CN114996995A - 一种超材料隔振单元性能预报方法和系统 - Google Patents

一种超材料隔振单元性能预报方法和系统 Download PDF

Info

Publication number
CN114996995A
CN114996995A CN202210554012.3A CN202210554012A CN114996995A CN 114996995 A CN114996995 A CN 114996995A CN 202210554012 A CN202210554012 A CN 202210554012A CN 114996995 A CN114996995 A CN 114996995A
Authority
CN
China
Prior art keywords
precision
low
model
performance
variable
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.)
Granted
Application number
CN202210554012.3A
Other languages
English (en)
Other versions
CN114996995B (zh
Inventor
周奇
林泉
蒋平
程远胜
胡杰翔
刘华坪
龚林涛
罗荣敏
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and 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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202210554012.3A priority Critical patent/CN114996995B/zh
Publication of CN114996995A publication Critical patent/CN114996995A/zh
Application granted granted Critical
Publication of CN114996995B publication Critical patent/CN114996995B/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]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种超材料隔振单元性能预报方法和系统，属于超材料隔振单元性能预报技术领域。包括：利用有限元仿真分别生成第一训练样本集对应高精度性能响应和第二训练样本集对应多个低精度性能响应，第二训练样本集大于第一训练样本集；将性能响应训练集和待测样本集一起输入变可信度多输出代理模型，得到训练好的变可信度多输出代理模型，变可信度多输出代理模型包括一个变可信度多输出高精度代理模型和多个不可分层低精度代理模型，差异函数在各待测样本点的波动最小；采用训练好的变可信度多输出代理模型，在待测样本集处进行预测，得到性能预报结果。本发明充分利用多个不可分层低精度模型的信息及输出之间潜在关联，提高代理模型的预测精度。

