CN115238394B - 复合材料结构多源不确定性混合可靠性数字孪生建模方法 - Google Patents
复合材料结构多源不确定性混合可靠性数字孪生建模方法 Download PDFInfo
- Publication number
- CN115238394B CN115238394B CN202210954662.7A CN202210954662A CN115238394B CN 115238394 B CN115238394 B CN 115238394B CN 202210954662 A CN202210954662 A CN 202210954662A CN 115238394 B CN115238394 B CN 115238394B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- uncertainty
- digital twin
- composite material
- 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
Links
Classifications
-
- 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]
- G06F30/20—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]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- G06N3/08—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
- G06F2113/00—Details relating to the application field
- G06F2113/26—Composites
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了复合材料结构多源不确定性混合可靠性数字孪生建模方法,以复合材料结构为研究对象,针对复合材料性能离散性大、失效机理复杂的特点,用多尺度方法建立复合材料结构高保真有限元模型,可对不同失效模式建立相应故障物理模型;用人工智能技术建立故障物理模型的降阶模型,以满足数字孪生模型的实时在线部署要求;同时借助数据驱动技术对降阶模型进一步修正,提高复合材料结构响应(应力/应变/损伤/疲劳寿命)预测的准确性;考虑模型中数据的不确定性及样本充足与否,分别用概率与非概率变量进行描述,建立复合材料结构多源不确定性混合可靠性数字孪生模型。该模型能实现对复合材料结构响应的准确预测,以及可靠性的实时精确评估。
Description
技术领域
本发明涉及复合材料结构可靠性领域,尤其涉及了复合材料结构多源不确定性混合可靠性数字孪生建模方法。
技术背景
复合材料具有比强度和比刚度高、抗疲劳性能好、力学性能可设计等优点,目前已经在飞行器上应用越来越广泛,甚至在某些关键结构上也大量使用了复合材料,但是复合材料与金属材料相比有着更复杂的失效模式与失效机理。另一方面复合材料与金属材料相比,其组分材料性能参数离散性更大。复合材料强度行为受到组分材料、界面性质、层合结构、环境等多种因素的影响,并且包含着许多可认知和不可认知的不确定因素。因此,对复合材料结构件建立不确定性多尺度高保真有限元模型,成为后续可靠性数字孪生建模的关键。
目前,对复合材料结构件的建模主要集中在确定性多尺度有限元模型上,未考虑不确定性因素的影响。而实际工程中不确定信息是广泛存在的,因而有必要对复合材料结构进行不确定性多尺度有限元建模。
由于复合材料的各向异性使其受到载荷、边界条件、环境的变动异常敏感,因此复合材料结构更需要进行可靠性的设计与评估。在工程结构系统中不确定信息有随机、未知而有界等几种种描述形式。由传感器测量、有限元模型/降阶模型得到的多源不确定性数据,如果某些参数数据样本充足,可以拟合准确的概率分布,采用概率变量来描述较为合适;如果某些参数数据样本缺乏,无法准确拟合出概率分布,采用非概率变量描述较为合适。因此,建立概率-非概率的多源不确定性混合可靠性模型是对复合材料结构更加符合实际的可靠性分析与评估。
数字孪生是一项能够通过物理模型、传感器更新、运行历史等数据将实际模型映射至孪生模型中的一种集成多学科、多物理量、多尺度、多概率的仿真技术。针对不同复合材料结构件的服役环境、失效模式等,首先建立起不同的故障物理模型,以人工智能机器学习技术实现对故障物理模型降阶后的在线部署、故障诊断与预测。然后基于传感器实时数据不断更新降阶模型,进行实时修正。最后基于传感器、故障物理模型(多尺度有限元模型)/降阶模型的多源不确定数据建立的混合可靠性模型,实现可靠性实时评估。从而最终实现实际模型与孪生模型的数据互动,在数字空间中实时定量描述分析物理空间中复合材料结构服役过程、失效状态、可靠性变化等各项动态行为。
综上所述,如何利用数字孪生技术,将多源、多尺度复合材料结构全寿命周期服役状态、失效状态各项数据与高保真故障物理模型(多尺度有限元模型)/降阶模型融合;基于混合可靠性模型进行实时可靠性评估,来大幅提升可靠性评估的准确性和实时性,是目前复合材料结构可靠性领域亟待解决的关键问题。
发明内容
