CN115107280A - 一种Voronoi多孔结构智能生成方法 - Google Patents

一种Voronoi多孔结构智能生成方法 Download PDF

Info

Publication number
CN115107280A
CN115107280A CN202210727064.6A CN202210727064A CN115107280A CN 115107280 A CN115107280 A CN 115107280A CN 202210727064 A CN202210727064 A CN 202210727064A CN 115107280 A CN115107280 A CN 115107280A
Authority
CN
China
Prior art keywords
voronoi
porous structure
discrete point
structure model
point group
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
CN202210727064.6A
Other languages
English (en)
Inventor
任松柏
邹莱
张行浩
李江阳
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.)
Chongqing University
Original Assignee
Chongqing 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 Chongqing University filed Critical Chongqing University
Priority to CN202210727064.6A priority Critical patent/CN115107280A/zh
Publication of CN115107280A publication Critical patent/CN115107280A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B29WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29CSHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/30Auxiliary operations or equipment
    • B29C64/386Data acquisition or data processing for additive manufacturing
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B33ADDITIVE MANUFACTURING TECHNOLOGY
    • B33YADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00Data acquisition or data processing for additive manufacturing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00Three dimensional [3D] modelling, e.g. data description of 3D objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Materials Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Graphics (AREA)
  • Mechanical Engineering (AREA)
  • Optics & Photonics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种Voronoi多孔结构智能生成方法,涉及面向3D打印的多孔结构设计技术领域,包括:生成与目标三维实体模型对应的离散点组;根据离散点组生成对应的Voronoi多孔结构模型,并确定Voronoi多孔结构模型的适应度;根据适应度对离散点组中的离散点进行筛选以得到筛选后的离散点,并基于筛选后的离散点组生成新的离散点组;利用新的离散点组重新跳转至根据离散点组生成对应的Voronoi多孔结构模型的步骤,并统计Voronoi多孔结构模型的迭代生成次数;判断迭代生成次数是否满足预设条件,并基于判断结果确定目标Voronoi多孔结构模型。本申请经过Voronoi多孔结构模型的多次迭代优化得到力学性能优秀的目标Voronoi多孔结构模型,从而能够满足Voronoi结构对力学性能的需求。