Description

一种超材料隔振单元性能预报方法和系统
技术领域
本发明属于超材料隔振单元性能预报技术领域，更具体地，涉及一种 超材料隔振单元性能预报方法和系统。
背景技术
机械设备的振动不仅会产生有害噪音，并且可能导致设备周期性疲劳， 对机械设备的强度、性能和寿命产生严重影响。采用隔振单元进行隔振是 减弱机械设备振动传递的一种有效方法，近年来也受到广泛应用。传统的 橡胶隔振单元受温度等因素的影响较大，容易老化和产生蠕变，无法满足 某些特定的隔振应用场景和需求。超材料是一类具有超常物理性质的材料， 通过调节其微观结构可以改变材料的宏观物理性能，具有良好的阻燃、耐 高低温等性能，在减振和隔振方面具有良好的应用前景。
超材料隔振单元的结构尺寸和材料参数对隔振单元的性能有很大的影 响。然而，超材料隔振单元的性能指标与这些影响参数之间的关系往往是 非线性关系，并且没有显示表达式，属于“黑箱问题”。如果仅凭设计师 的经验进行设计，不仅开发周期长、设计成本高，并且无法确定设计结果 是否效果最佳。对于此类“黑箱问题”，其中一种有效解决办法是通过少 量样本点建立代理模型，从而对未知设计方案进行预测，能够有效节约计 算成本，提高设计效率。其中，变可信度代理模型由于能够有效权衡高/低 精度模型成本受到越来越广泛的应用。
然而，现有的变可信度代理模型在超材料隔振单元性能预报应用中仍 存在着预报效率较低的技术问题。其原因存在于两点。一方面，对于存在 多个低精度模型的场景，现有的变可信度代理模型假设各模型之间存在明 显的精度层级，因此采用一种递归的方式建立模型。然而在工程实际问题 中，模型的精度等级通常是难以区分的，因此现有的变可信度代理模型难 以处理多个低精度模型不可分层的应用场景，不能将多个低精度模型的信 息有效利用。另一方面，现有的变可信度代理模型往往只能对输出性能响 应单独建模，而我们通常可能对多个性能响应感兴趣。如果采用现有的变 可信度模型对多个输出性能响应单独建模，则人为地割裂了个输出响应之 间的相关性，可能会导致某些有用信息的丢失。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种超材料隔振单元 性能预报方法和系统，其目的在于充分利用多个不可分层低精度模型的信 息及输出之间的潜在相关信息，以提高代理模型的预测精度。
为实现上述目的，按照本发明的第一方面，提供了一种超材料隔振单 元性能预报方法，该方法包括：
获取待预报超材料隔振单元的设计变量、所述设计变量的变化范围、 待预报性能响应变量、第一训练样本集大小、第二训练样本集大小及待测 样本集，所述待预报性能响应变量为多个，所述第二训练样本集的大小大 于第一训练样本集大小，所述待测样本集包括多个由所述设计变量的维度 确定的待测样本点；
在所述设计变量的变化范围内生成指定大小的第一训练样本集和第二 训练样本集，各训练样本集包括多个由所述设计变量的维度确定的训练样 本点；
利用有限元仿真分别生成第一训练样本集中每个训练样本点对应的高 精度性能响应和第二训练样本集中每个训练样本点对应的多个低精度性能 响应；
将性能响应训练集和待测样本集一起输入至变可信度多输出代理模型， 得到训练好的变可信度多输出代理模型，所述性能响应训练集包括多个由 训练样本点和相应有限元仿真结果组成的性能响应训练样本，所述变可信 度多输出代理模型包括一个变可信度多输出高精度代理模型和多个不可分 层低精度代理模型，差异函数在各待测样本点的波动最小，所述差异函数 为变可信度多输出高精度模型与加权求和后的不可分层低精度模型的差异；
采用训练好的变可信度多输出代理模型，在待测样本集处进行预测， 得到性能预报结果。
优选地，所述变可信度多输出代理模型的数学表达形式如下：
Figure BDA0003654159000000031
其中，
Figure BDA0003654159000000032
为变可信度多输出高精度代理模型，
Figure BDA0003654159000000033
为第k个不可分 层低精度代理模型，k＝1,2,…,N，ρk为第k个不可分层低精度代理模型对 应的权重系数，yd(x)为差异函数，N为不可分层低精度代理模型的个数，x为 设计变量，上标∧为表示预测值。
优选地，对于ρ的求解，使差异函数在各待测样本点的波动最小，通过 最小化差异函数在待测样本点处的均方二阶偏导数求得，优化问题数学模 型为：
findρ＝[ρ1，…,ρN]
Figure BDA0003654159000000034
其中，G为差异函数在待测样本点处的均方二阶偏导数，nt为待测样本 点数量，m为设计变量个数，x(t)为第t个待测样本点，
Figure BDA0003654159000000035
为第t个待测样 本点的第i个设计变量。
优选地，各不可分层低精度模型服从Q维高斯过程，第k个不可分层低 精度模型所对应的多输出高斯过程模型的数学表达式为：
Figure BDA0003654159000000041
其中，
Figure BDA0003654159000000042
为回归函数，通常取为1；
Figure BDA0003654159000000043
为回归系数；
Figure BDA0003654159000000044
为低精度样本点与待测样本点之间的协方差向量，
Figure BDA0003654159000000045
为不同低精度输入之 间的协方差矩阵，
