CN114912331A - 舱体加强筋的优化方法、装置、设备及介质 - Google Patents

舱体加强筋的优化方法、装置、设备及介质 Download PDF

Info

Publication number
CN114912331A
CN114912331A CN202210661632.7A CN202210661632A CN114912331A CN 114912331 A CN114912331 A CN 114912331A CN 202210661632 A CN202210661632 A CN 202210661632A CN 114912331 A CN114912331 A CN 114912331A
Authority
CN
China
Prior art keywords
cabin
parameters
individual
reinforcing rib
fitness
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
Application number
CN202210661632.7A
Other languages
English (en)
Inventor
王静袁
刘凯
梅力
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.)
Hubei Sanjiang Aerospace Group Hongyang Electromechanical Co Ltd
Original Assignee
Hubei Sanjiang Aerospace Group Hongyang Electromechanical Co Ltd
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 Hubei Sanjiang Aerospace Group Hongyang Electromechanical Co Ltd filed Critical Hubei Sanjiang Aerospace Group Hongyang Electromechanical Co Ltd
Priority to CN202210661632.7A priority Critical patent/CN114912331A/zh
Publication of CN114912331A publication Critical patent/CN114912331A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • G06F30/27—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
    • G06N3/12—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
    • G06F2113/00—Details relating to the application field
    • G06F2113/28—Fuselage, exterior or interior
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • G06F2119/18—Manufacturability analysis or optimisation for manufacturability
    • 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)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Automobile Manufacture Line, Endless Track Vehicle, Trailer (AREA)

Abstract

本发明公开了一种舱体加强筋的优化方法、装置、设备及介质，所述方法包括：对所述舱体加强筋的初始结构参数进行性能分析，得到所述舱体加强筋所在舱体的性能参数；根据所述舱体加强筋的初始结构参数和所述舱体的性能参数，构建对应的样本数据；根据所述样本数据，对待优化的舱体加强筋模型进行参数优化，得到所述舱体加强筋模型的最优结构参数。采用本发明，能解决现有技术中由于舱体结构参数精度不高、导致舱体舱段制造的性能和稳定性受影响等技术问题。

Description

