CN114841038B - 复杂载荷下核电站一回路管路支架布置的智能设计方法 - Google Patents

复杂载荷下核电站一回路管路支架布置的智能设计方法 Download PDF

Info

Publication number
CN114841038B
CN114841038B CN202210504075.8A CN202210504075A CN114841038B CN 114841038 B CN114841038 B CN 114841038B CN 202210504075 A CN202210504075 A CN 202210504075A CN 114841038 B CN114841038 B CN 114841038B
Authority
CN
China
Prior art keywords
pipeline
bracket
arrangement
sum
finite element
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
CN202210504075.8A
Other languages
English (en)
Other versions
CN114841038A (zh
Inventor
贾坤
孙宇翔
陈丽
龙波
王艳苹
刘诗华
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202210504075.8A priority Critical patent/CN114841038B/zh
Publication of CN114841038A publication Critical patent/CN114841038A/zh
Application granted granted Critical
Publication of CN114841038B publication Critical patent/CN114841038B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06F2111/04—Constraint-based CAD
    • 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
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes
    • 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
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种复杂载荷下核电站一回路管路支架布置的智能设计方法，包括以下步骤：构建复杂载荷下带支架管路的有限元模型；计算带支架管路在不同荷载环境下的最大应力比之和以及管路阀门加速度；构建管路支架位置与最大应力比之和和以及管路阀门加速度的样本库用于神经网络训练；构建带支架管路在不同荷载环境下的最大应力比之和以及管路阀门加速度最小的目标函数；通过神经网络与多目标遗传算法联立初步确定确定初始最优管路支架排布位置；通过多目标遗传算法、初始最优管路支架排布位置以及步骤4构建的目标函数实现对带支架管路的有限元模型的支架排布的智能设计。本发明克服了传统管路优化仅仅依靠工程师经验手动调控的缺点，在达到工程需求的同时减少时间成本。

