CN115049176A - 材料性能评估方法、装置及计算机设备 - Google Patents
材料性能评估方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN115049176A CN115049176A CN202110255559.9A CN202110255559A CN115049176A CN 115049176 A CN115049176 A CN 115049176A CN 202110255559 A CN202110255559 A CN 202110255559A CN 115049176 A CN115049176 A CN 115049176A
- Authority
- CN
- China
- Prior art keywords
- simulation data
- data
- working
- condition
- simulation
- 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
Links
- 239000000463 material Substances 0.000 title claims abstract description 95
- 238000011156 evaluation Methods 0.000 title claims abstract description 36
- 238000004088 simulation Methods 0.000 claims abstract description 153
- 238000012360 testing method Methods 0.000 claims abstract description 104
- 238000004364 calculation method Methods 0.000 claims abstract description 65
- 238000005070 sampling Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 230000004044 response Effects 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 30
- 230000003068 static effect Effects 0.000 claims description 30
- 238000012795 verification Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 7
- 238000002945 steepest descent method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000013016 damping Methods 0.000 description 2
- 238000013401 experimental design Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及材料性能领域,本发明公开了一种材料性能评估方法、装置及计算机设备,其方法包括:获取指定材料的多工况测试数据和多工况仿真数据;根据多工况测试数据和多工况仿真数据确定若干材料参数的取样区间;根据预设采样方法从取样区间选取若干测试样本,并获取测试样本的仿真数据;根据仿真数据构建可信度满足第一预设精度要求的近似性能计算模型。本发明可以解决材料性能数据获取成本高或计算困难的问题,指数级地缩短优化迭代时间,计算出的性能数据具有很强的鲁棒性与数值稳定性。
Description
技术领域
本发明涉及材料性能领域,尤其涉及一种材料性能评估方法、装置及计算机设备。
背景技术
汽车NVH性能(Noise、Vibration、Harshness,噪声、振动与声振粗糙度)与前端模块材料(一般为塑料结构)的动态特性具有紧密的关联性。不同类型的材料呈现出不同的结构NVH特性。获取材料准确的性能数据,是确保汽车NVH仿真分析具有较高可信度的前提。
现有技术中,可以采用拉伸与剪切试验测量材料的性能数据。但该种方式测量误差不确定,测量成本较高的问题。可以采用基于有限元仿真的数值混合方法评估材料的性能。但当前该数值混合方法存在以下问题:1、实验数据误差大,不同的测试环境与测试工况会引来不同程度的不确定性误差;2、数据的稳定性与计算效率低,工程中实际产品的结构复杂,建立高精度的仿真分析模型会带来更多自由度的计算问题,加剧计算的复杂度,而且还涉及一些难以确定的材料参数(例如滑动摩擦系数、阻尼损耗因子等),大大影响数据的稳定性与计算效率。
发明内容
基于此,有必要针对上述技术问题,提供一种材料性能评估方法、装置及计算机设备,以解决材料性能数据获取成本高或计算困难的问题。