Description

一种Voronoi多孔结构智能生成方法
技术领域
本发明涉及面向3D打印的多孔结构设计技术领域,特别涉及一种Voronoi多孔结构智能生成方法。
背景技术
当前,多孔结构由于其本身具有高强度比、高刚度比、抗冲击性强、较好的减震性等特征被广泛应用于机械、建筑、航天、医疗等领域当中。例如,在建筑领域中,涉及到多孔结构的材料有高层建筑防火材料、建筑隔音材料灯,在医疗领域中会将多孔结构植入物用于人工骨骼制造,在航天领域中将多孔结构应用于结构轻量化设计。但是当前经常会基于voronoi结构生成其他形状的结构,忽略了实际制造使用过程中关于结构的力学性能要求。
发明内容
有鉴于此,本发明的目的在于提供一种Voronoi多孔结构智能生成方法,能够满足Voronoi结构对力学性能的需求。其具体方案如下:
第一方面,本申请公开了一种Voronoi多孔结构智能生成方法,包括:
基于目标三维实体模型生成与所述目标三维实体模型对应的离散点组;
根据所述离散点组生成对应的Voronoi多孔结构模型,并确定所述Voronoi多孔结构模型的适应度;
根据所述适应度对所述离散点组进行筛选以得到筛选后的离散点组,并基于所述筛选后的离散点组生成新的离散点组;
利用所述新的离散点组重新跳转至所述根据所述离散点组生成对应的Voronoi多孔结构模型的步骤,并统计所述Voronoi多孔结构模型的迭代生成次数;
判断所述迭代生成次数是否满足预设条件,得到相应的判断结果,并基于所述判断结果确定目标Voronoi多孔结构模型。
可选的,所述确定所述Voronoi多孔结构模型的适应度,包括:
对所述Voronoi多孔结构模型进行结构力学分析得到相应的分析结果;
利用目标函数对所述分析结果进行处理,得到所述Voronoi多孔结构模型对应的适应度。
可选的,所述对所述Voronoi多孔结构模型进行结构力学分析得到相应的分析结果,包括:
基于有限元分析算法对所述Voronoi多孔结构模型进行结构力学分析得到相应的分析结果。
可选的,所述利用目标函数对所述分析结果进行处理,得到所述Voronoi多孔结构模型对应的适应度之前,还包括:
根据所述分析结果确定函数配置参数,并基于所述函数配置参数构建所述目标函数。
可选的,所述基于所述筛选后的离散点组生成新的离散点组,包括:
对所述筛选后的离散点组进行基因变换和基因变异操作,得到新的离散点组。
可选的,所述基于目标三维实体模型生成与所述目标三维实体模型对应的离散点组,包括:
基于目标三维实体模型生成与所述目标三维实体模型对应的预设数量的离散点组。
可选的,所述判断所述迭代生成次数是否满足预设条件,得到相应的判断结果,包括:
判断所述迭代生成次数是否大于预设迭代阈值,得到相应的判断结果;
相应的,所述基于所述判断结果确定目标Voronoi多孔结构模型,包括:
若所述判断结果表明所述迭代生成次数大于所述预设迭代阈值,则从最后一次迭代生成的Voronoi多孔结构模型中确定出目标Voronoi多孔结构模型;
若所述判断结果表明所述迭代生成次数不大于所述预设迭代阈值,则触发所述确定所述Voronoi多孔结构模型的适应度的步骤。
第二方面,本申请公开了一种Voronoi多孔结构智能生成装置,包括:
离散点组生成模块,用于基于目标三维实体模型生成与所述目标三维实体模型对应的离散点组;
模型生成模块,用于根据所述离散点组生成对应的Voronoi多孔结构模型;
适应度确定模块,用于确定所述Voronoi多孔结构模型的适应度;
离散点筛选模块,用于根据所述适应度对所述离散点组进行筛选以得到筛选后的离散点组,并基于所述筛选后的离散点组生成新的离散点组;
步骤跳转模块,用于利用所述新的离散点组重新跳转至所述根据所述离散点组生成对应的Voronoi多孔结构模型的步骤,并统计所述Voronoi多孔结构模型的迭代生成次数;
条件判断模块,用于判断所述迭代生成次数是否满足预设条件,得到相应的判断结果;
模型确定模块,用于基于所述判断结果确定目标Voronoi多孔结构模型。
第三方面,本申请公开了一种电子设备,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现前述公开的Voronoi多孔结构智能生成方法的步骤。
第四方面,本申请公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的Voronoi多孔结构智能生成方法的步骤。