舱体加强筋的优化方法、装置、设备及介质
技术领域
本发明涉及舱体设计与制造技术领域，尤其涉及一种舱体加强筋的优化方法、装置、设备及介质。
背景技术
舱段设计中涉及到许多学科，从整体来看，各子系统之间存在相互作用和耦合的效应，这使得科研工作者在舱段的设计制造时需考虑到多方面的因素。由于各子系统对环境要求的不一致，因此它们的分析方式和设计工具也不尽相同，但传统意义上的优化方法仅能从单一的物理量上进行优化，无法综合考虑、或未考虑到整个系统之间的耦合性能，导致舱体舱段设计时所采用的结构参数精度或准确度不高，从而影响舱体舱段制造的整体性能和稳定性。
因此，当下亟需提出一种新的舱体优化方案。
发明内容
本申请实施例通过提供一种舱体加强筋的优化方法、装置、设备及介质，解决了现有技术中由于舱体结构参数精度不高、导致舱体舱段制造的性能和稳定性受影响等技术问题。
一方面，本申请通过本申请的一实施例提供一种舱体加强筋的优化方法，所述方法包括：
对所述舱体加强筋的初始结构参数进行性能分析，得到所述舱体加强筋所在舱体的性能参数；
根据所述舱体加强筋的初始结构参数和所述舱体的性能参数，构建对应的样本数据；
根据所述样本数据，对待优化的舱体加强筋模型进行参数优化，得到所述舱体加强筋模型的最优结构参数。
可选地，所述样本数据包括多组样本向量，每组所述样本向量均包括所述初始结构参数和所述性能参数，所述根据所述样本数据，对待优化的舱体加强筋模型进行参数优化，得到所述舱体加强筋模型的最优结构参数包括：
采用遗传算法对每组所述样本向量进行适应度计算，并将最优适应度所对应的个体位置确定为所述舱体加强筋的当前最优参数；
采用引力算法对所述当前最优参数进行位置更新，并更新所述样本向量中的参数个数，重复执行所述采用遗传算法对每组所述样本向量进行适应度计算的步骤，直至重复次数达到预设迭代次数结束；
将所述达到预设迭代次数时确定的所述当前最优参数，确定为所述舱体的最优结构参数。
可选地，所述采用遗传算法对每组所述样本向量进行适应度计算包括：
根据遗传算法，采用预配的适应度函数对每组所述样本向量进行适应度计算。
可选地，若所述最优适应度所对应的个体位置为所述遗传算法中第i个体所在的个体位置，则所述采用引力算法对所述当前最优参数进行位置更新包括：
根据所述遗传算法中第i个体和第j个体各自的惯性质量，计算在设定时刻下所述第i个体和所述第j个体之间的引力值；
根据所述引力值，计算所述第i个体在设定维度下受到的合力值，所述设定维度为根据所述样本向量确定的；
根据所述合力值，更新所述第i个体的当前位置。
可选地，所述计算在设定时刻下所述第i个体和所述第j个体之间的引力值之前，所述方法还包括：
根据所述适应度计算得到的各个体的适应度值，计算所述第i个体和所述第j个体各自的惯性质量。
可选地，所述根据所述引力值，计算所述第i个体在设定维度下受到的合力值之后，所述方法还包括：
根据所述合力值和所述第i个体的惯性质量，计算所述第i个体在设定时刻下的加速度。
可选地，所述对所述舱体加强筋的初始结构参数进行性能分析，得到所述舱体加强筋的性能参数包括：
利用有限元模型对所述舱体加强筋的初始结构参数进行仿真和性能分析，得到所述舱体加强筋的性能参数。
另一方面，本申请通过本申请的一实施例提供一种舱体加强筋的优化装置，所述装置包括：分析模块、构建模块和优化模块，其中：
所述分析模块，用于对所述舱体加强筋的初始结构参数进行性能分析，得到所述舱体加强筋所在舱体的性能参数；
所述构建模块，用于根据所述舱体加强筋的初始结构参数和所述舱体的性能参数，构建对应的样本数据；
所述优化模块，用于根据所述样本数据，对待优化的舱体加强筋模型进行参数优化，得到所述舱体加强筋模型的最优结构参数。
关于本申请实施例中未介绍或未描述的内容可对应参考前述方法实施例中的相关介绍，这里不再赘述。
另一方面，本申请通过本申请的一实施例提供一种终端设备，所述终端设备包括：处理器、存储器、通信接口和总线；所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信；所述存储器存储可执行程序代码；所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行如上权利要求1-7中任一项所述的舱体加强筋的优化方法。