Figure BDA0003654159000000046
为第k个不可分层低精度模型在低精度样本点处的性 能响应，Q为待预报性能响应变量的数量。
优选地，差异函数服从Q维高斯过程，数学表达式为：
Figure BDA0003654159000000047
其中，Fd为回归函数，通常取为1；
Figure RE-GDA0003727390580000048
为回归系数；rd(x)为高精度样本点与待测样本点之间的协方差向量，Rd为不同高精度输入之间的协方差矩阵，
Figure RE-GDA0003727390580000049
为高精度样本点Xh处高精度响应Yh与加 权求和后的低精度响应的差异值，Q为待预报性能响应变量的数量。
优选地，采用高精密网格与高载荷步有限元仿真生成训练样本点对应 的高精度性能响应，采用采用粗网格和高载荷步有限元仿真、精密网格和 低载荷步有限元仿真生成训练样本点对应的两个低精度性能响应。
优选地，采用拉丁超立方采样在所述设计变量的变化范围内生成指定 大小训练样本集。
为实现上述目的，按照本发明的第二方面，提供了一种超材料隔振单 元性能预报系统，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令， 执行第一方面所述的超材料隔振单元性能预报方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效 果：
本发明提供了一种超材料隔振单元性能预报方法，通过多个低精度不 可分层的变可信度多输出代理模型预测多输出，捕获输出之间的潜在相关 性，以充分利用输出之间的有用信息，能够处理多个不可分层低精度模型 的场景，进一步提高模型的预测精度；该方法操作简捷，灵活方便，可有 效处理多输入多输出问题，只需给定所述样本点及其性能响应，即可得到 感兴趣的多个隔振单元性能参数的预测值。基于多个低精度不可分层的变可信度多输出代理模型，能够快速准确地对超材料隔振单元的性能参数进 行预报，所需的计算量小、计算成本低、预测准确性高，有效地缩短了超 材料隔振单元的设计周期和开发成本，提高了设计效率。
附图说明
图1为本发明提供的一种超材料隔振单元性能预报方法流程示意图；
图2为本发明实施例提供的超材料隔振单元的三维几何模型示意图；
图3为本发明实施例提供的超材料隔振单元单胞的几何结构示意图；
图4为本发明实施例提供的超材料隔振单元的有限元模型；
图5为本发明实施例提供的高精度模型细网格与低精度模型1粗网格 局部示意图，其中，(a)为高精度模型细网格，(b)为低精度模型1粗网 格。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图 及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体 实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的 本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可 以相互组合。
如图1所示，本发明提供一种超材料隔振单元性能预报方法，其基于 变可信度多输出代理模型，该方法包括：
S11、获取待预报超材料隔振单元的设计变量、设计空间以及待预报性 能响应信息。
如图2所示，本实施例中超材料隔振单元由带圆角的六角形单胞蜂窝 状排列(3行4列)构成。本实施例中选取的设计变量为隔振单元单胞的斜 臂长度L、竖梁厚度Th、斜梁厚度Tl及材料的杨氏模量E，设计变量个数 m＝4。
如图3所示，所述单胞的主要几何参数有：斜臂长度L，斜臂与水平线 的夹角α，斜臂厚度Tl，竖梁臂厚度Th，斜臂中心的高度差h，胞元内倒 圆半径R及胞元深度D。隔振单元沿水平方向两侧加厚尺寸设置为0.5Th。 其中，斜臂中心的高度差h可通过如下公式计算：
Figure BDA0003654159000000061
超材料隔振单元的竖向总高度H计算公式为：
Figure BDA0003654159000000062
其中，l＝0.125(L-Th)/cos(α)。
设计空间即为设计变量的变化范围所组成的空间，可根据实际需求进 行设定。在本实施例中，上述待预报超材料隔振单元的设计变量为隔振单 元单胞的斜臂长度L、竖梁厚度Th、斜梁厚度Tl及材料的杨氏模量E，设 计变量个数m＝4，设计空间如表1所示：
Figure BDA0003654159000000063
表1
本实施例中选取的待预报性能响应为最大应变εmax、横纵刚度比 Rk＝Kzx/Kzz及额定载荷静变形与可变形量比值Rx＝X0/Kr，性能响应个数Q＝3。
S12、获取所需高/低精度样本点和测试点数量，并采用空间填充准则在 设计空间内建立高/低精度样本点和测试点位置。
所述高/低精度样本点和测试点位置可分别表示为
Figure BDA0003654159000000071
Figure BDA0003654159000000072
Figure BDA0003654159000000073
其中，nh/nl和nt为高/低精度样本点和测试点数量，通常情况下可根据 设计变量的维度进行确定；本实施例中空间填充准则采用拉丁超立方采样， 但不限于该方法。
S13、根据待预报超材料隔振单元的受载情况，建立有限元模型，并获 取高精度模型和多个不可分层低精度模型。