本发明提供了复合材料结构多源不确定性混合可靠性数字孪生建模方法,能够实现对复合材料结构失效的实时高保真模拟与实时可靠性评估。
为达到上述目的,本发明采用如下技术方案:
复合材料结构多源不确定性混合可靠性数字孪生建模方法,包括:
步骤一、对输入变量:载荷、结构参数如纤维直径、纤维体积分数、铺层厚度,进行超拉丁抽样,获得多尺度高保真有限元模型输入变量样本;
步骤二、建立确定性多尺度高保真有限元模型,获得在输入变量样本下的高保真有限元模型结构仿真的应力、应变、损伤、疲劳寿命输出数据。并考虑输入数据的不确定性,建立不确定性多尺度高保真有限元模型;
步骤三、采用神经网络算法对不确定性多尺度高保真有限元模型进行降阶处理,通过神经网络训练步骤一中输入变量样本数据与步骤二中有限元仿真输出数据,建立输入变量与输出变量之间关系的降阶模型;
步骤四、建立误差融合修正策略,根据传感器输入的实时数据与步骤三中神经网络训练的数据集融合,组成新的数据集返回训练,实时更新降阶模型;
步骤五、传感器实时载荷数据输入到最新修正的降阶模型中,获得应力、应变、损伤、疲劳寿命预测结果;
步骤六、在确定性数字孪生模型基础上,考虑数字孪生模型中数据的不确定性,建立多源混合可靠性数字孪生模型,其中不确定性数据来源为传感器数据、多尺度有限元模型和降阶模型中的数据、结构失效的不确定性,并对不确定性数据采用概率和非概率2种不确定性变量进行描述;
步骤七、在多源混合可靠性数字孪生模型基础上,采用人工智能优化算法实时计算混合可靠度,并进行可靠性分析;
步骤八、首先使用二维或三维实时显示技术,将复合材料结构的应力、应变、损伤响应数据实时显示建立确定性数字孪生模型,并进行应力、应变分析、损伤分析、疲劳寿命分析;在确定性数字孪生的基础上,考虑数字孪生模型中数据的不确定性,并采用概率和非概率2 种不确定性变量描述不确定性数据,建立复合材料多源不确定性混合可靠性数字孪生模型,实时计算混合可靠度,并将混合可靠性计算结果实时显示。
进一步的步骤一中,所述多尺度,分为纤维与基体的微观尺度、编织结构的介观尺度、铺层后形成整体结构的宏观尺度;所述纤维直径、纤维体积分数、铺层厚度分别为复合材料多尺度划分中的微观、介观、宏观尺度下对应的不确定性变量;所述结构参数还可以包含纤维内部缺陷、纤维分布、纤维丝束分布、铺层顺序、铺层角度、宏观结构尺寸。
进一步的步骤二中,所述有限元模型为各类故障物理模型,建立不同故障物理模型即可建立对应的数字孪生模型。
进一步的步骤三中,所述神经网络算法以BP神经网络算法为基础,根据变量和故障物理模型种类在遗传、粒子群、蚁群、萤火虫人工智能优化算法中选择合适的优化算法来优化BP神经网络算法中的权值和阈值,以提高BP神经网络算法的预测精度。
进一步的步骤六中,所述多源实时混合可靠性模型中,多源数据来自不同传感器测量所得数据和有限元模型仿真数据;所述概率变量,是指传感器测量数据、降阶模型预测数据中数据样本充足的不确定性变量,可以拟合出准确的概率分布,采用概率变量描述;所述非概率变量,是指传感器测量数据、降阶模型预测数据中数据样本缺乏的不确定性变量,无法拟合出准确的概率分布,采用非概率变量描述。
进一步的步骤七中,所述人工智能优化算法,可根据实际情况在遗传、粒子群、蚁群人工智能优化算法中选择合适的优化算法。
本发明的优点在于:
本发明以复合材料结构件为研究对象,针对工程中可靠性评估结果滞后、可信度低的问题,采用数字孪生技术将故障物理模型、可靠性模型、数据驱动模型技术、大数据人工智能技术相融合,实质上是以数据驱动模型实时准确提供故障物理模型/降阶模型所需的输入数据(如载荷数据),以此通过实时数据的加入对故障物理模型/降阶模型进行实时更新,实现对故障物理模型的降阶后在线部署、实时损伤精确分析、故障诊断、实时可靠性精确评估。
相比于传统的可靠性模型,借助本发明开发的模型可以做到针对某一产品的具体故障模式与失效机理的可靠性实时精确评估,解决可靠性评估的结果滞后、可信度低的问题;实时多源不确定性混合可靠性数字孪生模型,可以动态追踪产品使用性能的退化过程,可以充分考虑单个产品全寿命周期的实时状态、可以进行可靠性实时精确评估,更加注重产品的个性化性能追踪,还避免了工程中数据样本缺乏与不可认知因素造成的可靠性评估误差大的问题。
附图说明
图1为本发明实施例中的建模流程图。
图2为本发明实施例中的复合材料标准试样某一时刻的等效应力云图。
图3为本发明实施例中的复合材料标准试样某一时刻的蔡吴应力准则判断失效云图。
图4为本发明实施例中的使用误差融合修正策略修正后预测出的应变数据与不使用误差融合修正策略预测出的应变数据平均误差曲线。
图5为本发明实施例中的使用误差融合修正策略修正后预测出的应力数据与不使用误差融合修正策略预测出的应力数据平均误差曲线。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案,下面结合具体实施方式对本发明作进一步详细描述。
本发明实施例提供了复合材料标准试样多源不确定性混合可靠性数字孪生建模方法,流程图如图1所示,包括:
步骤一、对输入变量:载荷、结构参数如纤维直径、纤维体积分数、铺层厚度,进行超拉丁抽样,获得多尺度高保真有限元模型输入变量样本;所述多尺度,分为纤维与基体的微观尺度、编织结构的介观尺度、铺层后形成整体结构的宏观尺度;所述纤维直径、纤维体积分数、铺层厚度分别为复合材料多尺度划分中的微观、介观、宏观尺度下对应的不确定性变量;所述结构参数还可以包含纤维内部缺陷、纤维分布、纤维丝束分布、铺层顺序、铺层角度、宏观结构尺寸;