另一方面，本申请通过本申请的一实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有程序，当所述程序运行在终端设备时执行如上所述的舱体加强筋的优化方法。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：本申请对所述舱体加强筋的初始结构参数进行性能分析，得到所述舱体加强筋所在舱体的性能参数；根据所述舱体加强筋的初始结构参数和所述舱体的性能参数，构建对应的样本数据；根据所述样本数据，对待优化的舱体加强筋模型进行参数优化，得到所述舱体加强筋模型的最优结构参数。上述方案中，本申请能依据舱体加强筋的初始结构参数和性能参数对待优化的舱体加强筋模型进行参数优化，以分析出舱体加强筋模型的最优结构参数，便于后续采用最优结构参数来制造舱体舱段，有利于提升舱段的整体性能和稳定性，同时也解决了现有技术中由于舱体结构参数精度不高、导致舱体舱段制造的性能和稳定性受影响等技术问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种舱体加强筋的优化方法的流程示意图。
图2是本申请实施例提供的一种舱体加强筋的俯视图。
图3是本申请实施例提供的一种舱体加强筋的截面图。
图4是本申请实施例提供的一种舱体加强筋的优化装置的结构示意图。
图5是本申请实施例提供的一种终端设备的结构示意图。
具体实施方式
本申请实施例通过提供一种舱体加强筋的优化方法，能解决现有技术中由于舱体结构参数精度不高、导致舱体舱段制造的性能和稳定性受影响等技术问题。
本申请实施例的技术方案为解决上述技术问题，总体思路如下：对所述舱体加强筋的初始结构参数进行性能分析，得到所述舱体加强筋所在舱体的性能参数；根据所述舱体加强筋的初始结构参数和所述舱体的性能参数，构建对应的样本数据；根据所述样本数据，对待优化的舱体加强筋模型进行参数优化，得到所述舱体加强筋模型的最优结构参数。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
首先说明，本文中出现的术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
请参见图1，是本申请实施例提供的一种舱体加强筋的优化方法的流程示意图。如图1所示的方法包括如下实施步骤：
S101、对所述舱体加强筋的初始结构参数进行性能分析，得到所述舱体加强筋所在舱体的性能参数。
在一具体实施方式中，本申请利用有限元模型对所述舱体加强筋的初始结构参数进行仿真和性能分析，以得到所述舱体加强筋的性能参数。
具体实现中，本申请可获取舱体加强筋的初始结构参数，进而基于所述初始结构参数创建对应的有限元模型，利用所述有限元模型对所述初始结构参数进行仿真分析，以仿真得到舱体的性能参数。其中，本申请涉及的结构参数包括但不限于以下中的任一项或多项的组合：所述舱体加强筋沿飞行方向上的数量n1、所述舱体加强筋沿垂直于所述飞行方向上的数量n2、所述舱体加强筋的高度h、所述舱体加强筋的宽度w、所述舱体加强筋的宽高比η、所述舱体加强筋的占空比k、所述舱体加强筋所采用材料的密度ρ及所述舱体加强筋沿平行于所述飞行方向之间的角度θ等。
请一并参见图2和图3分别示出所述舱体加强筋的俯视图和纵向截面图。如图2具体示出所述舱体加强筋的俯视图，图3具体示出所述舱体加强筋的截面图。如图所示中的h表示舱体加强筋的高度，w表示舱体加强筋的宽度，d1表示相邻两个舱体加强筋的宽度间距，d2表示相邻两个舱体加强筋的高度间距。
S102、根据所述舱体加强筋的初始结构参数和所述舱体的性能参数，构建对应的样本数据。
本申请所述样本数据可表示为参数向量，其包括多组样本向量或参数向量。每组所述样本向量中均包括有所述舱体加强筋的初始结构参数和所述舱体的性能参数。
S103、根据所述样本数据，对待优化的舱体加强筋模型进行参数优化，得到所述舱体加强筋模型的最优结构参数。
本申请涉及的所述最优结构参数包括但不限于所述舱体在飞行状态下的形变Δε(其单位可为毫米，mm)、所述舱体在飞行状态下的应力P(其单位可为MPa)和所述舱体在静止状态下的舱体质量M(其单位可为千克，kg)。
在一具体实现方式中，本申请可采用遗传算法(例如改进樽海鞘群算法)对每组样本向量进行适应度计算，从而得到所述遗传算法中各个体的适应度值。具体地例如本申请可根据遗传算法，采用预配的适应度函数对每组所述样本向量进行适应度计算，从而得到各个体的适应度值。进一步本申请可将从中的最优适应度所对应的个体位置确定为所述舱体加强筋的当前最优参数。其中，所述最优适应度为所述各(樽海鞘)个体的适应度值中的最优值，通常该最优值为遗传算法根据实际需求自定义选取的。