可见,本申请提供了一种Voronoi多孔结构智能生成方法,包括:基于目标三维实体模型生成与所述目标三维实体模型对应的离散点组;根据所述离散点组生成对应的Voronoi多孔结构模型,并确定所述Voronoi多孔结构模型的适应度;根据所述适应度对所述离散点组进行筛选以得到筛选后的离散点组,并基于所述筛选后的离散点组生成新的离散点组;利用所述新的离散点组重新跳转至所述根据所述离散点组生成对应的Voronoi多孔结构模型的步骤,并统计所述Voronoi多孔结构模型的迭代生成次数;判断所述迭代生成次数是否满足预设条件,得到相应的判断结果,并基于所述判断结果确定目标Voronoi多孔结构模型。由此可见,本申请根据与目标三维实体模型对应的离散点组生成Voronoi多孔结构模型,然后根据确定出的该Voronoi多孔结构模型对应的适应度对离散点组进行筛选得到筛选后的离散点组,进而由筛选后的离散点组生成新的离散点组后,再根据新的离散点组生成新的Voronoi多孔结构模型,经过对Voronoi多孔结构模型的多次迭代优化得到力学性能优秀的目标Voronoi多孔结构模型,从而能够满足Voronoi结构对力学性能的需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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,还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种Voronoi多孔结构智能生成方法流程图;
图2a为本申请公开的Voronoi多孔结构模型优化前的离散点分布示意图;
图2b为本申请公开的Voronoi多孔结构模型优化后的离散点分布示意图;
图3为本申请公开的一种N代进化后的叶片夹具模型沿Z轴的变形示意图;
图4为本申请公开的一种具体的Voronoi多孔结构智能生成方法流程图;
图5为本申请公开的一种具体的Voronoi多孔结构智能生成方法流程图;
图6为本申请公开的一种Voronoi多孔结构智能生成装置结构示意图;
图7为本申请公开的一种电子设备结构图。
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,所描述的实施例仅仅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做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。
当前,多孔结构由于其本身具有高强度比、高刚度比、抗冲击性强、较好的减震性等特征被广泛应用于机械、建筑、航天、医疗等领域当中,但是当前基于Voronoi多孔结构生成其他形状的结构,经常会忽略实际制造使用过程中关于结构的力学性能要求。为此,本申请提供了一种新的Voronoi多孔结构智能生成方案,能够满足Voronoi多孔结构对力学性能的需求。
本发明实施例公开了一种Voronoi多孔结构智能生成方法,参见图1所示,该方法包括:
步骤S11:基于目标三维实体模型生成与所述目标三维实体模型对应的离散点组。
本实施例中,基于目标三维实体模型生成与所述目标单位实体模型对应的离散点组。可以理解的是,在三维空间内,对于确定的任意三维实体模型,即目标三维实体模型,然后在该目标三维实体模型的边界内,生成相应的离散点组,每组离散点组的离散点数量相同,其中,离散点组中的单个离散点可以作为遗传算法的基因,每组离散点组作为所述遗传算法的个体,所有的离散点组即为遗传算法的种群。
本实施例中,所述基于目标三维实体模型生成与所述目标三维实体模型对应的离散点组,可以包括:基于目标三维实体模型生成与所述目标三维实体模型对应的预设数量的离散点组。也就是说,在三维实体模型的边界内,随机生成预设数量的离散点组。
步骤S12:根据所述离散点组生成对应的Voronoi多孔结构模型,并确定所述Voronoi多孔结构模型的适应度。
本实施例中,根据每组所述离散点组生成对应的Voronoi多孔结构模型。可以理解的是,根据每组离散点组中的离散点进行基于质心的Voronoi划分,从而得到对应的三维Voronoi多孔结构,其中,所述三维Voronoi多孔结构为由梁单元、柱单元组成的框架结构。