通常情况下，超材料隔振单元的受载情况为超材料隔振单元在正常工 况下所受到的载荷通常为竖向载荷，由于隔振单元几何模型是竖向拉伸形 成的，在竖向压力载荷作用下的压缩变形可视为平面应变问题，因此本实 施例中采用plane182单元为网格的二维平面模型。本领域技术人员可以理 解，上述有限元模型建立可参照本领域中对于有限元方法同等理解，本说 明书不再详述。高/低精度模型通常可根据网格密度、仿真迭代次数、施加 载荷步步数等划分。
S14、通过有限元仿真获取高/低精度样本点和测试点处的性能响应。
本实例采用大型通用有限元仿真软件ANSYS进行有限元仿真，所对应 的性能响应表示为
Figure BDA0003654159000000074
Figure BDA0003654159000000075
Figure BDA0003654159000000076
其中，
Figure BDA0003654159000000077
及
Figure BDA0003654159000000078
分别为高/低精度样本点及测试点所对应的性能响应， Q为性能响应的个数，N为不可分层低精度模型的个数。
S15、基于所述高/低精度样本点和性能响应，通过多个低精度不可分层 的变可信度多输出建模方法建立代理模型。
具体地，所述多个低精度不可分层的变可信度多输出代理模型可表示 为：
Figure BDA0003654159000000081
其中，yH(x)为所述多个低精度不可分层的变可信度多输出代理模型，
Figure BDA0003654159000000082
为第k个低精度模型，ρk为第k个低精度模型对应的权重系数，yd(x) 为差异模型，N为不可分层低精度模型的个数；所述多个低精度不可分层 的变可信度多输出代理模型及低精度模型均包含Q个性能响应。具体建模 过程如下：
①根据低精度样本点及其性能响应构建N个低精度多输出高斯过程模 型
Figure BDA0003654159000000083
k＝1,…,N。
设低精度模型服从Q维高斯过程
Figure BDA0003654159000000084
其中，
Figure BDA0003654159000000085
为第k个低精度模型对应的Q个性能响应；
Figure BDA0003654159000000086
为回 归函数，通常可取为1；
Figure BDA0003654159000000087
为回归系数；
Figure BDA0003654159000000088
表示Kronecker积；
Figure BDA0003654159000000089
为表征输出之间协相关系数的Q×Q矩阵；
Figure BDA00036541590000000810
为表征不同输入之间 的协方差矩阵，常用的协方差函数为高斯相关函数
Figure BDA00036541590000000811
Figure BDA00036541590000000812
及
Figure BDA00036541590000000813
为超参数，统一称为
Figure BDA00036541590000000814
为了计算未知超参数
Figure BDA00036541590000000815
采用极大似然估计方法，似然函数可表示为：
Figure BDA00036541590000000816
Figure BDA00036541590000000817
其中，vec()为矩阵向量化算子。将似然函数转化为对数形式，即对 数似然函数可表示为：
Figure BDA00036541590000000818
Figure BDA00036541590000000819
令对数似然函数关于
Figure BDA0003654159000000091
与
Figure BDA0003654159000000092
的偏导数为0，可得：
Figure BDA0003654159000000093
Figure BDA0003654159000000094
其中，
Figure BDA0003654159000000095
为第k个低精度模型在低精度样本点处 的性能响应。由于对数似然函数关于
Figure BDA0003654159000000096
的偏导数无法解析求得，将
Figure BDA0003654159000000097
和
Figure BDA0003654159000000098
代入对数似然函数，并通过Hooke&Jeeves模式搜索法求得。
获得所有超参数后，第k个低精度模型所对应的多输出高斯过程模型 的数学表达式为
Figure BDA0003654159000000099
其中，
Figure BDA00036541590000000910
为低精度样本点与测试点之间的协方差向量。
②计算高精度样本点Xh处高精度响应与加权求和后的低精度响应的差 异值
Figure BDA00036541590000000911
其中，
Figure BDA00036541590000000912
为高精度模型观测值所对应 的nh×Q维矩阵，
Figure BDA00036541590000000913
为第k个低精度模型在Xh处所对应的观测值。
③根据差异值构建多输出高斯过程模型。具体建模过程如下：
与低精度模型类似，同样假设差异函数服从Q维高斯过程
Figure BDA00036541590000000914