一种材料性能评估方法,包括:
获取指定材料的多工况测试数据和多工况仿真数据;
根据所述多工况测试数据和所述多工况仿真数据确定若干材料参数的取样区间;
根据预设采样方法从所述取样区间选取若干测试样本,并获取所述测试样本的仿真数据;
根据所述仿真数据构建可信度满足第一预设精度要求的近似性能计算模型。
一种材料性能评估装置,包括:
获取数据模块,用于获取指定材料的多工况测试数据和多工况仿真数据;
确定取样区间模块,用于根据所述多工况测试数据和所述多工况仿真数据确定若干材料参数的取样区间;
获取仿真数据模块,用于根据预设采样方法从所述取样区间选取若干测试样本,并获取所述测试样本的仿真数据;
构建性能模型模块,用于根据所述仿真数据构建可信度满足第一预设精度要求的近似性能计算模型。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现上述材料性能评估方法。
上述材料性能评估方法、装置及计算机设备,通过获取指定材料的多工况测试数据和多工况仿真数据,根据所述多工况测试数据和所述多工况仿真数据确定若干材料参数的取样区间,以确定近似性能计算模型在多个维度的取值区间。根据预设采样方法从所述取样区间选取若干测试样本,并获取所述测试样本的仿真数据,根据所述仿真数据构建可信度满足第一预设精度要求的近似性能计算模型,通过仿真数据反推指定材料的力学性能,以满足不同模块结构的性能分析需求。本发明可以解决材料性能数据获取成本高或计算困难的问题,指数级地缩短优化迭代时间,计算出的性能数据具有很强的鲁棒性与数值稳定性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中材料性能评估方法的一应用环境示意图;
图2是本发明一实施例中材料性能评估方法的一流程示意图;
图3是本发明一实施例中具有2因素、9水平、9个试验设计点的优化拉丁方采样图;
图4是本发明一实施例中材料性能评估装置的一结构示意图;
图5是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例提供的材料性能评估方法,可应用在如图1的应用环境中,其中,客户端与服务端进行通信。其中,客户端包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种材料性能评估方法,以该方法应用在图1中的服务端为例进行说明,包括如下步骤:
S10、获取指定材料的多工况测试数据和多工况仿真数据。
可理解地,指定材料可以指汽车的前端模块的塑料结构。前端模块用于承载汽车上的多个组件,并将这些组件集于一体。这里的组件包括但不限于散热器、冷却风扇、冷凝器、发盖锁系统、雨刷喷水瓶、以及各种电子组件和线路布置。
多工况测试数据指的是多种工况下指定材料的测试数据。不同工况,其测试条件是不同的。多工况仿真数据则为在多种工况下指定材料的仿真数据。不同工况,各自建立有对应的仿真模型。在一示例中,在第一工况下,可通过实验测试,获取前端模块的测试数据;然后将第一工况的各种条件参数输入仿真模型中,可以获取前端模块的仿真数据。
可选的,所述多工况测试数据包括静力学刚度测试数据、动力学模态测试数据和动力学频率响应测试数据;
所述多工况仿真数据包括静力学刚度仿真数据、动力学模态仿真数据和动力学频率响应仿真数据。
可理解地,静力学刚度测试数据可以指静刚度,用DTEST表示;静力学刚度仿真数据,可以指仿真静刚度,用DCAE表示。
动力学模态测试数据可以指模态频率,用MTEST表示;动力学模态仿真数据,可以指仿真模态频率,用MCAE表示。
动力学频率响应测试数据可以指频率响应,用ATEST表示;动力学频率响应仿真数据,可以指仿真频率响应,用ACAE表示。
S20、根据所述多工况测试数据和所述多工况仿真数据确定若干材料参数的取样区间。
可理解地,可以根据实际需要,选择指定材料的材料参数。例如,材料参数可以是参数A、参数B、参数C和参数D。可以根据多工况测试数据和多工况仿真数据确定各个材料参数的取样区间。例如,在指定工况下,测试数据在参数A的取样区间包括1-9,则取样区间可以选择与测试数据相同的取样区间。
S30、根据预设采样方法从所述取样区间选取若干测试样本,并获取所述测试样本的仿真数据。
可理解地,预设采样方法可以根据实际需要设置,如预设采样方法可以是拉丁方采样、随机采样等。预设采样可以大大减少数据的处理量。每个测试样本可用具体的工况条件表示。在一示例中,一测试样本可表示为:样本1:参数A=1、参数B=2、参数C=3、参数D=4。将测试样本输入对应的工况仿真模型,可以获得相应的仿真数据。例如,测试样本输入动力学模态测试工况下的仿真模型,可以获得相应的仿真模态频率。
S40、根据所述仿真数据构建可信度满足第一预设精度要求的近似性能计算模型。
可理解地,可以根据仿真数据构建近似性能计算模型,以计算指定材料的材料性能。近似性能计算模型可以是基于神经网络算法构建的数学模型。基于仿真模型计算出的仿真数据反推出指定材料的材料性能。在此处,材料性能包括但不限于滑动摩擦系数、阻尼损耗因子。