进一步本申请可采用引力算法对所述当前最优参数进行位置更新，并修正/更新所述样本向量中的参数个数，重复执行所述采用遗传算法对每组所述样本向量进行适应度计算的步骤，直至重复次数达到预设迭代次数结束。其中，所述位置更新的具体实施方式本申请不做限定，以所述最优适应度所对应的个体位置为所述遗传算法中第i个体所在的个体位置为例，本申请能根据各(樽海鞘)个体的适应度值，计算所述遗传算法中第i个体和所述第j个体各自的惯性质量。然后根据所述遗传算法中第i个体和第j个体各自的惯性质量，计算在设定时刻(如t时刻)下所述第i个体和所述第j个体之间的引力值。然后根据所述引力值，计算所述第i个体在设定维度下受到的合力值，所述设定维度为根据所述样本向量确定的。
进一步本申请还可根据所述合力值和所述第i个体的惯性质量，计算所述第i个体在设定时刻下的加速度。及根据所述合力值来更新所述第i个体的当前位置等。最后，本申请可将所述达到预设迭代次数时确定的所述当前最优参数，确定为所述最优结构参数。
具体实现中，本申请在改进樽海鞘群算法中先初始化种群参数，然后随机初始化每组样本向量(也可称为参数向量)和当前最优的舱体加强筋结构参数，简称为当前最优参数F。其中，所述种群参数为算法中自定义设置的，例如种群个数为N、每组参数向量的辨识范围的上限值ub和下限值lbj(即每组样本向量中的参数个数)、搜索空间的维度D(即结构参数的维度)和算法中的最大迭代次数Tm。最忌初始化产生的种群位置，其表示如下公式(1)所示：
Figure BDA0003690749880000081
其中，
Figure BDA0003690749880000082
表示第i个樽海鞘在第j维空间中的位置，i为小于或等于N的正整数，j为小于或等于D的正整数。
进一步，本申请在算法中计算每个樽海鞘个体的适应度值，将最优适应度值所对应的个体位置确定为当前最优的舱体加强筋结构参数F，即当前最优参数。具体地在算法计算过程中，本申请可将诸如舱体在飞行状态下的形变Δε、所述舱体在飞行状态下的应力P和所述舱体在静止状态下的舱体质量M等结构参数的实验测试值与算法计算的仿真值进行差值运算，并加入权重因子，得到相应的适应度函数，其如下公式(2)所示：
F＝λ1|Mmax-M0|+λ2|Δεmax-Δε0|+λ3|Pmax-P0|
Figure BDA0003690749880000083
其中，Mmax表示舱体在静止状态下的最大舱体质量、Δεmax表示舱体在飞行状态下的最大形变量、Pmax表示舱体在飞行状态下的最大应力值。M0、Δε0和P0均表示通过仿真计算得到的静止状态下的最大舱体质量、飞行状态下的最大形变量和飞行状态下的最大应力值。λ1、λ2和λ3分别表示M、Δε和P的权重因子，且λ1+λ2+λ3＝1，它们可为根据系统实际需求进行自定义设置的。
可选地，当
Figure BDA0003690749880000091
时，表示舱体质量M、舱体在飞行状态下的形变量Δε和在飞行状态下的应力值P这三者对于舱体整体性能同等重要。
进一步，本申请还可引入引力算法，更新第一组参数向量(即样本向量)，将这组参数向量定义为首组参数向量。
具体地以第i个樽海鞘个体为例，本申请可根据每个适应度值的优劣，更新第i个樽海鞘个体的惯性质量Mi(t)，如下公式(3)所示：
Figure BDA0003690749880000092
其中，fiti(t)是t时刻舱体加强筋的结构参数。best(t)和worst(t)分别是t时刻舱体加强筋的最优结构参数(值)和最差结构参数(值)。
接着，本申请可计算任意两个樽海鞘个体之间的引力大小，其计算如下公式(4)所示：
Figure BDA0003690749880000093
其中，Mi(t)和Mj(t)分别是t时刻樽海鞘个体i和j的惯性质量。ε是一个常量。Rij(t)是t时刻樽海鞘个体i和j之间的欧式距离。
Figure BDA0003690749880000094
和
Figure BDA0003690749880000095
分别表示t时刻d个樽海鞘个体在i维和j维空间下的位置。G(t)为t时刻的引力系数，表示为如下公式(5)所示：
Figure BDA0003690749880000101
其中，G0为引力系数初值，取值例如为100。α为衰减系数，取值例如为20。
接着，本申请可定义在d维空间上粒子i受到的合力Fi d(t)，其表达式如下公式(6)所示：
Figure BDA0003690749880000102
其中，rand(0,1)是[0,1]中的一个随机数。
进一步，本申请可根据牛顿第二定律，定义t时刻第d维空间上樽海鞘个体i的加速度
Figure BDA0003690749880000103
其表达式如下公式(7)所示：