步骤二、首先建立确定性多尺度高保真有限元模型,获得在输入变量样本下的高保真有限元模型结构仿真的应力、应变、损伤、疲劳寿命输出数据。如图2所示为某一时刻等效应力云图,如图3所示为某一时刻蔡吴强度准则判断的失效云图。并考虑输入数据的不确定性,建立不确定性多尺度高保真有限元模型;所述有限元模型为各类故障物理模型,建立不同故障物理模型即可建立对应的数字孪生模型;
步骤三、采用神经网络算法对不确定性多尺度高保真有限元模型进行降阶处理,通过神经网络训练步骤一中输入变量样本数据与步骤二中有限元仿真输出数据,建立输入变量与输出变量之间关系的降阶模型;所述神经网络算法以BP神经网络算法为基础,根据变量和故障物理模型种类在遗传、粒子群、蚁群、萤火虫人工智能优化算法中选择合适的优化算法来优化BP神经网络算法中的权值和阈值,以提高BP神经网络算法的预测精度;
步骤四、建立误差融合修正策略,根据传感器输入的实时数据与步骤三中神经网络训练的数据集融合,组成新的数据集返回训练,实时更新降阶模型,使用该策略修正后预测出的响应数据与不使用误差融合修正策略预测出的响应数据平均误差曲线如图4、图5所示。
步骤五、传感器实时载荷数据输入到最新修正的降阶模型中,获得应力、应变、损伤、疲劳寿命预测结果。
步骤六、在确定性数字孪生模型基础上,考虑数字孪生模型中数据的不确定性,建立多源混合可靠性数字孪生模型,并通过演示算例给出混合可靠性模型求解计算过程。可靠性计算中的不确定性数据来源为传感器数据、有限元模型和降阶模型中的数据、结构失效的不确定性,不确定性变量包括:纤维直径、纤维体积分数、标准试样结构尺寸、载荷、应力、强度,根据实际测试数据样本量是否充足,将不确定性变量分别用截尾概率变量(样本充足)与非概率变量(样本缺乏)进行描述。
截尾概率变量为:
非概率变量为:
所建立的混合可靠性模型为:
混合可靠性模型计算过程演示算例:
式中:Z1,Z2为截尾标准正态分布变量,Z1∈[-2,2],Z2∈[-1,1],Δv1为非概率区间变量,Δv1∈[-1.5,1.5]。使用遗传算法优化求解可靠性指标得到其优化迭代结果如表1所示。
表1优化迭代过程
使用优化算法求解指标其优化迭代结果如表2所示,最终得到
表2优化迭代过程
上述演示算例中给出了截尾概率与非概率变量同时存在时的混合可靠性模型求解计算过程;
所述多源实时混合可靠性模型中,多源数据来自不同传感器测量所得数据和有限元模型仿真数据;所述概率变量,是指传感器测量数据、降阶模型预测数据中数据样本充足的不确定性变量,可以拟合出准确的概率分布,采用概率变量描述;所述非概率变量,是指传感器测量数据、降阶模型预测数据中数据样本缺乏的不确定性变量,无法拟合出准确的概率分布,采用非概率变量描述
步骤七、在多源混合可靠性数字孪生模型基础上,采用人工智能优化算法实时计算混合可靠度(本实施例具体为采用遗传算法实时计算混合可靠度),并进行可靠性分析;所述人工智能优化算法,可根据实际情况在遗传、粒子群、蚁群人工智能优化算法中选择合适的优化算法;
步骤八、首先使用二维或三维实时显示技术,将复合材料结构的应力、应变、损伤响应数据实时显示建立确定性数字孪生模型,并进行应力、应变分析、损伤分析、疲劳寿命分析等;在确定性数字孪生的基础上,考虑数字孪生模型中数据的不确定性,并采用概率和非概率2种不确定性变量描述不确定性数据,建立复合材料多源不确定性混合可靠性数字孪生模型,实时计算混合可靠度,并将混合可靠性计算结果实时显示。
以上所述,仅为本发明的具体案例,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.复合材料结构多源不确定性混合可靠性数字孪生建模方法,其特征在于,包括:
步骤一、对输入变量:载荷、结构参数如纤维直径、纤维体积分数、铺层厚度,进行超拉丁抽样,获得多尺度高保真有限元模型输入变量样本;
步骤二、建立确定性多尺度高保真有限元模型,获得在输入变量样本下的高保真有限元模型结构仿真的应力、应变、损伤、疲劳寿命输出数据;并考虑输入数据的不确定性,建立不确定性多尺度高保真有限元模型;
步骤三、采用神经网络算法对不确定性多尺度高保真有限元模型进行降阶处理,通过神经网络训练步骤一中输入变量样本数据与步骤二中有限元仿真输出数据,建立输入变量与输出变量之间关系的降阶模型;
步骤四、建立误差融合修正策略,根据传感器输入的实时数据与步骤三中神经网络训练的数据集融合,组成新的数据集返回训练,实时更新降阶模型;
步骤五、传感器实时载荷数据输入到最新修正的降阶模型中,获得应力、应变、损伤、疲劳寿命预测结果;
步骤六、在确定性数字孪生模型基础上,考虑数字孪生模型中数据的不确定性,建立多源混合可靠性数字孪生模型,其中不确定性数据来源为传感器数据、多尺度高保真有限元模型和降阶模型中的数据、结构失效的不确定性,并对不确定性数据采用概率和非概率2种不确定性变量进行描述;
步骤七、在多源混合可靠性数字孪生模型基础上,采用人工智能优化算法实时计算混合可靠度,并进行可靠性分析;