近似性能计算模型的可信度需要满足第一预设精度要求。在此处,可信度可以指R-Squared拟合度。第一预设精度要求可以根据实际需要进行设置。若近似性能计算模型的可信度不满足第一预设精度要求,则需要在步骤S30增加仿真数据,使用增加的仿真数据对近似性能计算模型进行更新,直至其可信度满足第一预设精度要求。
步骤S10-S40中,获取指定材料的多工况测试数据和多工况仿真数据;根据所述多工况测试数据和所述多工况仿真数据确定若干材料参数的取样区间,以确定近似性能计算模型在多个维度的取值区间。根据预设采样方法从所述取样区间选取若干测试样本,并获取所述测试样本的仿真数据,根据所述仿真数据构建可信度满足第一预设精度要求的近似性能计算模型,通过仿真数据反推指定材料的力学性能,以满足不同模块结构的性能分析需求。
可选的,步骤S40,即所述根据所述仿真数据构建可信度满足第一预设精度要求的近似性能计算模型之后,还包括:
S50、接收模型设置指令,以根据所述模型设置指令设置所述近似计算模型的优化函数及约束条件。
可理解地,模型设置指令可以是用户输入的指令。通过模型设置指令可以设置近似计算模型的优化函数及约束条件。
可选的,所述优化函数包括:
Minisize{RSstatic,RSmode,RSFRF}
其中,Minisize表示最小化;
RSstatic表示静力学刚度拟合度;
RSmode表示动力学模态拟合度;
RSFRF表示动力学频率响应拟合度;
所述约束函数包括:
Gj(parameter)≤0,j=1,2,…,J
Hk(parameter)=0,k=1,2,…,K
其中,Gj(parameter)表示第一约束关系,j为第一约束关系的序数,J为第一约束关系的总个数,parameter表示若干材料参数;
Hk(parameter)表示第二约束关系,k为第二约束关系的序数,K为第二约束关系的总个数。
可理解地,优化函数需要同时使静力学刚度拟合度、动力学模态拟合度、动力学频率响应拟合度三者最小化。其中,静力学刚度拟合度通过以下数据进行求解:
其中,RSstatic为静力学刚度拟合度,DCAE为仿真静刚度,DTEST为静刚度,N1为样本个数。
动力学模态拟合度通过以下数据进行求解:
其中,RSmode为动力学模态拟合度,MCAE为仿真模态频率,MTEST为模态频率,N2为模态节数。
动力学频率响应拟合度通过以下数据进行求解:
其中,RSFRF为动力学频率响应拟合度,ACAE为仿真频率响应,ATEST为频率响应,M为样本个数,N3为频率。
约束函数可以根据实际需要进行设置。在一示例中,约束函数包括:
Gj(parameter)≤0,j=1,2,…,J
Hk(parameter)=0,k=1,2,…,K
其中,Gj(parameter)表示第一约束关系。j为第一约束关系的序数。J为第一约束关系的总个数。parameter表示若干材料参数,如参数A、参数B、参数C和参数D。Hk(parameter)表示第二约束关系,k为第二约束关系的序数,K为第二约束关系的总个数。
需要注意的是,在此处,Gj(parameter)和Hk(parameter)仅为参考的示例。在实际应用中,可以根据实际需要设置多组约束函数,如Lm(parameter)、Op(parameter)等。
S60、通过预设组合优化算法对所述近似计算模型进行优化,获得所述优化函数的帕雷托解。
可理解地,预设组合优化算法包括多种优化算法。不同的优化算法,对优化函数的求解具有不同的特点。在一示例中,遗传算法解决全局优化问题;线性单纯行法解决线性问题;序列二次规划法适合光滑问题,具有非常好的数值收敛性与稳定性;最速下降法适合非光滑问题,具有极高的运算效率。预设组合优化算法可以自动捕捉设计空间信息,采取最优策略解决优化求解问题,可以大大降低工程师的使用门槛。
帕雷托解(Pareto解)可以指多目标优化问题中的最优解,即没有使任何工况仿真数据变坏的前提下,使得至少一个工况仿真数据变得更好。
可选的,所述预设组合优化算法包括遗传算法、线性单纯行法、序列二次规划法和最速下降法。
可理解地,遗传算法是一种通过模拟自然进化过程搜索最优解的方法。该算法基于数学模型,经计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时,相对一些常规的优化算法,遗传算法通常能够较快地获得较好的优化结果。遗传算法的运算过程包括初始化、个体评价、选择运算、交叉运算、变异运算、终止条件判断等若干步骤。
线性单纯行法可用于求解线性规划问题。若线性规划问题的最优解存在,则一定可以在其可行区域的顶点中找到。基于此,线性单纯形法的基本思路是:先找出可行域的一个顶点,按预设的规则判断其是否最优;若否,则转换到与之相邻的另一顶点,并使目标函数值更优;如此下去,直到找到某最优解为止。
序列二次规划法可用于求解静态有约束最优化问题。典型的有约束非线性规划问题可表示为:
min f(X);
s.t.