Figure BDA0003690749880000104
然后，本申请更新第一组参数向量，具体如下公式(8)所示：
Figure BDA0003690749880000105
其中，
Figure BDA0003690749880000106
表示第j个领导者樽海鞘个体在第i维空间的位置。ubi和lbi分别表示第i维位置对应的上限值和下限值。Fi表示食物源在第i维空间的位置。系数r1定义为如下公式(9)所示：
Figure BDA0003690749880000107
其中，t表示当前迭代次数。Tm表示最大迭代次数。系数r2和r3是在[0,1]范围内的随机数，r3用于指示下一个位置的移动方向。
本申请在确定到首组参数向量后，可更新跟随者樽海鞘个体的当前位置，并修正或更新所述参数向量的辨识范围的上下限值，其目的旨在为了使每个樽海鞘个体不超过参数向量的辨识范围。然后，在改进樽海鞘群算法中根据所述当前位置来重新计算每个樽海鞘个体的适应度值，更新当前最优的舱体加强筋结构参数F。并判断当前计算次数是否达到预设的最大迭代次数Tm。如果是，则可输出最优的舱体加强筋结构参数F；若否，则继续执行重复执行上述在算法中计算每个樽海鞘个体的适应度值的步骤。直至输出达到最大迭代次数时的最优舱体加强筋结构参数(简称为最优结构参数)。
可以看出：本申请以樽海鞘群算法为基础，通过在更新樽海鞘群领导者位置公式的地方引入引力算法，能够提高每组参数向量搜索范围的有效性，进而提高参数向量的搜索性能，有效的对舱体加强筋结构参数进行全局搜索，实现对舱体加强筋的整体优化，一定程度上能提升舱段的整体性能，且稳定性高。
通过实施本申请实施例，本申请对所述舱体加强筋的初始结构参数进行性能分析，得到所述舱体加强筋所在舱体的性能参数；根据所述舱体加强筋的初始结构参数和所述舱体的性能参数，构建对应的样本数据；根据所述样本数据，对待优化的舱体加强筋模型进行参数优化，得到所述舱体加强筋模型的最优结构参数。上述方案中，本申请能依据舱体加强筋的初始结构参数和性能参数对待优化的舱体加强筋模型进行参数优化，以分析出舱体加强筋模型的最优结构参数，便于后续采用最优结构参数来制造舱体舱段，有利于提升舱段的整体性能和稳定性，同时也解决了现有技术中由于舱体结构参数精度不高、导致舱体舱段制造的性能和稳定性受影响等技术问题。
基于同一发明构思，本申请另一实施例提供一种实施本申请实施例中所述舱体加强筋的优化方法对应的装置和终端设备。
请参见图4，是本申请实施例提供的一种舱体加强筋的优化装置的结构示意图。如图4所示的装置40包括：分析模块401、构建模块402和优化模块403，其中：
所述分析模块401，用于对所述舱体加强筋的初始结构参数进行性能分析，得到所述舱体加强筋所在舱体的性能参数；
所述构建模块402，用于根据所述舱体加强筋的初始结构参数和所述舱体的性能参数，构建对应的样本数据；
所述优化模块403，用于根据所述样本数据，对待优化的舱体加强筋模型进行参数优化，得到所述舱体加强筋模型的最优结构参数。
可选地，所述样本数据包括多组样本向量，每组所述样本向量均包括所述初始结构参数和所述性能参数，所述优化模块403具体用于：
采用遗传算法对每组所述样本向量进行适应度计算，并将最优适应度所对应的个体位置确定为所述舱体加强筋的当前最优参数，所述最优适应度为所述适应度计算得到的各个体的适应度值中的最优值；
采用引力算法对所述当前最优参数进行位置更新，并更新所述样本向量中的参数个数，重复执行所述采用遗传算法对每组所述样本向量进行适应度计算的步骤，直至重复次数达到预设迭代次数结束；
将所述达到预设迭代次数时确定的所述当前最优参数，确定为所述最优结构参数。
可选地，所述优化模块403具体用于：
根据遗传算法，采用预配的适应度函数对每组所述样本向量进行适应度计算。
可选地，若所述最优适应度所对应的个体位置为所述遗传算法中第i个体所在的个体位置，则所述优化模块403还具体用于：
根据所述遗传算法中第i个体和第j个体各自的惯性质量，计算在设定时刻下所述第i个体和所述第j个体之间的引力值；
根据所述引力值，计算所述第i个体在设定维度下受到的合力值，所述设定维度为根据所述样本向量确定的；
根据所述合力值，更新所述第i个体的当前位置。
可选地，所述优化模块403还用于：
所述计算在设定时刻下所述第i个体和所述第j个体之间的引力值之前，
可选地，所述根据所述引力值，计算所述第i个体在设定维度下受到的合力值之后，所述优化模块403还用于：
根据所述合力值和所述第i个体的惯性质量，计算所述第i个体在设定时刻下的加速度。
可选地，所述分析模块401具体用于：