差异模型的建模过程与低精度模型类似，不同 之处在于需要求解额外的未知参数ρ＝[ρ1,…,ρN]；对于ρ的求解，使差异函 数在各待测样本点的波动最小，通过最小化差异函数在测试点处的均方二 阶偏导数求得，优化问题数学模型为
findρ＝[ρ1,…,ρN]
Figure BDA00036541590000000915
其中，nt为测试点数量，m为设计变量个数；对于高斯相关函数，其二 阶偏导数为：
Figure BDA00036541590000000916
上述优化问题可采用fmincon函数的内点法进行求解，最大迭代次数设 为100，其余参数采用默认设置。
与低精度模型类似，Bd、∑d及qd为超参数，统一称为qd，采用极大似 然估计方法求解，似然函数为：
Figure BDA0003654159000000101
转化为对数似然函数：
Figure BDA0003654159000000102
qd的求解过程与低精度模型超参数
Figure BDA0003654159000000103
的求解方式类似，此处不再赘述。
④构建多个低精度不可分层的变可信度多输出代理模型。完成低精度 模型与差异模型的构建后，所述多个低精度不可分层的变可信度多输出代 理模型表示为
Figure BDA0003654159000000104
S16、利用所构建的多个低精度不可分层的变可信度多输出代理模型对 超材料隔振单元性能进行预报。
可以理解，利用所构建的多个低精度不可分层的变可信度多输出代理 模型，只要给定任意测试点位置就能得到相应的预测值，从而实现超材料 隔振单元性能快速预报。
上述基于变可信度多输出代理模型的超材料隔振单元性能预报方法， 通过获取待预报超材料隔振单元的设计变量、设计空间以及待预报性能响 应，采用空间填充准则在设计空间内建立高/低精度样本点和测试点位置， 根据待预报超材料隔振单元的受载情况建立有限元模型，并获取高精度模 型和多个不可分层低精度模型，通过有限元仿真获取高/低精度样本点和测 试点处的性能响应，基于所获得样本点及其响应，通过多个低精度不可分 层的变可信度多输出建模方法建立代理模型，最终对超材料隔振单元性能 进行预报。
所述基于变可信度多输出代理模型的超材料隔振单元性能预报方法基 于多个低精度不可分层的变可信度多输出代理模型，能够处理多个不可分 层低精度模型的场景，并利用多个低精度模型的信息以提高变可信度代理 模型的预测精度；此外，所述方法还可用于预测多输出问题，通过捕获输 出之间的潜在相关性，以充分利用输出之间的有用信息，从而进一步提高 模型的预测精度，提升设计效率。
本实施例中，高/低精度样本点及测试点数量分别为nh＝30,nl＝120及 nt＝120，所述样本点及测试点采用拉丁超立方采样生成。
本实施例中，上述待预报超材料隔振单元的受载情况为超材料隔振单 元在正常工况下所受到的载荷通常为竖向载荷，本实施例中隔振单元受到 的竖向载荷为50kg。由于隔振单元几何模型是竖向拉伸形成的，在竖向压 力载荷作用下的压缩变形可视为平面应变问题，因此采用plane182单元为 网格的二维平面模型，材料的泊松比设为0.475。图4为超材料隔振单元的 有限元模型。
本实施例中，所述高精度模型采用高精密网格与高载荷步有限元仿真， 采用两种不同的简化方式生成两个低精度模型，低精度模型1采用粗网格 和高载荷步有限元仿真，低精度模型2则采用精密网格和低载荷步有限元 仿真。图5为高精度模型细网格与低精度模型1粗网格局部示意图。如图5 中(a)所示，细网格由9032个单元组成，如图5中(b)所示，粗网格则 由2760个单元组成。高精度模型在相关载荷的1.25倍范围内施加20个载 荷步，低精度模型2施加的载荷步则为4。
采用本发明所述基于变可信度多输出代理模型的超材料隔振单元性能 预报方法，对上述实施例所述超材料隔振单元性能进行预报，并将结果与 采用常规的变可信度代理模型得到的结果进行比较，以证明所提出方法在 预测精度上的提升。
为了更好地展示所提出的基于变可信度多输出代理模型的超材料隔振 单元性能预报方法的优点，本实施例同时采用应用广泛的层次克里金(HK) 模型进行对比。层次克里金模型为单输出预测模型，并且仅融合一个低精 度模型数据进行代理模型的构建。HK模型所采用相同的样本点和测试点进 行建模和预测。采用RMSE和MAE为全局误差和局部误差的评价准则， 其计算公式为：
Figure BDA0003654159000000121
Figure BDA0003654159000000122
其中，y(k)为第k个测试点的真实响应值，
Figure BDA0003654159000000123
为相应的预测值。最终的 对比结果如表2所示：
Figure BDA0003654159000000124
表2
其中，HK1为采用低精度模型1与高精度模型所构建的HK模型，HK2 为采用低精度模型2与高精度模型所构建的HK模型。NH-MOMF表示所 提出的多个低精度不可分层的变可信度多输出模型。从表2中可以看出， 采用所提出方法对所述超材料隔振单元性能预报，无论是全局精度和局部 精度，相较于常规的HK模型都有一定的提升。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已， 并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等 同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种超材料隔振单元性能预报方法，其特征在于，该方法包括：