本实施例中,所述确定所述Voronoi多孔结构模型的适应度,可以包括:对所述Voronoi多孔结构模型进行结构力学分析得到相应的分析结果;利用目标函数对所述分析结果进行处理,得到所述Voronoi多孔结构模型对应的适应度。具体的,基于有限元分析算法对所述Voronoi多孔结构模型进行结构力学分析得到相应的分析结果。其中,所述目标函数的构建过程包括:根据所述分析结果确定函数配置参数,并基于所述函数配置参数构建所述目标函数。可以理解的是,对所述Voronoi多孔结构模型施加载荷和约束,进行有限元分析,从而得到应力应变等分析结果,进而将应力应变确定为函数配置参数,从而基于所述应力应变参数构建目标函数,然后利用该目标函数对所述分析结果进行函数处理,得到所述Voronoi多孔结构模型对应的适应度。
步骤S13:根据所述适应度对所述离散点组进行筛选以得到筛选后的离散点组,并基于所述筛选后的离散点组生成新的离散点组。
本实施例中,根据所述适应度对所述离散点组进行筛选以得到筛选后的离散点组。可以理解的是,根据所述适应度值,对所述Voronoi多孔结构种群中的个体进行筛选,淘汰掉劣势个体,保留优秀的个体,即根据所述适应度值对所述Voronoi多孔结构模型对应的离散点组进行筛选,淘汰掉劣势的离散点组,保留符合条件的优秀离散点组。
本实施例中,得到筛选后的离散点组,进而基于所述筛选后的离散点组生成新的离散点组。具体的,对所述筛选后的离散点组进行基因变换和基因变异操作,得到新的离散点组。可以理解的是,基于遗传算法对筛选后的离散点组进行基因交换、基因变异操作,从而生成新的离散点组。也即,对保留下来的优秀个体进行基因交换、基因变异,得到新的离散点组。
步骤S14:利用所述新的离散点组重新跳转至所述根据所述离散点组生成对应的Voronoi多孔结构模型的步骤,并统计所述Voronoi多孔结构模型的迭代生成次数。
本实施例中,基于所述筛选后的离散点组生成新的离散点组后,利用所述新的离散点组重新跳转至所述根据所述离散点组生成对应的Voronoi多孔结构模型的步骤。可以理解的是,利用所述新的离散点组重新生成新的Voronoi多孔结构模型。如图2a所示,上述图2a表示Voronoi多孔结构模型优化前的离散点分布,图2b示了出Voronoi多孔结构模型优化后的离散点分布。例如,将最优个体(即新的离散点组)的离散点进行基于质心的Voronoi划分,得到对应的三维Voronoi多孔结构,对划分得到的三维Voronoi多孔结构的每一条结构线赋予一定宽度和厚度,用以表征多孔结构的实体部分,其余则为多孔结构的孔隙部分。
本实施例中,统计当前Voronoi多孔结构模型的迭代生成次数,也就是说,在每次迭代生成新的Voronoi多孔结构模型时,都在上一次迭代生成次数的基础上进行次数加一操作,从而实现迭代生成次数的统计,或者记录每一代新种群中的最优个体的目标函数值变化。
步骤S15:判断所述迭代生成次数是否满足预设条件,得到相应的判断结果,并基于所述判断结果确定目标Voronoi多孔结构模型。
本实施例中,在每一次迭代生成新的Voronoi多孔结构模型之后,判断当前统计出的迭代生成次数是否满足预设条件,然后根据该判断结果确定最终的Voronoi多孔结构模型,即确定目标Voronoi多孔结构模型。可以理解的是,如果当前统计出的迭代生成次数满足预设条件,则可以停止对Voronoi多孔结构模型的迭代优化,并从迭代生成的新的Voronoi多孔结构模型中确定出目标Voronoi多孔结构模型,如果当前统计出的迭代生成次数不满足预设条件,则在当前生成的新的Voronoi多孔结构模型的基础上继续重复上述步骤迭代生成下一个新的Voronoi多孔结构模型,直至迭代生成次数满足预设条件或者所述迭代生成次数达到极限,也即如果当前统计出的迭代生成次数不满足预设条件,则利用生成的新的一代由最优个体所组成的新种群重复上述步骤S12至步骤S15的操作,同时记录每次迭代生成新的Voronoi多孔结构模型的迭代生成次数.
本实施例中,将Voronoi多孔结构视作由梁单元、柱单元组成的框架结构,施加载荷和约束,进行有限元分析,从而提升了对Voronoi多孔结构进行力学分析的速度,并且结合以离散点为基因的遗传算法,对初始三维Voronoi结构进行自优化,经过多次迭代得到了力学性能优秀的结构模型,从而满足Voronoi结构对力学性能的需求。
例如,如图3所示,以工业中的弱刚性叶片夹具模型为例,该模型进行N次迭代优化,上述图3示出了在相同工况下,经过N代进化后的基于Voronoi结构填充的叶片夹具模型沿Z轴的变形图,其中,图3(a)表示第0代优化后的结构的变形图,图3(b)表示第28代优化后的结构的变形图、图3(c)表示第58代优化后的结构的变形图、图3(d)表示第320代优化后的结构的变形图,从仿真结果可以看出,随着迭代的进行,框选出变形图中结构沿Z轴变形量大于12um的部分越来越小,表明结构的整体刚度越来越好。也就是说,经过遗传算法优化的Voronoi结构的变形在每一次迭代优化中一步步减少,提高结构刚度,从而得到了力学性能优秀的Voronoi结构模型。