Description

复杂载荷下核电站一回路管路支架布置的智能设计方法
技术领域
本发明属于核电反应堆管路设计技术领域，具体涉及复杂载荷下核电站一回路管路支架布置的智能设计方法。
背景技术
管路系统是保障大型动力装置如核电站正常工作的重要屏障，是实现动力转换的必要能量传输路径。管道系统作为动力装置设计的重要组成部分，与动力装置性能、可靠性、生命周期及经济成本直接相关。考虑到管路共振、应力超限是管道变形和破坏主要诱因，因此，对于动力系统管路系统设计，力学性能校核承担着安全性和可靠性评价的重要角色。
当前核电站一回路管路系统的工程设计中，管道支架的布置依照先初始布局设计再力学校核的思路，采用人工规划的方法实施。由设计人员依靠个人经验手工完成管道支架的位置、形式的初步确定，然后对系统管道进行相应的力学计算，以此来检验其设计是否符合设计规范要求。如果结果不满足力学的要求，则需修改支架排布设计直至满足应力要求，从而完成管道完整性和安全性评估。对于这种不断人工迭代优化来完善管道支架布置的设计方法，每一步迭代设计都需要设计人员通过有限元分析进行管道的应力校核和评定，存在劳动强度大，设计周期长，成本高的诸多缺点。因此，摒弃迭代设计重复有限元校核的指导思想，发展新的力学建模方法，实时、高效、准确的评估管道复杂载荷下力学响应是解决管路系统设计诸多不足的可行技术途径。
发明内容
为解决上述现有技术中存在的问题，本发明提供一种复杂载荷下核电站一回路管路支架布置的智能设计方法，通过构建以最大应力比之和、阀门加速度值为参数的优化目标，进而建立复杂载荷下管路支架布局智能设计模型，并用神经网络与多目标遗传算法联立优化复杂载荷下管路支架的布局，实现管路支架布置的智能设计，使管路支架布置方案更科学、更合理、更低成本。
为了达到上述目的，本发明采用如下技术方案：
复杂载荷下核电站一回路管路支架布置的智能设计方法，包括以下步骤：
步骤1：根据工程设计文件，构建复杂载荷下带支架管路的有限元模型。将管路等间距划分节点，并对节点位置进行编号用于确定节点位置信息。管路支架布置在管路节点位置处(阀门，三通管，弯管附近不布置支架)；
步骤2：计算带支架管路在不同荷载环境下的最大应力比之和以及管路阀门加速度；
步骤3：构建支架位置信息-最大应力比之和以及管路阀门加速度样本库，用于训练神经网络；具体步骤如下：
步骤1)：使用拉丁超立方随机抽样法对管路支架排布位置进行一定数量的随机选取；
步骤2)：对随机选取的样本点即管路支架的排布位置采用有限元软件进行计算，获得每个样本点所对应的响应即最大应力比之和以及管路阀门加速度，构建支架位置信息-最大应力比之和以及管路阀门加速度样本库；
步骤3)：使用样本库对神经网络进行训练测试；
步骤4：构建带支架管路在不同荷载环境下的最大应力比之和以及管路阀门加速度最小的目标函数；
步骤5：通过神经网络与多目标遗传算法联立，确定初始最优管路支架排布位置；
步骤6：通过多目标遗传算法、初始最优管路支架排布位置以及步骤4构建的目标函数实现对带支架管路的有限元模型的支架排布的智能设计；具体步骤如下：
步骤1)：以管路支架的空间位置信息作为控制变量，进行染色体编码，以管路支架最大可调控的空间位置信息为控制变量的上限，最小可调控的空间位置信息为控制变量的下限，随机生成初始种群；将初始最优管路支架排布位置加入初始种群中，以加快初始种群向最优种群的转化；
步骤2)：基于支架位置约束条件，通过有限元软件进行支架管路排布即种群个体的有限元分析；
步骤3)：对满足约束条件的种群个体利用快速非支配排序方法进行快速分层，获得非劣解等级，并计算个体的拥挤距离；基于非劣解等级和拥挤距离，采用轮赛制选择算子对种群个体进行筛选；
步骤4)：对选择后的种群个体进行交叉变异，利用快速非支配排序由第一层的个体组成Pareto最优解集。
优选的，步骤3的步骤3)所述使用样本库对神经网络进行训练测试的具体方法为：
样本库选取一部分作为测试集剩余做为训练集，以训练集的管路支架的位置排布作为输入；最大应力比之和以及管路阀门加速度作为预期值；
经过反复迭代直到精度达到要求或者达到迭代次数后，停止迭代完成神经网络训练。
优选的，步骤6的步骤2)所述基于支架位置约束条件，通过有限元软件进行支架管路排布即种群个体的有限元分析具体为：
使用有限元软件根据种群个体信息即支架排布信息构造不同支架位置排布的管路模型，在不同荷载情况下对管路模型进行有限元分析，分析管路在不同荷载环境下的最大应力比之和以及管路阀门加速度。
本发明和现有技术相比，具有如下优点：