获取待预报超材料隔振单元的设计变量、所述设计变量的变化范围、待预报性能响应变量、第一训练样本集大小、第二训练样本集大小及待测样本集，所述待预报性能响应变量为多个，所述第二训练样本集的大小大于第一训练样本集大小，所述待测样本集包括多个由所述设计变量的维度确定的待测样本点；
在所述设计变量的变化范围内生成指定大小的第一训练样本集和第二训练样本集，各训练样本集包括多个由所述设计变量的维度确定的训练样本点；
利用有限元仿真分别生成第一训练样本集中每个训练样本点对应的高精度性能响应和第二训练样本集中每个训练样本点对应的多个低精度性能响应；
将性能响应训练集和待测样本集一起输入至变可信度多输出代理模型，得到训练好的变可信度多输出代理模型，所述性能响应训练集包括多个由训练样本点和相应有限元仿真结果组成的性能响应训练样本，所述变可信度多输出代理模型包括一个变可信度多输出高精度代理模型和多个不可分层低精度代理模型，差异函数在各待测样本点的波动最小，所述差异函数为变可信度多输出高精度模型与加权求和后的不可分层低精度模型的差异；
采用训练好的变可信度多输出代理模型，在待测样本集处进行预测，得到性能预报结果。
2.如权利要求1所述的方法，其特征在于，所述变可信度多输出代理模型的数学表达形式如下：
Figure RE-FDA0003727390570000011
其中，
Figure RE-FDA0003727390570000021
为变可信度多输出高精度代理模型，
Figure RE-FDA0003727390570000022
为第k个不可分层低精度代理模型，k＝1,2,…,N，ρk为第k个不可分层低精度代理模型对应的权重系数，yd(x)为差异函数，N为不可分层低精度代理模型的个数，x为设计变量，上标∧为表示预测值。
3.如权利要求2所述的方法，其特征在于，对于ρ的求解，使差异函数在各待测样本点的波动最小，通过最小化差异函数在待测样本点处的均方二阶偏导数求得，优化问题数学模型为：
find ρ＝[ρ1,…,ρN]
Figure RE-FDA0003727390570000023
其中，G为差异函数在待测样本点处的均方二阶偏导数，nt为待测样本点数量，m为设计变量个数，x(t)为第t个待测样本点，
Figure RE-FDA0003727390570000024
为第t个待测样本点的第i个设计变量。
4.如权利要求2所述的方法，其特征在于，各不可分层低精度模型服从Q维高斯过程，第k个不可分层低精度模型所对应的多输出高斯过程模型的数学表达式为：
Figure RE-FDA0003727390570000025
其中，
Figure RE-FDA0003727390570000026
为回归函数，通常取为1；
Figure RE-FDA0003727390570000027
为回归系数；
Figure RE-FDA0003727390570000028
为低精度样本点与待测样本点之间的协方差向量，
Figure RE-FDA0003727390570000029
为不同低精度输入之间的协方差矩阵，
Figure RE-FDA00037273905700000210
为第k个不可分层低精度模型在低精度样本点处的性能响应，Q为待预报性能响应变量的数量。
5.如权利要求2所述的方法，其特征在于，差异函数服从Q维高斯过程，数学表达式为：
Figure RE-FDA00037273905700000211
其中，Fd为回归函数，通常取为1；
Figure RE-FDA00037273905700000212
为回归系数；rd(x)为高精度样本点与待测样本点之间的协方差向量，Rd为不同高精度输入之间的协方差矩阵，
Figure RE-FDA0003727390570000031
为高精度样本点Xh处高精度响应Yh与加权求和后的低精度响应的差异值，Q为待预报性能响应变量的数量。
6.如权利要求2所述的方法，其特征在于，采用高精密网格与高载荷步有限元仿真生成训练样本点对应的高精度性能响应，采用采用粗网格和高载荷步有限元仿真、精密网格和低载荷步有限元仿真生成训练样本点对应的两个低精度性能响应。
7.如权利要求1至6任一项所述的方法，其特征在于，采用拉丁超立方采样在所述设计变量的变化范围内生成指定大小训练样本集。
8.一种超材料隔振单元性能预报系统，其特征在于，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行权利要求1至7任一项所述的超材料隔振单元性能预报方法。
CN202210554012.3A 2022-05-20 2022-05-20 一种超材料隔振单元性能预报方法和系统 Active CN114996995B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210554012.3A CN114996995B (zh) 2022-05-20 2022-05-20 一种超材料隔振单元性能预报方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210554012.3A CN114996995B (zh) 2022-05-20 2022-05-20 一种超材料隔振单元性能预报方法和系统