可见,本申请实施例根据与目标三维实体模型对应的离散点组生成Voronoi多孔结构模型,然后根据确定出的该Voronoi多孔结构模型对应的适应度对离散点组进行筛选得到筛选后的离散点组,进而由筛选后的离散点组生成新的离散点组后,再根据新的离散点组生成新的Voronoi多孔结构模型,经过对Voronoi多孔结构模型的多次迭代优化得到力学性能优秀的目标Voronoi多孔结构模型,从而能够满足Voronoi结构对力学性能的需求。
参见图4所示,本发明实施例公开了一种具体的Voronoi多孔结构智能生成方法,相较于上一实施例,本实施例对技术方案作了进一步的说明和优化。
步骤S21:基于目标三维实体模型生成与所述目标三维实体模型对应的离散点组。
步骤S22:根据所述离散点组生成对应的Voronoi多孔结构模型,并确定所述Voronoi多孔结构模型的适应度。
步骤S23:根据所述适应度对所述离散点组进行筛选以得到筛选后的离散点组,并基于所述筛选后的离散点组生成新的离散点组。
步骤S24:利用所述新的离散点组重新跳转至所述根据所述离散点组生成对应的Voronoi多孔结构模型的步骤,并统计所述Voronoi多孔结构模型的迭代生成次数。
步骤S25:判断所述迭代生成次数是否大于预设迭代阈值,得到相应的判断结果。
本实施例中,在每一次迭代生成新的Voronoi多孔结构模型之后,判断当前统计出的迭代生成次数是否大于预设迭代阈值,或者是,判断每一代新种群中的最优个体的目标函数值变化是否达到预设变化阈值。也就是说,判断当前生成的新的Voronoi多孔结构模型中的离散点组的目标函数值变化是否达到预设变化阈值。然后根据相应的判断结果确定最终的Voronoi多孔结构模型,即确定目标Voronoi多孔结构模型。
步骤S26:若所述判断结果表明所述迭代生成次数大于所述预设迭代阈值,则从最后一次迭代生成的Voronoi多孔结构模型中确定出目标Voronoi多孔结构模型。
本实施例中,如果当前统计出的迭代生成次数大于所述预设迭代阈值,则可以停止对Voronoi多孔结构模型的迭代优化,并从最后一次迭代生成的Voronoi多孔结构模型中确定出目标Voronoi多孔结构模型。
步骤S27:若所述判断结果表明所述迭代生成次数不大于所述预设迭代阈值,则触发所述确定所述Voronoi多孔结构模型的适应度的步骤。
本实施例中,如果当前统计出的迭代生成次数不大于所述预设迭代阈值,则触发执行所述确定所述Voronoi多孔结构模型的适应度的步骤,也就是说,在当前生成的新的Voronoi多孔结构模型的基础上继续重复上述步骤迭代生成下一个新的Voronoi多孔结构模型,直至迭代生成次数大于所述预设迭代阈值或者所述迭代生成次数达到极限。
关于上述步骤S21至步骤S24的具体内容可以参考前述实施例中公开的相应内容,在此不再进行赘述。
如图5所示,导入三维实体模型,在所述三维实体模型内随机生成N个离散点组,所述N个离散点组表示N个模型个体,然后根据每组离散点组生成对应的Voronoi多孔结构模型,所述Voronoi多孔结构模型可以视作由杠杆组成的结构模型,对所述Voronoi多孔结构模型进行结构力学分析,得到相应的分析结果,进而根据目标函数对所述分析结果进行函数处理,得到N个模型个体对应的适应度值,然后判断当前统计的所述Voronoi多孔结构模型的迭代次数是否超过预设的最大迭代次数,若当前统计的所述Voronoi多孔结构模型的迭代次数未超过预设的最大迭代次数,则根据所述适应度值对所述离散点组数据进行筛选,淘汰劣势个体,保留优秀个体,然后对保留下来的离散点组进行基因交换、基因变异,从而生成新的离散点组,即生成新个体,再利用新的离散点组生成新的Voronoi多孔结构模型,对所述新的Voronoi多孔结构模型再进行结构力学分析,得到相应的分析结果,进而根据目标函数对所述分析结果进行函数处理,得到N个模型个体对应的适应度值,然后判断当前统计的所述Voronoi多孔结构模型的迭代次数是否超过预设的最大迭代次数,重复迭代这个过程,直至当前统计到的所述Voronoi多孔结构模型的迭代次数超过预设的最大迭代次数,或者是所述迭代次数达到迭代极限,则从最后一次迭代生成的新的Voronoi多孔结构模型中确定出目标Voronoi多孔结构模型,所述目标Voronoi多孔结构模型对应的离散点组为最优个体。