1、本发明所述方法使用多目标遗传算法与神经网络联立，不同于多目标遗传算法：以神经网络作为代理模型代替直接交互，极大节省了寻优时间成本。
2、本发明所述方法相比于传统工程师手动调试，在满足优化需求的基础上极大减少了时间成本。
3、本发明所述的方法适应度较高，确保一定的硬件资源下可以对适用于不同管路类型的约束优化问题。
4、本发明所述的方法程序封装一体化，其人机交互界面使得操作人员无需知道算法原理，即可根据自己对管路优化需求进行操作。
附图说明
图1是多目标优化过程流程图。
图2是双层BP神经网络示意图。
图3是本发明方法流程图。
图4a是管路原模型,图4b是划分节点后的管路模型。
图5a优化管路模型图，图5b是寻优结果对比分析图。
具体实施方式
以下结合附图及具体实施例，对本发明作进一步的详细描述。
如图1所示，管路约束智能设计方法的一般流程包括：
一、多目标遗传算法
初始种群：
采用二进制编码的方式。例如有五个约束，其位置要求在[101,401],最优解为整数，则约束共有300种取值可能，需要9位二进制数表示，于是父代表现型(管路支架位置表达)149 132 356 335 265使用二进制表示为 100000100001111101110011000101101011110100000。
交叉：二进制编码的基因交换过程非常类似同源染色体的联会过程——随机把其中几个位于同一位置的编码进行交换，产生新的个体。
变异：基因突变过程：基因突变是染色体的某一个位点上基因的改变。基因突变使一个基因变成它的等位基因，并且通常会引起一定的表现型变化。正如上面所说，二进制编码的遗传操作过程和生物学中的过程非常相类似，基因串上的“0”或“1”有一定几率变成与之相反的“1”或“0”。
非支配排序：计算每个个体的支配数量(np)和集被支配(Sp),f1,f2越小越好，对于节点C,节点D和节点E在f1和f2上都比C要小，所以称为：节点D和 E支配C，npc＝2而被C支配的节点有B，所以SpC＝[B]依次得出：npA＝1SpA＝[null] npB＝3SpB＝[null]
将所有节点分级：
1.支配数为0及不被支配的分为第一级别F1，即F1＝[D,E]；
2.对F1的SpD＝[A,B,C]，SpE＝[B,C]的每个个体进行遍历，每遍历一次，相应的次数减1。当前情况下遍历A一次，所以npA-1，此时npA＝0，将计数为0 的节点归为第二类F2＝[A,C]；
3.以此类推，可以进行个多个体的分级操作。
拥挤度计算：对于非支配排序在同一等级上的种群个体采用拥挤度进行进一步排序规定，拥挤距离值越大，种群越不拥挤，种群多样性越好。因此优先选取拥挤度大的种群个体：
边界两个个体拥挤度为无穷表示在第个m目标函数中第i个个体的拥挤度。 fm表示第m个目标函数。
Xmax表示所有个体中在m函数下的最大值，Xmin表示最小值。
二、神经网络算法
使用随机取样法对管路支架位置排布进行一定数量的随机选取；
对随机选取的样本点(管路支架的位置排布)采用有限元软件计算，获得每个样本点所对应的响应(最大应力比之和，管路阀门加速度)；
使用样本库对神经网络进行训练测试；
其中，使用样本库对双层BP神经网络见图2，进行训练的具体步骤为：样本库选取一部分作为测试集剩余做为训练集。以训练集的管路支架的位置排布作为输入；最大应力比之和以及阀门加速度作为预期值。
经过反复迭代直到精度达到要求或者达到迭代次数后，停止迭代完成神经网络训练。
实施例1(选用NSGA-II算法，BP神经网络算法)
如图3所示，本发明实施例设计方法包括如下步骤：
步骤1：根据工程设计文件，构建复杂载荷下带支架管路的有限元模型。将管路等间距划分节点，并对节点位置进行编号用于确定节点位置信息。管路支架布置在管路节点位置处(阀门，三通管，弯管附近不布置支架)。
步骤2：计算带支架管路在不同荷载环境下的最大应力比之和以及管路阀门加速度；
步骤3：构建支架位置信息-最大应力比之和以及管路阀门加速度样本库，用于训练神经网络；
步骤4：构建带支架管路在不同荷载环境下的最大应力比之和以及管路阀门加速度最小的目标函数；
步骤5：通过神经网络与NSGA-II算法联立，确定初始最优管路支架排布位置；
步骤6：通过NSGA-II算法、初始最优管路支架排布位置以及步骤4构建的目标函数实现对带支架管路的有限元模型的支架排布的智能设计。
其中，所述通过NSGA-II算法、初步确定的管路支架模型以及步骤4构建的目标函数实现带支架管路的有限元模型的支架排布的智能设计步骤具体为：
以管路支架的空间位置信息作为控制变量，进行染色体编码，以管路支架最大可调控的空间位置信息为控制变量的上限，最小可调控的空间位置信息为控制变量的下限，随机生成初始种群；将初始确定的管路支架位置排布信息加入初始种群，以加快初始种群向最优种群的转换；