利用有限元模型对所述舱体加强筋的初始结构参数进行仿真和性能分析，得到所述舱体加强筋的性能参数。
请一并参见5，是本申请实施例提供的一种终端设备的结构示意图。如图5所示的终端设备50包括：至少一个处理器501、通信接口502、用户接口503和存储器504，处理器501、通信接口502、用户接口503和存储器504可通过总线或者其它方式连接，本发明实施例以通过总线505连接为例。其中，
处理器501可以是通用处理器，例如中央处理器(Central Processing Unit，CPU)。
通信接口502可以为有线接口(例如以太网接口)或无线接口(例如蜂窝网络接口或使用无线局域网接口)，用于与其他终端或网站进行通信。本发明实施例中，通信接口502具体用于获取舱体的性能参数等。
用户接口503具体可为触控面板，包括触摸屏和触控屏，用于检测触控面板上的操作指令，用户接口503也可以是物理按键或者鼠标。用户接口503还可以为显示屏，用于输出、显示图像或数据。
存储器504可以包括易失性存储器(Volatile Memory)，例如随机存取存储器(Random Access Memory，RAM)；存储器也可以包括非易失性存储器(Non-VolatileMemory)，例如只读存储器(Read-Only Memory，ROM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)；存储器504还可以包括上述种类的存储器的组合。存储器504用于存储一组程序代码，处理器501用于调用存储器504中存储的程序代码，执行如下操作：
对所述舱体加强筋的初始结构参数进行性能分析，得到所述舱体加强筋所在舱体的性能参数；
根据所述舱体加强筋的初始结构参数和所述舱体的性能参数，构建对应的样本数据；
根据所述样本数据，对待优化的舱体加强筋模型进行参数优化，得到所述舱体加强筋模型的最优结构参数。
可选地，所述样本数据包括多组样本向量，每组所述样本向量均包括所述初始结构参数和所述性能参数，所述根据所述样本数据，对待优化的舱体加强筋模型进行参数优化，得到所述舱体加强筋模型的最优结构参数包括：
采用遗传算法对每组所述样本向量进行适应度计算，并将最优适应度所对应的个体位置确定为所述舱体加强筋的当前最优参数，所述最优适应度为所述适应度计算得到的各个体的适应度值中的最优值；
采用引力算法对所述当前最优参数进行位置更新，并更新所述样本向量中的参数个数，重复执行所述采用遗传算法对每组所述样本向量进行适应度计算的步骤，直至重复次数达到预设迭代次数结束；
将所述达到预设迭代次数时确定的所述当前最优参数，确定为所述最优结构参数。
可选地，所述采用遗传算法对每组所述样本向量进行适应度计算包括：
根据遗传算法，采用预配的适应度函数对每组所述样本向量进行适应度计算。
可选地，若所述最优适应度所对应的个体位置为所述遗传算法中第i个体所在的个体位置，则所述采用引力算法对所述当前最优参数进行位置更新包括：
根据所述遗传算法中第i个体和第j个体各自的惯性质量，计算在设定时刻下所述第i个体和所述第j个体之间的引力值；
根据所述引力值，计算所述第i个体在设定维度下受到的合力值，所述设定维度为根据所述样本向量确定的；
根据所述合力值，更新所述第i个体的当前位置。
可选地，所述计算在设定时刻下所述第i个体和所述第j个体之间的引力值之前，所述方法还包括：
根据所述适应度计算得到的各个体的适应度值，计算所述第i个体和所述第j个体各自的惯性质量。
可选地，所述根据所述引力值，计算所述第i个体在设定维度下受到的合力值之后，所述方法还包括：
根据所述合力值和所述第i个体的惯性质量，计算所述第i个体在设定时刻下的加速度。
可选地，所述对所述舱体加强筋的初始结构参数进行性能分析，得到所述舱体加强筋的性能参数包括：
利用有限元模型对所述舱体加强筋的初始结构参数进行仿真和性能分析，得到所述舱体加强筋的性能参数。
关于本申请实施例中未介绍或未描述的内容可对应参考前述方法实施例中的相关介绍，这里不再赘述。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：本申请对所述舱体加强筋的初始结构参数进行性能分析，得到所述舱体加强筋所在舱体的性能参数；根据所述舱体加强筋的初始结构参数和所述舱体的性能参数，构建对应的样本数据；根据所述样本数据，对待优化的舱体加强筋模型进行参数优化，得到所述舱体加强筋模型的最优结构参数。上述方案中，本申请能依据舱体加强筋的初始结构参数和性能参数对待优化的舱体加强筋模型进行参数优化，以分析出舱体加强筋模型的最优结构参数，便于后续采用最优结构参数来制造舱体舱段，有利于提升舱段的整体性能和稳定性，同时也解决了现有技术中由于舱体结构参数精度不高、导致舱体舱段制造的性能和稳定性受影响等技术问题。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种舱体加强筋的优化方法，其特征在于，所述方法包括：