可见,本申请实施例根据与目标三维实体模型对应的离散点组生成Voronoi多孔结构模型,然后根据确定出的该Voronoi多孔结构模型对应的适应度对离散点组进行筛选得到筛选后的离散点组,进而由筛选后的离散点组生成新的离散点组后,再根据新的离散点组生成新的Voronoi多孔结构模型,经过对Voronoi多孔结构模型的多次迭代优化得到力学性能优秀的目标Voronoi多孔结构模型,从而能够满足Voronoi结构对力学性能的需求。
相应的,本申请实施例还公开了一种Voronoi多孔结构智能生成装置,参见图6所示,该装置包括:
离散点组生成模块11,用于基于目标三维实体模型生成与所述目标三维实体模型对应的离散点组;
模型生成模块12,用于根据所述离散点组生成对应的Voronoi多孔结构模型;
适应度确定模块13,用于确定所述Voronoi多孔结构模型的适应度;
离散点筛选模块14,用于根据所述适应度对所述离散点组进行筛选以得到筛选后的离散点组,并基于所述筛选后的离散点组生成新的离散点组;
步骤跳转模块15,用于利用所述新的离散点组重新跳转至所述根据所述离散点组生成对应的Voronoi多孔结构模型的步骤,并统计所述Voronoi多孔结构模型的迭代生成次数;
条件判断模块16,用于判断所述迭代生成次数是否满足预设条件,得到相应的判断结果;
模型确定模块17,用于基于所述判断结果确定目标Voronoi多孔结构模型。
由上可见,本实施例中根据与目标三维实体模型对应的离散点组生成Voronoi多孔结构模型,然后根据确定出的该Voronoi多孔结构模型对应的适应度对离散点组进行筛选得到筛选后的离散点组,进而由筛选后的离散点组生成新的离散点组后,再根据新的离散点组生成新的Voronoi多孔结构模型,经过对Voronoi多孔结构模型的多次迭代优化得到力学性能优秀的目标Voronoi多孔结构模型,从而能够满足Voronoi结构对力学性能的需求。
在一些具体的实施例中,所述离散点组生成模块11,具体可以包括:
第一离散点组生成单元,用于基于目标三维实体模型生成与所述目标三维实体模型对应的预设数量的离散点组。
在一些具体的实施例中,所述适应度确定模块13,具体可以包括:
模型分析单元,用于对所述Voronoi多孔结构模型进行结构力学分析得到相应的分析结果;
分析结果处理单元,用于利用目标函数对所述分析结果进行处理,得到所述Voronoi多孔结构模型对应的适应度。
在一些具体的实施例中,所述模型分析单元,具体可以包括:
模型分析子单元,用于基于有限元分析算法对所述Voronoi多孔结构模型进行结构力学分析得到相应的分析结果。
在一些具体的实施例中,所述利用目标函数对所述分析结果进行处理,得到所述Voronoi多孔结构模型对应的适应度之前,具体还可以包括:
函数构建单元,用于根据所述分析结果确定函数配置参数,并基于所述函数配置参数构建所述目标函数。
在一些具体的实施例中,所述离散点筛选模块14,具体可以包括:
第二离散点组生成单元,用于对所述筛选后的离散点组进行基因变换和基因变异操作,得到新的离散点组。
在一些具体的实施例中,所述条件判断模块16,具体可以包括:
判断单元,用于判断所述迭代生成次数是否大于预设迭代阈值,得到相应的判断结果;
相应的,所述模型确定模块17,具体可以包括:
目标模型确定单元,用于当所述判断结果表明所述迭代生成次数大于所述预设迭代阈值,则从最后一次迭代生成的Voronoi多孔结构模型中确定出目标Voronoi多孔结构模型;
步骤触发单元,用于当所述判断结果表明所述迭代生成次数不大于所述预设迭代阈值,则触发所述确定所述Voronoi多孔结构模型的适应度的步骤。
进一步的,本申请实施例还提供了一种电子设备。图7是根据一示例性实施例示出的电子设备20结构图,图中的内容不能认为是对本申请的使用范围的任何限制。
图7为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20,具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的Voronoi多孔结构智能生成方法中的相关步骤。另外,本实施例中的电子设备20具体可以为电子计算机。
本实施例中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源可以包括操作系统221、计算机程序222等,存储方式可以是短暂存储或者永久存储。