hi(X)=0 i=1,2,…,m
gj(X)≥0 j=1,2,…,n
其中,f(X)为目标函数,hi(X)和gj(X)为约束条件。i、j为约束条件的序号,m和n分别为hi(X)和gj(X)的个数,X为变量,f(X)、hi(X)和gj(X)二阶连续可微。
该问题的拉格朗日函数可表示为:
式中λi、λj为Lagrange算子。
通过序列二次规划法将原问题转换成为一系列的二次规划问题。每次迭代可以得到一个Xk(k为迭代次数)。为了保证Xk向可行解接近,同时目标函数也有下降趋势,可进一步将求Xk+1的二次规划问题调整为搜索方向d的二次规划问题,即:
s.t.
其中,Xk+1=Xk+αkdk,其中αk为步长。序列二次规划法的迭代过程可表示为:
1、确定初值X0、H0;
2、解二次规划子问题,确定λk+1和搜索方向dk;
3、令Xk+1=Xk+αkdk,并判断是否满足收敛条件,如满足,则取(Xk+1,λk+1)为原问题的最优解,如不满足则返回第2步继续迭代。
最速下降法一般只考虑当前下降最快,而不是全局下降最快。在求解非线性无约束问题时,最速下降法得到每一步迭代的方向d(k)和每一步下降的长度λ(k)。考虑到函数f(x)在点x(k)处沿着方向d的方向导数 其意义是f(x)在x(k)处沿着方向d的变化率。当f(x)连续可微时,方向导数为负,说明函数值沿着该方向下降;方向导数越小(负值),表明下降的越快。搜索方向d(k)可以是f(x)在点x(k)方向导数最小的方向。
在一示例中,目标函数可为:
其中,x=(x1,x2)T,x(0)=(0,0)T。
经过迭代计算,最优解可为:
x*=(1,1)T
y*=-1。
不同的优化算法可以获得不同的可行解集合。帕雷托解即为所有可行解集合的并集。在实际应用中,可以选取预设组合优化算法中的两种或两种以上的优化算法。帕雷托解包括了指定材料的性能数据。
S70、将所述帕雷托解代入仿真模型中,形成验证仿真模型,并获取所述验证仿真模型输出的验证仿真数据。
S80、计算所述验证仿真数据的可信度;
S90、若所述验证仿真数据的可信度满足第二预设精度要求,则判定所述近似性能计算模型可用。
可理解地,在获帕雷托解之后,可以重新代入仿真模型中,形成验证仿真模型。然后通过该验证仿真模型计算各个工况的验证仿真数据及验证仿真数据的可信度。在此处,验证仿真数据的可信度包括静力学刚度仿真拟合度RS′static、动力学模态仿真拟合度R′Smode和动力学频率响应仿真拟合度R′SFRF。
第二预设精度要求可以根据实际需要进行设置。若所有验证仿真数据的可信度满足第二预设精度要求,说明验证仿真数据的准确性高。验证仿真数据的准确性高,说明帕雷托解准确度高。帕雷托解准确度高,则说明用于计算帕雷托解的近似性能计算模型准确性较高。在一定程度下,可以采用该近似性能计算模型计算出指定材料在其他工况下的性能数据。因而,可以判定,当前的近似性能计算模型可用。
若验证仿真数据的可信度不满足第二预设精度要求,则需要增加样本数据,更新近似性能计算模型。然后按照步骤S50-S90对更新后的近似性能计算模型进行验证。
可选的,步骤S10,即所述获取指定材料的多工况测试数据和多工况仿真数据,包括:
S101、在多个工况下对所述指定材料进行实验测试,获得所述多工况测试数据,所述多工况测试数据包括若干测试数据;
S102、将所述多个工况分别输入仿真模型,获取所述仿真模型输出的仿真数据,所述多工况仿真数据包括若干仿真数据。
可理解地,多工况测试数据指的是多种工况下指定材料的测试数据。在一示例中,多工况仿真数据包括但不限于静力学刚度测试数据、动力学模态测试数据和动力学频率响应测试数据。
多工况仿真数据指的是,与上述多工况仿真数据一一对应的仿真数据。多工况仿真数据包括但不限于静力学刚度仿真数据、动力学模态仿真数据和动力学频率响应仿真数据。
可选的,所述预设采样方法包括优化拉丁方抽样。
可理解地,优化拉丁方抽样是基于随机的拉丁超立方体矩阵选取测试样本(也即是采样点)。优化拉丁方抽样的因子和响应的拟合更加精确真实,具有非常好的空间填充性和均衡性,能为近似性能计算模型(基于神经网络构建的模型)提供优良的测试样本。如图3所示,图3为一个具有2因素、9水平、9个试验设计点的优化拉丁方采样图。其中,交叉点表示所有的样本点,加粗的交叉点表示测试样本。
可选的,所述可信度为R方拟合度,步骤S40,即所述根据所述仿真数据构建可信度满足第一预设精度要求的近似性能计算模型,包括:
S401、通过神经网络处理所述仿真数据,生成待评估的近似性能计算模型;
S402、计算所述待评估的近似性能计算模型的R方拟合度;
S403、若所述R方拟合度满足所述第一预设精度要求,则确定所述待评估的近似性能计算模型通过评估;
所述R方拟合度通过以下公式计算:
其中,R2表示R方拟合度;
可理解地,神经网络可以是RBF神经网络(径向基函数神经网络)。RBF神经网络可以逼近任意的非线性函数,解析近似性能计算模型中各种性能参数的规律,同时具有良好的泛化能力,有很快的学习收敛速度。通过神经网络处理仿真数据,可以生成待评估的近似性能计算模型。
可通过R方拟合度对待评估的近似性能计算模型进行评估。其中,R方拟合度可以通过以下公式计算:
其中,R2表示R方拟合度;