基于支架位置约束条件，通过有限元软件进行支架管路排布(种群个体信息) 有限元分析；
对满足约束条件的种群个体利用快速非支配排序方法进行快速分层，获得非劣解等级，并计算个体的拥挤距离；基于非劣解等级和拥挤距离，采用轮赛制选择算子对种群个体进行筛选；
对选择后的种群个体进行交叉变异，利用快速非支配排序由第一层的个体组成Pareto最优解集；
其中，基于支架位置约束条件，通过有限元软件进行支架管路排布(种群个体信息)有限元分析具体为：
使用有限元软件根据种群个体信息(支架排布信息)构造不同支架位置排布的管路模型，在不同荷载情况下对管路模型进行有限元分析，分析管路在不同荷载环境下的最大应力比之和以及管路阀门加速度。
实施例2(选用NSGA-II算法，BP神经网络算法)
本发明所设计的基于NSGA-II算法与BP神经网络的受复杂载荷环境下的管路支架智能设计的流程如图3所示，下面结合附图对该基于NSGA-II算法与BP 神经网络的受复杂载荷环境下的管路支架布置智能设计进行详细描述，并结合试验来说明本方法的可行性，详见下文描述：
步骤1：根据工程设计文件，构建复杂载荷下带支架管路的有限元模型。将管路等间距划分节点，并对节点位置进行编号用于确定节点位置信息，实例2管路节点编号从101至401见图4a和图4b，图4a为工程设计中待优化的带支架管路有限元模型，图4b为将上述带支架有限元管路模型的空间位置划分为节点101 到401的带支架管路有限元模型。管路支架布置在管路的节点位置处(阀门，三通管，弯管附近不布置支架)；
步骤2：使用有限元软件构建管路模型，管路节点划分用于支架位置确定，选用两个只约束管路平动侧向和竖向的GL支架；两个约束Z向平动的BV支架；一个约束3个平动方向的CB支架，支架刚度皆为108；
步骤3：计算支架管路在两种热应力膨胀，两种地震荷载情况的最大应力比之和，管路上阀门对两种地震荷载情况的加速度；
步骤4：本发明对受复杂载荷环境的管路模型支架位置排布时考虑了支架排布位置空间限制，以两种热应力膨胀，两种地震荷载情况的最大应力比之和，管路上阀门对两种地震荷载情况的加速度之和最小为目标函数；
步骤5：基于上述步骤构建支架位置信息-最大应力比之和，阀门加速度的样本库，用于训练BP神经网络；通过BP神经网络与NSGA-II算法联立确定初始最优管路支架排布位置；
步骤6：通过NSGA-II算法、初始最优管路支架排布位置以及步骤4构建的目标函数实现对带支架管路模型的支架排布的智能设计。
智能优化设计过程：
本发明所设计的基于NSGA-II算法与BP神经网络智能优化设计的过程如下：
构建样本库：
使用随机取样法对管路支架位置排布进行一定数量的随机选取，对随机选取的样本点(管路支架的位置排布)进行有限元软件计算，获得每个样本点所对应的响应(最大应力比之和，阀门加速度)。
训练BP神经网络：
样本库选取一部分作为测试集剩余做为训练集。以训练集的管路支架的位置排布作为输入；最大应力比之和，阀门加速度作为预期值。
隐藏层第j个节点输出Oj经过输入变量x乘以权值w1加上阈值θ1激活函数f 非线性变换获得：
W1表示输入层到隐藏层的权值矩阵，它的每一个元素表示一个权重，表示网络输入层中第i个神经元指向隐藏层中第j个神经元的连接权重。
θ1表示输入层到隐藏层阈值矩阵，它的每一个元素表示一个阈值，表示隐藏层的第j个神经元的偏差值。
xj表示输入层第个j节点的输入值。
输出层第k个节点预测值Zk经过隐藏层变量O乘以权值W2加上阈值θ2通过激活函数g非线性变换获得；
W2表示隐藏层到输出层的权值矩阵，它的每一个元素表示一个权重。，表示网络隐藏层中第j个神经元指向输出层中第k个神经元的连接权重；
θ2表示隐藏层到输出层阈值矩阵，它的每一个元素表示一个阈值，表示输出层的第j个神经元的偏差值；
Oj表示隐藏层第j个节点的输出值。
预测误差E由预期值yk与预测值zk的最小二乘表示：
使用梯度下降法反向迭代阈值和权值，其中学习步长η设置0.01：
表示t+1次迭代后的网络输入层中第i个神经元指向隐藏层中第j个神经元的连接权重。
表示t次迭代后的网络输入层中第i个神经元指向隐藏层中第j个神经元的连接权重。
表示t次迭代后的网络输入层中第i个神经元指向隐藏层中第j个神经元的连接权重的修正值。
表示t+1次迭代后隐藏层第j个神经元的偏差值。
表示t次迭代后隐藏层第j个神经元的偏差值。
表示t次迭代后隐藏层第j个神经元的修正值。
经过反复迭代直到精度达到要求或者达到迭代次数后，停止迭代完成神经网络训练。