其中,操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222,其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的Voronoi多孔结构智能生成方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的,本申请实施例还公开了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器加载并执行时,实现前述任一实施例公开的Voronoi多孔结构智能生成方法步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种Voronoi多孔结构智能生成方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种Voronoi多孔结构智能生成方法,其特征在于,包括:
基于目标三维实体模型生成与所述目标三维实体模型对应的离散点组;
根据所述离散点组生成对应的Voronoi多孔结构模型,并确定所述Voronoi多孔结构模型的适应度;
根据所述适应度对所述离散点组进行筛选以得到筛选后的离散点组,并基于所述筛选后的离散点组生成新的离散点组;
利用所述新的离散点组重新跳转至所述根据所述离散点组生成对应的Voronoi多孔结构模型的步骤,并统计所述Voronoi多孔结构模型的迭代生成次数;
判断所述迭代生成次数是否满足预设条件,得到相应的判断结果,并基于所述判断结果确定目标Voronoi多孔结构模型。
2.根据权利要求1所述的Voronoi多孔结构智能生成方法,其特征在于,所述确定所述Voronoi多孔结构模型的适应度,包括:
对所述Voronoi多孔结构模型进行结构力学分析得到相应的分析结果;
利用目标函数对所述分析结果进行处理,得到所述Voronoi多孔结构模型对应的适应度。
3.根据权利要求2所述的Voronoi多孔结构智能生成方法,其特征在于,所述对所述Voronoi多孔结构模型进行结构力学分析得到相应的分析结果,包括:
基于有限元分析算法对所述Voronoi多孔结构模型进行结构力学分析得到相应的分析结果。
4.根据权利要求2所述的Voronoi多孔结构智能生成方法,其特征在于,所述利用目标函数对所述分析结果进行处理,得到所述Voronoi多孔结构模型对应的适应度之前,还包括:
根据所述分析结果确定函数配置参数,并基于所述函数配置参数构建所述目标函数。
5.根据权利要求1所述的Voronoi多孔结构智能生成方法,其特征在于,所述基于所述筛选后的离散点组生成新的离散点组,包括:
对所述筛选后的离散点组进行基因变换和基因变异操作,得到新的离散点组。
6.根据权利要求1所述的Voronoi多孔结构智能生成方法,其特征在于,所述基于目标三维实体模型生成与所述目标三维实体模型对应的离散点组,包括:
基于目标三维实体模型生成与所述目标三维实体模型对应的预设数量的离散点组。
7.根据权利要求1至6任一项所述的Voronoi多孔结构智能生成方法,其特征在于,所述判断所述迭代生成次数是否满足预设条件,得到相应的判断结果,包括:
判断所述迭代生成次数是否大于预设迭代阈值,得到相应的判断结果;
相应的,所述基于所述判断结果确定目标Voronoi多孔结构模型,包括:
若所述判断结果表明所述迭代生成次数大于所述预设迭代阈值,则从最后一次迭代生成的Voronoi多孔结构模型中确定出目标Voronoi多孔结构模型;
若所述判断结果表明所述迭代生成次数不大于所述预设迭代阈值,则触发所述确定所述Voronoi多孔结构模型的适应度的步骤。
CN202210727064.6A 2022-06-24 2022-06-24 一种Voronoi多孔结构智能生成方法 Pending CN115107280A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210727064.6A CN115107280A (zh) 2022-06-24 2022-06-24 一种Voronoi多孔结构智能生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210727064.6A CN115107280A (zh) 2022-06-24 2022-06-24 一种Voronoi多孔结构智能生成方法