第一预设精度要求可以根据实际需要进行设置。若R方拟合度满足第一预设精度要求,确定待评估的近似性能计算模型通过评估。若R方拟合度不满足第一预设精度要求,则待评估的近似性能计算模型未通过评估,此时,需要增加样本数据,更新近似性能计算模型。然后通过R方拟合度对更新后的近似性能计算模型进行评估,直至更新后的近似性能计算模型通过评估。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种材料性能评估装置,该材料性能评估装置与上述实施例中材料性能评估方法一一对应。如图4所示,该材料性能评估装置包括获取数据模块10、确定取样区间模块20、获取仿真数据模块30和构建性能模型模块40。各功能模块详细说明如下:
获取数据模块10,用于获取指定材料的多工况测试数据和多工况仿真数据;
确定取样区间模块20,用于根据所述多工况测试数据和所述多工况仿真数据确定若干材料参数的取样区间;
获取仿真数据模块30,用于根据预设采样方法从所述取样区间选取若干测试样本,并获取所述测试样本的仿真数据;
构建性能模型模块40,用于根据所述仿真数据构建可信度满足第一预设精度要求的近似性能计算模型。
可选的,所述材料性能评估装置还包括:
设置条件模块,用于接收模型设置指令,以根据所述模型设置指令设置所述近似计算模型的优化函数及约束条件;
求解模块,用于通过预设组合优化算法对所述近似计算模型进行优化,获得所述优化函数的帕雷托解;
获取验证数据模块,用于将所述帕雷托解代入仿真模型中,形成验证仿真模型,并获取所述验证仿真模型输出的验证仿真数据;
验证可信度模块,用于计算所述验证仿真数据的可信度;
完成验证模块,用于若所述验证仿真数据的可信度满足第二预设精度要求,则判定所述近似性能计算模型可用。
可选的,获取数据模块10包括:
获取测试数据单元,用于在多个工况下对所述指定材料进行实验测试,获得所述多工况测试数据,所述多工况测试数据包括若干测试数据;
获取仿真数据单元,用于将所述多个工况分别输入仿真模型,获取所述仿真模型输出的仿真数据,所述多工况仿真数据包括若干仿真数据。
可选的,所述多工况测试数据包括静力学刚度测试数据、动力学模态测试数据和动力学频率响应测试数据;
所述多工况仿真数据包括静力学刚度仿真数据、动力学模态仿真数据和动力学频率响应仿真数据。
可选的,所述预设采样方法包括优化拉丁方抽样。
可选的,所述优化函数包括:
Minisize{RSstatic,RSmode,RSFRF}
其中,Minisize表示最小化;
RSstatic表示静力学刚度拟合度;
RSmode表示动力学模态拟合度;
RSFRF表示动力学频率响应拟合度;
所述约束函数包括:
Gj(parameter)≤0,j=1,2,…,J
Hk(parameter)=0,k=1,2,…,K
其中,Gj(parameter)表示第一约束关系,j为第一约束关系的序数,J为第一约束关系的总个数,parameter表示若干材料参数;
Hk(parameter)表示第二约束关系,k为第二约束关系的序数,K为第二约束关系的总个数。
可选的,所述预设组合优化算法包括遗传算法、线性单纯行法序列二次规划法和最速下降法。
可选的,所述可信度为R方拟合度,构建性能模型模块40包括:
构建模型单元,用于通过神经网络处理所述仿真数据,生成待评估的近似性能计算模型;
R方拟合度计算单元,用于计算所述待评估的近似性能计算模型的R方拟合度;
通过评估单元,用于若所述R方拟合度满足所述第一预设精度要求,则确定所述待评估的近似性能计算模型通过评估;
所述R方拟合度通过以下公式计算:
其中,R2表示R方拟合度;
关于材料性能评估装置的具体限定可以参见上文中对于材料性能评估方法的限定,在此不再赘述。上述材料性能评估装置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计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储材料性能评估方法所涉及的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机可读指令被处理器执行时以实现一种材料性能评估方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令,处理器执行计算机可读指令时实现以下步骤:
获取指定材料的多工况测试数据和多工况仿真数据;
根据所述多工况测试数据和所述多工况仿真数据确定若干材料参数的取样区间;
根据预设采样方法从所述取样区间选取若干测试样本,并获取所述测试样本的仿真数据;
根据所述仿真数据构建可信度满足第一预设精度要求的近似性能计算模型。
在一个实施例中,提供了一个或多个存储有计算机可读指令的计算机可读存储介质,本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。可读存储介质上存储有计算机可读指令,计算机可读指令被一个或多个处理器执行时实现以下步骤:
获取指定材料的多工况测试数据和多工况仿真数据;
根据所述多工况测试数据和所述多工况仿真数据确定若干材料参数的取样区间;
根据预设采样方法从所述取样区间选取若干测试样本,并获取所述测试样本的仿真数据;
根据所述仿真数据构建可信度满足第一预设精度要求的近似性能计算模型。
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,是可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中,该计算机可读指令在执行时,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(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种材料性能评估方法,其特征在于,包括:
获取指定材料的多工况测试数据和多工况仿真数据;
根据所述多工况测试数据和所述多工况仿真数据确定若干材料参数的取样区间;
根据预设采样方法从所述取样区间选取若干测试样本,并获取所述测试样本的仿真数据;
根据所述仿真数据构建可信度满足第一预设精度要求的近似性能计算模型。
2.如权利要求1所述的材料性能评估方法,其特征在于,所述根据所述仿真数据构建可信度满足第一预设精度要求的近似性能计算模型之后,还包括:
接收模型设置指令,以根据所述模型设置指令设置所述近似计算模型的优化函数及约束条件;
通过预设组合优化算法对所述近似计算模型进行优化,获得所述优化函数的帕雷托解;
将所述帕雷托解代入仿真模型中,形成验证仿真模型,并获取所述验证仿真模型输出的验证仿真数据;
计算所述验证仿真数据的可信度;
若所述验证仿真数据的可信度满足第二预设精度要求,则判定所述近似性能计算模型可用。
3.如权利要求1所述的材料性能评估方法,其特征在于,所述获取指定材料的多工况测试数据和多工况仿真数据,包括:
在多个工况下对所述指定材料进行实验测试,获得所述多工况测试数据,所述多工况测试数据包括若干测试数据;
将所述多个工况分别输入仿真模型,获取所述仿真模型输出的仿真数据,所述多工况仿真数据包括若干仿真数据。
4.如权利要求1所述的材料性能评估方法,其特征在于,所述多工况测试数据包括静力学刚度测试数据、动力学模态测试数据和动力学频率响应测试数据;
所述多工况仿真数据包括静力学刚度仿真数据、动力学模态仿真数据和动力学频率响应仿真数据。
5.如权利要求1所述的材料性能评估方法,其特征在于,所述预设采样方法包括优化拉丁方抽样。
6.如权利要求2所述的材料性能评估方法,其特征在于,所述优化函数包括:
Minisize{RSstatic,RSmode,RSFRF}
其中,Minisize表示最小化;
RSstatic表示静力学刚度拟合度;
RSmode表示动力学模态拟合度;
RSFRF表示动力学频率响应拟合度;
所述约束函数包括:
Gj(parameter)≤0,j=1,2,...,J
Hk(parameter)=0,k=1,2,...,K
其中,Gj(parameter)表示第一约束关系,j为第一约束关系的序数,J为第一约束关系的总个数,parameter表示若干材料参数;
Hk(parameter)表示第二约束关系,k为第二约束关系的序数,K为第二约束关系的总个数。
7.如权利要求2所述的材料性能评估方法,其特征在于,所述预设组合优化算法包括遗传算法、线性单纯行法序列二次规划法和最速下降法。
9.一种材料性能评估装置,其特征在于,包括:
获取数据模块,用于获取指定材料的多工况测试数据和多工况仿真数据;
确定取样区间模块,用于根据所述多工况测试数据和所述多工况仿真数据确定若干材料参数的取样区间;
获取仿真数据模块,用于根据预设采样方法从所述取样区间选取若干测试样本,并获取所述测试样本的仿真数据;
构建性能模型模块,用于根据所述仿真数据构建可信度满足第一预设精度要求的近似性能计算模型。
10.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如权利要求1至8中任一项所述材料性能评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110255559.9A CN115049176A (zh) | 2021-03-09 | 2021-03-09 | 材料性能评估方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110255559.9A CN115049176A (zh) | 2021-03-09 | 2021-03-09 | 材料性能评估方法、装置及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115049176A true CN115049176A (zh) | 2022-09-13 |
Family
ID=83156704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110255559.9A Pending CN115049176A (zh) | 2021-03-09 | 2021-03-09 | 材料性能评估方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049176A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115449771A (zh) * | 2022-09-21 | 2022-12-09 | 华中科技大学 | 模具涂层生成方法、装置、设备、存储介质和程序产品 |
CN116484228A (zh) * | 2023-05-04 | 2023-07-25 | 小米汽车科技有限公司 | 模型训练方法、工艺确定方法、装置、电子设备和介质 |