NSGA-II算法与BP神经网络联立确定初始支架排布：
以训练好的神经网络作为代理模型，多目标遗传算法生成的种群信息(五个支架的位置排布信息)作为输入变量输入BP神经网络代理模型，BP神经网络根据输入信息反馈最大应力比之和，阀门加速度给遗传算法作为种群个体的适用度。通过非支配排序，精英策略反复迭代确定一个初始最优管路支架位置。
NSGA-II算法对初始最优排布位置寻优：
1)编码与解码：
以支架在管路节点上的位置信息作为控制变量，采用二进制编码方式，可得染色体的编码为{100000100001111101110011000101101011110100000}，五个支架在管路101-401的节点位置内(管路位置空间信息由节点标号表示101-401见图4b)，每个支架有300种位置可能，因此每个支架对应9位二进制基因型，5 个支架位置由45位二进制数表示，染色体长度为45。染色体解码是指将二进制的基因型进行十进制转换，得到二进制支架位置在十进制的表现型，最终得到5 个支架的位置排布。
2)初始群体的产生：
以管路支架最大可调控的空间位置信息为控制变量的上限，最小可调控的空间位置信息为控制变量的下限，在下限于上限之间取任意的整数作为支架的落点位置。根据最优解集的收敛情况(满意度达到平稳)设定种群的个体数量，随机生成初始种群，其中每个个体(种群中的所有个体，包括父代和子代),及每条染色体，对应一种规划方案(最开始是随机生成的，之后是经过筛选和交叉变异之后新的个体，依次循环)，将初始最优管路支架排布信息加入初始种群以加快初始种群达到最优种群的速度。
3)个体适应度的产生：
在NSGA-II算法中个体适应度包含有非劣解的等级和个体的拥挤距离。对满足位置空间的支架利用快速非支配排序方法进行快速分层，获得非劣解的等级，并计算个体的拥挤距离。f1,f2为优化问题的两个目标，目标空间第m点的拥挤距离md等于同一等级相邻的点m-1和m+1在f1轴和f2轴距离的和，如式:
md＝|f1(m+1)-f1(m-1)|+|f2(m+1)-f2(m-1)|
4)选择运算：
经过个体适应度的计算，群体中的每个个体m都得到两个属性：非劣解等级和拥挤度。基于这两个属性，采用轮赛制选择算子对个体进行筛选，即随机选择两个个体，则他们的非劣解等级为m1rank和m2rank,拥挤距离为m1d和m2d和m1rank＜m2rank时，或者当m1rank＝m2rank且m1d＞m2d时，m1个体优于m2个体。
上式的意义为：如果两个个体的非劣解等级不同，去等级较低的个体(分级排序时，先被分离出来的个体)；如果两个个体在同一等级，取挤距离较大的个体。
5)交叉和变异算子：
交叉和变异相互配合可使遗传算法具有良好的局部和全局搜索性能。本发明采用随机点位变异算子对选择之后的个体进行交叉变异，通过对二进制编码的父代个体进行交叉操作，使得遗传算法搜索到的空间更为广阔；随即点位变异操作，即通过随点选取父代二进制编码位置进行0-1变换。通过对父代个体Pt进行交叉变异形成子代Qt。
6)精英策略：
精英策略即保留父代中的优良个体直接进入子代，他是遗传算法以概率1收敛的必要条件。采用的方法是：将父代与交叉变异产生的子代全部个体合成为统一的种群，然后对种群进行快速非支配排序并计算每一个体的拥挤距离，根据轮赛制选择算子(与步骤4)中的选择算子一样，本发明实例在此不做赘述)筛选出新的父代种群。如此反复直到种群迭代数完成，再利用快速非支配排序由第一层的个体组成Pareto最优解集。
7)最优折衷解。
在Pareto前沿中选出具有最大满意度的解作为最优折衷解。对于优化出的Pareto解集，每个Pareto解个目标函数对应的满意度用模糊隶属度数he来表示，如式：
式中：fe为目标函数，e＝1,2,…,Nobj,其中Nobj为目标函数的数目；femin和femax分别为解集中第e个目标函数的最小值和最大值。
再依据上式求出各Pareto解的满意度h，选择满意度最大的解作为最优折衷解。
以图5a所示的受复杂载荷下带支架管路的有限元模型进行分析。管路受两种热环境，两种地震载荷作用。支架位置节点为101到401(管路位置空间信息由节点标号表示101-401见图4b)，三种支架刚度均为108，调整支架达到应力值最优(四种荷载情况应力比之和最小)，阀门加速度在地震荷载情况小于3.6g。结合多目标遗传算法，见图5b得到结果：
应力最优配比：单约束位置175 295双约束239 188三约束220
四种情况最大应力比：0.271 0.166 0.863 0.682
阀门加速度最优：1.4914 1.2245。