对所述舱体加强筋的初始结构参数进行性能分析，得到所述舱体加强筋所在舱体的性能参数；
根据所述舱体加强筋的初始结构参数和所述舱体的性能参数，构建对应的样本数据；
根据所述样本数据，对待优化的舱体加强筋模型进行参数优化，得到所述舱体加强筋模型的最优结构参数。
2.根据权利要求1所述的方法，其特征在于，所述样本数据包括多组样本向量，每组所述样本向量均包括所述初始结构参数和所述性能参数，所述根据所述样本数据，对待优化的舱体加强筋模型进行参数优化，得到所述舱体加强筋模型的最优结构参数包括：
采用遗传算法对每组所述样本向量进行适应度计算，并将最优适应度所对应的个体位置确定为所述舱体加强筋的当前最优参数，所述最优适应度为所述适应度计算得到的各个体的适应度值中的最优值；
采用引力算法对所述当前最优参数进行位置更新，并更新所述样本向量中的参数个数，重复执行所述采用遗传算法对每组所述样本向量进行适应度计算的步骤，直至重复次数达到预设迭代次数结束；
将所述达到预设迭代次数时确定的所述当前最优参数，确定为所述最优结构参数。
3.根据权利要求2所述的方法，其特征在于，所述采用遗传算法对每组所述样本向量进行适应度计算包括：
根据遗传算法，采用预配的适应度函数对每组所述样本向量进行适应度计算。
4.根据权利要求2所述的方法，其特征在于，若所述最优适应度所对应的个体位置为所述遗传算法中第i个体所在的个体位置，则所述采用引力算法对所述当前最优参数进行位置更新包括：
根据所述遗传算法中第i个体和第j个体各自的惯性质量，计算在设定时刻下所述第i个体和所述第j个体之间的引力值；
根据所述引力值，计算所述第i个体在设定维度下受到的合力值，所述设定维度为根据所述样本向量确定的；
根据所述合力值，更新所述第i个体的当前位置。
5.根据权利要求4所述的方法，其特征在于，所述计算在设定时刻下所述第i个体和所述第j个体之间的引力值之前，所述方法还包括：
根据所述适应度计算得到的各个体的适应度值，计算所述第i个体和所述第j个体各自的惯性质量。
6.根据权利要求1所述的方法，其特征在于，所述根据所述引力值，计算所述第i个体在设定维度下受到的合力值之后，所述方法还包括：
根据所述合力值和所述第i个体的惯性质量，计算所述第i个体在设定时刻下的加速度。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述对所述舱体加强筋的初始结构参数进行性能分析，得到所述舱体加强筋的性能参数包括：
利用有限元模型对所述舱体加强筋的初始结构参数进行仿真和性能分析，得到所述舱体加强筋的性能参数。
8.一种舱体加强筋的优化装置，其特征在于，所述装置包括：分析模块、构建模块和优化模块，其中：
所述分析模块，用于对所述舱体加强筋的初始结构参数进行性能分析，得到所述舱体加强筋所在舱体的性能参数；
所述构建模块，用于根据所述舱体加强筋的初始结构参数和所述舱体的性能参数，构建对应的样本数据；
所述优化模块，用于根据所述样本数据，对待优化的舱体加强筋模型进行参数优化，得到所述舱体加强筋模型的最优结构参数。
9.一种终端设备，其特征在于，所述终端设备包括：处理器、存储器、通信接口和总线；所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信；所述存储器存储可执行程序代码；所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行如上权利要求1-7中任一项所述的舱体加强筋的优化方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序，当所述程序运行在终端设备时执行如上权利要求1-7中任一项所述的舱体加强筋的优化方法。