Publications (1)

Publication Number Publication Date
CN115107280A true CN115107280A (zh) 2022-09-27

Family

ID=83327443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210727064.6A Pending CN115107280A (zh) 2022-06-24 2022-06-24 一种Voronoi多孔结构智能生成方法

Country Status (1)

Country Link
CN (1) CN115107280A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220198095A1 (en) * 2020-12-18 2022-06-23 Autodesk, Inc. Techniques for automatically designing frame systems associated with buildings

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050256684A1 (en) * 2004-01-12 2005-11-17 Yaochu Jin System and method for estimation of a distribution algorithm
CN103366605A (zh) * 2013-07-23 2013-10-23 天津天航创力科技有限公司 一种基于图论和遗传算法的终端扇区划分方法
CN103778271A (zh) * 2013-09-06 2014-05-07 上海大学 基于网格装配的多孔结构建模方法
CN108647386A (zh) * 2018-04-04 2018-10-12 江苏理工学院 一种应用于frp防撞梁结构/材料的协同优化设计方法
CN109840936A (zh) * 2017-11-29 2019-06-04 奥多比公司 使用遗传编程生成3d结构以满足功能和几何结构约束
US20190332733A1 (en) * 2017-07-13 2019-10-31 Shandong University Modeling method for high-density discrete particle multiphase system
CN110765507A (zh) * 2019-10-31 2020-02-07 重庆大学 一种基于云服务技术的三维cad建模方法、装置、系统
CN112157911A (zh) * 2020-09-11 2021-01-01 华侨大学 一种自支撑的3d打印梯度弹性多孔材料微结构设计方法
KR20210027007A (ko) * 2019-08-28 2021-03-10 김경민 3차원 정질 다공성 구조체의 제조 방법과 그 방법에 의해 제조되는 여과재
CN112507581A (zh) * 2020-11-18 2021-03-16 华能澜沧江水电股份有限公司 可避免畸形计算单元的岩石细观数值模型生成方法及系统
CN112749492A (zh) * 2021-01-18 2021-05-04 大连理工大学 一种壳体结构上的雕刻优化设计方法
CN112906154A (zh) * 2021-02-05 2021-06-04 中原工学院 一种结合快速成型与有限元仿真的机床立柱结构优化方法
CN112966398A (zh) * 2021-04-13 2021-06-15 宁波大学 一种基于应力分布的Voronoi多孔梯度结构生成方法
CN114491803A (zh) * 2022-01-13 2022-05-13 上海卫星工程研究所 面向大尺寸可展开天线的传感器布局方法及系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050256684A1 (en) * 2004-01-12 2005-11-17 Yaochu Jin System and method for estimation of a distribution algorithm
CN103366605A (zh) * 2013-07-23 2013-10-23 天津天航创力科技有限公司 一种基于图论和遗传算法的终端扇区划分方法
CN103778271A (zh) * 2013-09-06 2014-05-07 上海大学 基于网格装配的多孔结构建模方法
US20190332733A1 (en) * 2017-07-13 2019-10-31 Shandong University Modeling method for high-density discrete particle multiphase system
CN109840936A (zh) * 2017-11-29 2019-06-04 奥多比公司 使用遗传编程生成3d结构以满足功能和几何结构约束
CN108647386A (zh) * 2018-04-04 2018-10-12 江苏理工学院 一种应用于frp防撞梁结构/材料的协同优化设计方法
KR20210027007A (ko) * 2019-08-28 2021-03-10 김경민 3차원 정질 다공성 구조체의 제조 방법과 그 방법에 의해 제조되는 여과재
CN110765507A (zh) * 2019-10-31 2020-02-07 重庆大学 一种基于云服务技术的三维cad建模方法、装置、系统
CN112157911A (zh) * 2020-09-11 2021-01-01 华侨大学 一种自支撑的3d打印梯度弹性多孔材料微结构设计方法
CN112507581A (zh) * 2020-11-18 2021-03-16 华能澜沧江水电股份有限公司 可避免畸形计算单元的岩石细观数值模型生成方法及系统
CN112749492A (zh) * 2021-01-18 2021-05-04 大连理工大学 一种壳体结构上的雕刻优化设计方法
CN112906154A (zh) * 2021-02-05 2021-06-04 中原工学院 一种结合快速成型与有限元仿真的机床立柱结构优化方法
CN112966398A (zh) * 2021-04-13 2021-06-15 宁波大学 一种基于应力分布的Voronoi多孔梯度结构生成方法
CN114491803A (zh) * 2022-01-13 2022-05-13 上海卫星工程研究所 面向大尺寸可展开天线的传感器布局方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
姚;王瑛;: "基于动态扇区的空域与飞行流量两阶段协同规划模型及算法", 西北工业大学学报, no. 04 *
姚亚洲;谢劲松;范树迁;: "骨组织支架的计算机辅助设计方法综述", 图学学报, no. 03 *
李小平;郑世杰;: "基于遗传算法和拓扑优化的结构多孔洞损伤识别", 振动与冲击, no. 07 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220198095A1 (en) * 2020-12-18 2022-06-23 Autodesk, Inc. Techniques for automatically designing frame systems associated with buildings

Similar Documents

Publication Publication Date Title
CN109918201B (zh) 任务卸载的控制方法和系统
Lindemann et al. Performance analysis of time-enhanced UML diagrams based on stochastic processes
CN115107280A (zh) 一种Voronoi多孔结构智能生成方法
CN111274020A (zh) 基于樽海鞘群的云任务调度方法、装置、设备及存储介质
Yin et al. An improved genetic algorithm for task scheduling in cloud computing
CN114253735B (zh) 一种任务处理方法、装置及相关设备
CN105407158A (zh) 一种建立模型和推送消息的方法及装置
Huang et al. Auto scaling virtual machines for web applications with queueing theory
CN115168240B (zh) 一种基于变量组合时间序列功能覆盖率的测试方法和系统
CN111340192A (zh) 网络路径分配模型训练方法、路径分配方法、以及装置
CN113535381A (zh) 基于改进遗传算法的服务功能链映射方法、装置及设备
CN110995856B (zh) 一种服务器扩展的方法、装置、设备及存储介质
CN108259583B (zh) 一种数据动态迁移方法及装置
Eftekhari et al. Parallelized dimensional decomposition for large-scale dynamic stochastic economic models
Alcaraz-Mejia et al. A framework based on matlab/simulink for the simulation of DES using petri net models
Hong et al. Ctmc-based availability analysis of cluster system with multiple nodes
Watanabe et al. Optimal spot-checking for computation time minimization in volunteer computing
Carvalho et al. Edge-Assisted Secure and Dependable Optimal Policies for the 5G Cloudified Infrastructure
Zhao et al. Optimal rate-matrix pruning for large-scale heterogeneous systems
CN111475718A (zh) 基于偏好多样性的用户活跃模型构建方法及系统
Lukashenko et al. A Gaussian approximation of the distributed computing process
CN117891584B (zh) 基于dag分组的任务并行度调度方法、介质和设备
CN114285437B (zh) 一种230m无线通信模组与电力载波的双模通信分配方法
Kos et al. Poisson packet traffic generation based on empirical data
Bassamboo et al. Importance sampling simulation in the presence of heavy tails

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