Publications (2)

Publication Number Publication Date
CN114996995A true CN114996995A (zh) 2022-09-02
CN114996995B CN114996995B (zh) 2024-07-02

Family

ID=83027063

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210554012.3A Active CN114996995B (zh) 2022-05-20 2022-05-20 一种超材料隔振单元性能预报方法和系统

Country Status (1)

Country Link
CN (1) CN114996995B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828711A (zh) * 2023-02-14 2023-03-21 华中科技大学 一种水下结构物破冰剩余速度预测方法及系统
CN116151050A (zh) * 2023-04-24 2023-05-23 北京航空航天大学 超材料隔振装置设计方法、制造方法及超材料隔振装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112610647A (zh) * 2020-11-10 2021-04-06 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) 一种结构耦合智能正交主被动联合超材料隔振方法
WO2021181107A1 (en) * 2020-03-11 2021-09-16 Iruiz Contracting Ltd Optimised approximation architectures and forecasting systems
CN113722961A (zh) * 2021-09-01 2021-11-30 浙江大学 一种基于广义协同高斯过程模型的结构不确定性量化解析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021181107A1 (en) * 2020-03-11 2021-09-16 Iruiz Contracting Ltd Optimised approximation architectures and forecasting systems
CN112610647A (zh) * 2020-11-10 2021-04-06 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) 一种结构耦合智能正交主被动联合超材料隔振方法
CN113722961A (zh) * 2021-09-01 2021-11-30 浙江大学 一种基于广义协同高斯过程模型的结构不确定性量化解析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
江振宇;张磊;王有亮;张为华;: "战斗部虚拟试验多级模型集成方法研究", 系统仿真学报, no. 15, 5 August 2008 (2008-08-05) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828711A (zh) * 2023-02-14 2023-03-21 华中科技大学 一种水下结构物破冰剩余速度预测方法及系统
CN115828711B (zh) * 2023-02-14 2023-05-09 华中科技大学 一种水下结构物破冰剩余速度预测方法及系统
CN116151050A (zh) * 2023-04-24 2023-05-23 北京航空航天大学 超材料隔振装置设计方法、制造方法及超材料隔振装置
CN116151050B (zh) * 2023-04-24 2023-06-16 北京航空航天大学 超材料隔振装置设计方法、制造方法及超材料隔振装置

Also Published As

Publication number Publication date
CN114996995B (zh) 2024-07-02

Similar Documents

Publication Publication Date Title
CN114996995A (zh) 一种超材料隔振单元性能预报方法和系统
CN105843073B (zh) 一种基于气动力不确定降阶的机翼结构气动弹性稳定性分析方法
CN105787170B (zh) 一种基于全因子试验的组合簧片式空间可展结构优化设计方法
CN114218875A (zh) 一种用于流场预测的加速方法及装置
Lagaros et al. Neurocomputing strategies for solving reliability‐robust design optimization problems
CN109163911A (zh) 一种基于改进的蝙蝠算法优化elm的发动机燃油系统故障诊断方法
CN112307536B (zh) 一种大坝渗流参数反演方法
CN114792037B (zh) 一种超材料隔振器的序贯稳健性优化设计方法
CN113392587A (zh) 一种大区域滑坡危险性评价的并行支持向量机分类方法
CN105184016B (zh) 海洋工程中基于Spark的FG‑CNT增强复合材料板振动控制方法
Bartz-Beielstein A survey of model-based methods for global optimization
CN112414715A (zh) 基于混合特征与改进灰度共生算法的轴承故障诊断方法
CN113688465B (zh) 一种基于载荷与状态结合的飞行器结构强度数字孪生方法
CN113868765A (zh) 基于近似模型的船舶主尺度参数优化方法
CN111695260B (zh) 一种材料性能预测方法及系统
Guo et al. Data mining and application of ship impact spectrum acceleration based on PNN neural network
CN116011071A (zh) 基于主动学习的空中造楼机结构可靠性分析方法及系统
CN105608267A (zh) 一种多变量全局优化算法
CN113505929A (zh) 基于嵌入物理约束深度学习技术的拓扑最优结构预测方法
CN118013648B (zh) 一种基于船舶仿真模型的设计方案优化方法及系统
CN118052167B (zh) 一种多维相关响应的流场模型构建方法
Tancred et al. Aerodynamic response quantification of complex hypersonic configurations using variable fidelity surrogate modeling
US20220374569A1 (en) Computational discovery of microstructure designs
CN117313478A (zh) 基于代理模型的超构材料适配器优化设计方法
Longshaw et al. Whale to turbine impact using the GPU based SPH-LSM method

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