CN116562053A (zh) * | 2023-07-05 | 2023-08-08 | 广汽埃安新能源汽车股份有限公司 | 一种宽频带材料参数的确定方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090248368A1 (en) * | 2008-03-26 | 2009-10-01 | Livermore Software Technology Corporation | Systems and methods of constructing Radial Basis Function (RBF) based meta-models used in engineering design optimization |
CN102175511A (zh) * | 2010-12-24 | 2011-09-07 | 深圳市大族激光科技股份有限公司 | 材料性能评估方法和系统 |
CN102968568A (zh) * | 2012-11-30 | 2013-03-13 | 湖南大学 | 多工况模式下高强度钢材料参数反求方法 |
CN104765916A (zh) * | 2015-03-31 | 2015-07-08 | 西南交通大学 | 一种高速列车动力学性能参数优化方法 |
CN106650016A (zh) * | 2016-11-23 | 2017-05-10 | 上海交通大学 | 基于粒子群算法的车身侧围结构多工况协同优化实现方法 |
CN107749628A (zh) * | 2017-12-05 | 2018-03-02 | 国网重庆市电力公司电力科学研究院 | 计及燃气机组无功调节及热电协调的多目标电压优化方法 |
WO2020019256A1 (en) * | 2018-07-26 | 2020-01-30 | Siemens Aktiengesellschaft | Product performance prediction modeling method and apparatus, computer device, computer-readable storage medium, and product performance prediction method and prediction system |
-
2021
- 2021-03-09 CN CN202110255559.9A patent/CN115049176A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090248368A1 (en) * | 2008-03-26 | 2009-10-01 | Livermore Software Technology Corporation | Systems and methods of constructing Radial Basis Function (RBF) based meta-models used in engineering design optimization |
CN102175511A (zh) * | 2010-12-24 | 2011-09-07 | 深圳市大族激光科技股份有限公司 | 材料性能评估方法和系统 |
CN102968568A (zh) * | 2012-11-30 | 2013-03-13 | 湖南大学 | 多工况模式下高强度钢材料参数反求方法 |
CN104765916A (zh) * | 2015-03-31 | 2015-07-08 | 西南交通大学 | 一种高速列车动力学性能参数优化方法 |
CN106650016A (zh) * | 2016-11-23 | 2017-05-10 | 上海交通大学 | 基于粒子群算法的车身侧围结构多工况协同优化实现方法 |
CN107749628A (zh) * | 2017-12-05 | 2018-03-02 | 国网重庆市电力公司电力科学研究院 | 计及燃气机组无功调节及热电协调的多目标电压优化方法 |
WO2020019256A1 (en) * | 2018-07-26 | 2020-01-30 | Siemens Aktiengesellschaft | Product performance prediction modeling method and apparatus, computer device, computer-readable storage medium, and product performance prediction method and prediction system |
Non-Patent Citations (3)
Title |
---|
张军;成艾国;宋凯;周泽;: "基于移动最小二乘响应面法的橡胶材料参数反求", 汽车工程, no. 03, 25 March 2011 (2011-03-25), pages 271 - 275 * |
陈国栋;卜继玲;: "基于序列径向基函数的多目标优化方法及其应用", 汽车工程, no. 09, 25 September 2015 (2015-09-25), pages 1077 - 1083 * |
陈晨;周志雄;黄向明;李小平;: "一种起重机伸缩臂多目标优化方法及试验", 机械设计与研究, no. 05, 20 October 2013 (2013-10-20), pages 131 - 135 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115449771A (zh) * | 2022-09-21 | 2022-12-09 | 华中科技大学 | 模具涂层生成方法、装置、设备、存储介质和程序产品 |