步骤八、首先使用二维或三维实时显示技术,将复合材料结构的应力、应变、损伤响应数据实时显示建立确定性数字孪生模型,并进行应力、应变分析、损伤分析、疲劳寿命分析;在确定性数字孪生的基础上,考虑数字孪生模型中数据的不确定性,并采用概率和非概率2种不确定性变量描述不确定性数据,建立复合材料多源不确定性混合可靠性数字孪生模型,实时计算混合可靠度,并将混合可靠性计算结果实时显示。
2.根据权利要求1所述的复合材料结构多源不确定性混合可靠性数字孪生建模方法,其特征在于,在所述步骤一中,所述多尺度,分为纤维与基体的微观尺度、编织结构的介观尺度、铺层后形成整体结构的宏观尺度;所述纤维直径、纤维体积分数、铺层厚度分别为复合材料多尺度划分中的微观、介观、宏观尺度下对应的不确定性变量;所述结构参数还包含纤维内部缺陷、纤维分布、纤维丝束分布、铺层顺序、铺层角度、宏观结构尺寸。
3.根据权利要求1所述的复合材料结构多源不确定性混合可靠性数字孪生建模方法,其特征在于,在所述步骤二中,所述有限元模型为各类故障物理模型,建立不同故障物理模型即可建立对应的数字孪生模型。
4.根据权利要求1所述的复合材料结构多源不确定性混合可靠性数字孪生建模方法,其特征在于,在所述步骤三中,所述神经网络算法以BP神经网络算法为基础,根据变量和故障物理模型种类在遗传、粒子群、蚁群、萤火虫人工智能优化算法中选择合适的优化算法来优化BP神经网络算法中的权值和阈值,以提高BP神经网络算法的预测精度。
5.根据权利要求1所述的复合材料结构多源不确定性混合可靠性数字孪生建模方法,其特征在于,在所述步骤六中,所述多源混合可靠性数字孪生模型中,多源数据来自不同传感器测量所得数据和有限元模型仿真数据;所述概率变量,是指传感器测量数据、降阶模型预测数据中数据样本充足的不确定性变量,可以拟合出准确的概率分布,采用概率变量描述;所述非概率变量,是指传感器测量数据、降阶模型预测数据中数据样本缺乏的不确定性变量,无法拟合出准确的概率分布,采用非概率变量描述。
6.根据权利要求1所述的复合材料结构多源不确定性混合可靠性数字孪生建模方法,其特征在于,在所述步骤七中,所述人工智能优化算法,可根据实际情况在遗传、粒子群、蚁群人工智能优化算法中选择合适的优化算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210954662.7A CN115238394B (zh) | 2022-08-10 | 2022-08-10 | 复合材料结构多源不确定性混合可靠性数字孪生建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210954662.7A CN115238394B (zh) | 2022-08-10 | 2022-08-10 | 复合材料结构多源不确定性混合可靠性数字孪生建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115238394A CN115238394A (zh) | 2022-10-25 |
CN115238394B true CN115238394B (zh) | 2023-10-13 |
Family
ID=83678530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210954662.7A Active CN115238394B (zh) | 2022-08-10 | 2022-08-10 | 复合材料结构多源不确定性混合可靠性数字孪生建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115238394B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341396B (zh) * | 2023-05-30 | 2023-08-11 | 青岛理工大学 | 一种基于多源数据融合的复杂装备数字孪生建模方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695734A (zh) * | 2020-06-12 | 2020-09-22 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法 |
CN112507452A (zh) * | 2020-11-30 | 2021-03-16 | 南京航空航天大学 | 航空发动机涡轮叶片可靠性数字孪生建模方法 |
-
2022
- 2022-08-10 CN CN202210954662.7A patent/CN115238394B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695734A (zh) * | 2020-06-12 | 2020-09-22 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法 |
CN112507452A (zh) * | 2020-11-30 | 2021-03-16 | 南京航空航天大学 | 航空发动机涡轮叶片可靠性数字孪生建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115238394A (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Karve et al. | Digital twin approach for damage-tolerant mission planning under uncertainty | |