CN202210661632.7A 2022-06-13 2022-06-13 舱体加强筋的优化方法、装置、设备及介质 Pending CN114912331A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210661632.7A CN114912331A (zh) 2022-06-13 2022-06-13 舱体加强筋的优化方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210661632.7A CN114912331A (zh) 2022-06-13 2022-06-13 舱体加强筋的优化方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN114912331A true CN114912331A (zh) 2022-08-16

Family

ID=82771433

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210661632.7A Pending CN114912331A (zh) 2022-06-13 2022-06-13 舱体加强筋的优化方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114912331A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024036646A1 (zh) * 2022-08-17 2024-02-22 四川汉舟电气股份有限公司 电力房舱底架强度测定方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024036646A1 (zh) * 2022-08-17 2024-02-22 四川汉舟电气股份有限公司 电力房舱底架强度测定方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN107392255B (zh) 少数类图片样本的生成方法、装置、计算设备及存储介质
CN105051741B (zh) 并行局部序列对齐
CN108335313A (zh) 图像分割方法及装置
Akiyama et al. A max-margin training of RNA secondary structure prediction integrated with the thermodynamic model
Örkcü et al. Estimating the parameters of 3-p Weibull distribution using particle swarm optimization: A comprehensive experimental comparison
CN105469145B (zh) 一种基于遗传粒子群算法的智能组卷方法
JP5954750B2 (ja) 情報処理装置、情報処理方法、及びプログラム
CN110032682B (zh) 一种信息推荐列表生成方法、装置及设备
CN111144555A (zh) 基于改进进化算法的循环神经网络架构搜索方法、系统及介质
CN111105029A (zh) 神经网络的生成方法、生成装置和电子设备
CN109871934A (zh) 基于Spark分布式的并行二进制飞蛾扑火算法的特征选择方法
CN114912331A (zh) 舱体加强筋的优化方法、装置、设备及介质
CN113221475A (zh) 一种用于高精度流场分析的网格自适应方法
CN108062585A (zh) 一种基于飞蛾扑火算法计算函数最值的方法
CN110888728B (zh) 一种Kettle集群服务器的任务调度方法
KR101522306B1 (ko) 유사도 특성을 이용한 메타휴리스틱 알고리즘에 기반한 시스템 및 그 제어방법
CN110349675A (zh) 一种心血管疾病预测设备及装置
EP4272216A1 (en) Protein structure prediction
CN104090932B (zh) 一种内容推荐方法及装置
CN109783769B (zh) 一种基于用户项目评分的矩阵分解方法和装置
CN105760965A (zh) 预估模型参数的训练方法、服务质量预估方法及对应装置
CN105643944B (zh) 一种3d打印机稳定控制方法及控制系统
CN111338757A (zh) 能量优化的虚拟机部署方法及系统
CN110674860A (zh) 基于邻域搜索策略的特征选择方法、存储介质和终端
CN113191527A (zh) 一种基于预测模型进行人口预测的预测方法及装置

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