CN116484228A (zh) * | 2023-05-04 | 2023-07-25 | 小米汽车科技有限公司 | 模型训练方法、工艺确定方法、装置、电子设备和介质 |
CN116484228B (zh) * | 2023-05-04 | 2024-02-06 | 小米汽车科技有限公司 | 模型训练方法、工艺确定方法、装置、电子设备和介质 |
CN116562053A (zh) * | 2023-07-05 | 2023-08-08 | 广汽埃安新能源汽车股份有限公司 | 一种宽频带材料参数的确定方法及装置 |
CN116562053B (zh) * | 2023-07-05 | 2023-09-26 | 广汽埃安新能源汽车股份有限公司 | 一种宽频带材料参数的确定方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115049176A (zh) | 材料性能评估方法、装置及计算机设备 | |
Bessa et al. | A framework for data-driven analysis of materials under uncertainty: Countering the curse of dimensionality | |
Blatman et al. | Adaptive sparse polynomial chaos expansion based on least angle regression | |
CN111126668B (zh) | 基于图卷积网络的Spark作业时间预测方法和装置 | |
WO2022206320A1 (zh) | 预测模型训练、数据预测方法、装置和存储介质 | |
Mittas et al. | LSEbA: least squares regression and estimation by analogy in a semi-parametric model for software cost estimation | |
Kerschke et al. | Cell mapping techniques for exploratory landscape analysis | |
CN112434448A (zh) | 基于多点加点的代理模型约束优化方法和装置 | |
US6157900A (en) | Knowledge based system and method for determining material properties from fabrication and operating parameters | |
CN108920786A (zh) | 一种基于切比雪夫多项式拟合的区间不确定性分析方法 | |
CN112416783A (zh) | 软件质量影响因素确定方法、装置、设备和存储介质 | |
CN114997036A (zh) | 基于深度学习的网络拓扑重构方法、装置和设备 | |
Kapoor et al. | Transfer learning for improved generalizability in causal physics-informed neural networks for beam simulations | |
Xiang et al. | A most probable point method for probability distribution construction | |
JP7310921B2 (ja) | 検査装置、検査方法及び検査プログラム | |
Han et al. | A kriging-based active learning algorithm for contour estimation of integrated response with noise factors | |
Chu et al. | Application of Latin hypercube sampling based kriging surrogate models in reliability assessment | |
CN114251075B (zh) | 基于多目标参数的储层开采方案确定方法、装置及设备 | |
Aute | Single and multiresponse adaptive design of experiments with application to design optimization of novel heat exchangers | |
CN112182739A (zh) | 一种飞行器结构非概率可信可靠性拓扑优化设计方法 | |
CN113761771B (zh) | 多孔材料吸声性能预测方法、装置、电子设备和存储介质 | |
CN112464324B (zh) | 相邻关系获取方法、相邻状态集合生成方法及相关产品 | |
CN110866638A (zh) | 交通量预测模型构建方法、装置、计算机设备和存储介质 | |
CN110599377A (zh) | 在线学习的知识点排序方法和装置 | |
CN117454668B (zh) | 零部件失效概率的预测方法、装置、设备和介质 |
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 |