction of Optimized Design Under Dynamic Loads Using Kriging Metamodel

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