CN109947086B (zh) | 基于对抗学习的机械故障迁移诊断方法及系统 | |
CN110807257A (zh) | 航空发动机剩余寿命预测方法 | |
Silva et al. | Statistical models applied to service life prediction of rendered façades | |
You et al. | Advances of digital twins for predictive maintenance | |
CN114117840B (zh) | 一种基于仿真和试验数据混合驱动的结构性能预测方法 | |
CN111209620B (zh) | 含裂纹结构剩余承载力及裂纹扩展路径的预测方法 | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN111881495A (zh) | 基于数字孪生的预应力钢结构安全评估方法 | |
CN111638034B (zh) | 基于深度学习的应变天平温度梯度误差补偿方法及系统 | |
Lin et al. | Multi-objective decision-making model based on CBM for an aircraft fleet with reliability constraint | |
CN115238394B (zh) | 复合材料结构多源不确定性混合可靠性数字孪生建模方法 | |
Lai et al. | Digital twin-based structural health monitoring by combining measurement and computational data: An aircraft wing example | |
CN114528666A (zh) | 一种基于多层级分布式协同代理模型的复杂结构系统可靠性方法 | |
Li et al. | K-BP neural network-based strain field inversion and load identification for CFRP | |
Gao et al. | Multiaxial fatigue prediction and uncertainty quantification based on back propagation neural network and Gaussian process regression | |
CN115618732A (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
Li et al. | A review on physics-informed data-driven remaining useful life prediction: Challenges and opportunities | |
Guo et al. | Bayesian information fusion method for reliability analysis with failure‐time data and degradation data | |
Bai et al. | Reliability analysis on civil engineering project based on integrated adaptive simulation annealing and gray correlation method | |
Dilger et al. | Definition and reference framework for life cycle technologies in life cycle engineering-a case study on all solid state traction batteries | |
Hausmann et al. | Systematic approaches for sensor selection and integration–A systematic literature review | |
Lazarevska et al. | Determination of fire resistance of eccentrically loaded reinforced concrete columns using fuzzy neural networks | |
Huang et al. | Digital twins model of industrial product management and control based on lightweight deep learning | |
CN112990601B (zh) | 基于数据挖掘的蜗轮加工精度自愈系统及方法 |
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 |