Claims (3)

1.复杂载荷下核电站一回路管路支架布置的智能设计方法，其特征在于，包括以下步骤：
步骤1：构建复杂载荷下带支架管路的有限元模型；
步骤2：计算带支架管路在不同荷载环境下的最大应力比之和以及管路阀门加速度；
步骤3：构建支架位置信息-最大应力比之和以及管路阀门加速度样本库，用于训练神经网络；具体步骤如下：
步骤1)：使用拉丁超立方随机抽样法对管路支架排布位置进行一定数量的随机选取；
步骤2)：对随机选取的样本点即管路支架的排布位置采用有限元软件进行计算，获得每个样本点所对应的响应即最大应力比之和以及管路阀门加速度，构建支架位置信息-最大应力比之和以及管路阀门加速度样本库；
步骤3)：使用样本库对神经网络进行训练测试；
步骤4：构建带支架管路在不同荷载环境下的最大应力比之和以及管路阀门加速度最小的目标函数；
步骤5：通过神经网络与多目标遗传算法联立，确定初始最优管路支架排布位置；
步骤6：通过多目标遗传算法、初始最优管路支架排布位置以及步骤4构建的目标函数实现对带支架管路的有限元模型的支架排布的智能设计；具体步骤如下：
步骤1)：以管路支架的空间位置信息作为控制变量，进行染色体编码，以管路支架最大可调控的空间位置信息为控制变量的上限，最小可调控的空间位置信息为控制变量的下限，随机生成初始种群；将初始最优管路支架排布位置加入初始种群中，以加快初始种群向最优种群的转化；
步骤2)：基于支架位置约束条件，通过有限元软件进行支架管路排布即种群个体的有限元分析；
步骤3)：对满足约束条件的种群个体利用快速非支配排序方法进行快速分层，获得非劣解等级，并计算个体的拥挤距离；基于非劣解等级和拥挤距离，采用轮赛制选择算子对种群个体进行筛选；
步骤4)：对选择后的种群个体进行交叉变异，利用快速非支配排序由第一层的个体组成Pareto最优解集。
2.根据权利要求1所述的复杂载荷下核电站一回路管路支架布置的智能设计方法，其特征在于，步骤3的步骤3)所述使用样本库对神经网络进行训练测试的具体方法为：
样本库选取一部分作为测试集剩余做为训练集，以训练集的管路支架的位置排布作为输入；最大应力比之和以及管路阀门加速度作为预期值；
经过反复迭代直到精度达到要求或者达到迭代次数后，停止迭代完成神经网络训练。
3.根据权利要求1所述的复杂载荷下核电站一回路管路支架布置的智能设计方法，其特征在于，步骤6的步骤2)所述基于支架位置约束条件，通过有限元软件进行支架管路排布即种群个体的有限元分析具体为：
使用有限元软件根据种群个体信息即支架排布信息构造不同支架位置排布的管路模型，在不同荷载情况下对管路模型进行有限元分析，分析管路在不同荷载环境下的最大应力比之和以及管路阀门加速度。
CN202210504075.8A 2022-05-10 2022-05-10 复杂载荷下核电站一回路管路支架布置的智能设计方法 Active CN114841038B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210504075.8A CN114841038B (zh) 2022-05-10 2022-05-10 复杂载荷下核电站一回路管路支架布置的智能设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210504075.8A CN114841038B (zh) 2022-05-10 2022-05-10 复杂载荷下核电站一回路管路支架布置的智能设计方法

Publications (2)

Publication Number Publication Date
CN114841038A CN114841038A (zh) 2022-08-02
CN114841038B true CN114841038B (zh) 2024-04-12

Family

ID=82568993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210504075.8A Active CN114841038B (zh) 2022-05-10 2022-05-10 复杂载荷下核电站一回路管路支架布置的智能设计方法

Country Status (1)

Country Link
CN (1) CN114841038B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116541976B (zh) * 2023-04-11 2023-12-19 哈尔滨工业大学 一种基于ga-grnn代理模型的核电用塔机结构系统静态优化方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598092A (zh) * 2018-12-28 2019-04-09 浙江工业大学 融合bp神经网络和多父代遗传算法的空气源热泵多目标优化设计方法
CN109614723A (zh) * 2018-12-14 2019-04-12 中建二局第建筑工程有限公司 一种基于bim技术的综合施工方法
CN109858093A (zh) * 2018-12-28 2019-06-07 浙江工业大学 Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法
CN110427677A (zh) * 2019-07-24 2019-11-08 大连理工大学 一种航空发动机外部管路系统中弯管结构快速设计方法
CN111585239A (zh) * 2020-05-26 2020-08-25 中国建筑第八工程局有限公司 一种机场管线不停航迁改的施工方法
AU2020101453A4 (en) * 2020-07-23 2020-08-27 China Communications Construction Co., Ltd. An Intelligent Optimization Method of Durable Concrete Mix Proportion Based on Data mining

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109614723A (zh) * 2018-12-14 2019-04-12 中建二局第建筑工程有限公司 一种基于bim技术的综合施工方法
CN109598092A (zh) * 2018-12-28 2019-04-09 浙江工业大学 融合bp神经网络和多父代遗传算法的空气源热泵多目标优化设计方法
CN109858093A (zh) * 2018-12-28 2019-06-07 浙江工业大学 Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法
CN110427677A (zh) * 2019-07-24 2019-11-08 大连理工大学 一种航空发动机外部管路系统中弯管结构快速设计方法
CN111585239A (zh) * 2020-05-26 2020-08-25 中国建筑第八工程局有限公司 一种机场管线不停航迁改的施工方法
AU2020101453A4 (en) * 2020-07-23 2020-08-27 China Communications Construction Co., Ltd. An Intelligent Optimization Method of Durable Concrete Mix Proportion Based on Data mining

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于NSGA-Ⅱ算法的BP神经网络优化研究;李莉;史仲平;潘丰;;微计算机信息;20090205(第04期);全文 *

Also Published As

Publication number Publication date
CN114841038A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN101203871B (zh) 管道优化器系统
Niu et al. Ship Pipe Routing Design Using NSGA‐II and Coevolutionary Algorithm
CN111639838B (zh) 一种适用于供水管网的水质监测点布局优化方法
Choi et al. An approach to multi-criteria assembly sequence planning using genetic algorithms
Xing et al. Assembly sequence planning based on a hybrid particle swarm optimisation and genetic algorithm
CN114004008B (zh) 一种基于神经网络和遗传算法的飞机装配线资源配置优化方法
CN114841038B (zh) 复杂载荷下核电站一回路管路支架布置的智能设计方法
Moussa et al. Master assembly network for alternative assembly sequences
CN114219334A (zh) 一种基于遗传算法的贝叶斯网络天然气管道泄漏概率计算方法
CN104732067A (zh) 一种面向流程对象的工业过程建模预测方法
Golabi et al. Multiple-server facility location problem with stochastic demands along the network edges
CN116401951A (zh) 集成多agv路径规划与多行设备布局优化方法
Malgıt et al. A generative design-to-BIM workflow for minimum weight plane truss design
Tang et al. The design of heating, ventilation, and air conditioning systems based on building information modeling: A review from the perspective of automatic and intelligent methods
Gan et al. A multi-objective evolutionary algorithm for emergency logistics scheduling in large-scale disaster relief
Kovalyov An approach to develop a generative design technology for power systems
Su et al. A maintenance and troubleshooting method based on integrated information and system principles
Shirakawa et al. Multi-objective optimization system for plant layout design (3rd report, Interactive multi-objective optimization technique for pipe routing design)
Maashi A Comprehensive Review of Software Testing Methodologies Based on Search-based Software Engineering
Ping et al. A mixed isomorphism approach for kinematic structure enumeration graphs based on intelligent design and manufacturing
Liu et al. BIM-based multi-objective optimization of clash resolution: A NSGA-II approach
CN110569543A (zh) 一种支持映射升维的复杂系统自适应方法及系统
CN117828403A (zh) 基于机器学习的水泵故障预测与诊断方法
CN115688605B (zh) 一种基于多目标优化算法的民机研制需求排序方法
CN118332745B (zh) 供水管网修复方法、装置、电子设备和计算机存储介质

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
GR01 Patent grant
GR01 Patent grant