CN115470675A - 一种重载压力容器裂纹扩展路径的预测方法及系统 - Google Patents

一种重载压力容器裂纹扩展路径的预测方法及系统 Download PDF

Info

Publication number
CN115470675A
CN115470675A CN202211152233.4A CN202211152233A CN115470675A CN 115470675 A CN115470675 A CN 115470675A CN 202211152233 A CN202211152233 A CN 202211152233A CN 115470675 A CN115470675 A CN 115470675A
Authority
CN
China
Prior art keywords
crack
model
crack propagation
heavy
finite element
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
CN202211152233.4A
Other languages
English (en)
Inventor
向家伟
姚剑春
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.)
Wenzhou University
Original Assignee
Wenzhou 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 Wenzhou University filed Critical Wenzhou University
Priority to CN202211152233.4A priority Critical patent/CN115470675A/zh
Publication of CN115470675A publication Critical patent/CN115470675A/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]
    • G06F30/20—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
    • G06N20/00—Machine learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明提供一种重载压力容器裂纹扩展路径的预测方法，包括获取压力容器在重载工况下的当前裂纹位置参数；将当前裂纹位置参数导入预设的有限元仿真模型及预先训练好的机器学习模型中进行交叉迭代计算，预测出裂纹扩展路径。本发明还提供一种重载压力容器裂纹扩展路径的预测系统。实施本发明，通过结合有限元仿真准确度高和机器学习预测效率高的优点，对压力容器在重载工况下的裂纹扩展实现了快速、准确的预测。

Description

一种重载压力容器裂纹扩展路径的预测方法及系统
技术领域
本发明涉及机械设备故障诊断技术领域，尤其涉及一种重载压力容器裂纹扩展路径的预测方法及系统。
背景技术
从神舟系列飞船到天宫二号飞船的不断发展，为保证飞船整体的可靠性，需要对其在受到不同压力载荷情况下的疲劳裂纹问题进行研究与分析。对于内壁压力高于外壁压力的容器通常称之为压力容器，而太空飞船就是一种大型的压力容器。
当压力容器在工作过程中受到非均匀载荷的反复作用时，会导致其内部机械部件发生失效，其中绝大多数失效原因是因为构件在受到反复应力作用而导致的疲劳与断裂。例如，2017年胶州市发生的一起压力容器爆炸事故，造成1人死亡，经济损失达70多万。2018年四川航空公司的4388航班在飞行至万米高空时，前挡风玻璃突然萌生裂纹并迅速扩展，在内外大气压的压强差作用下，挡风玻璃爆裂。从我国对压力容器事故的调查中发现，百分之八十以上的事故皆是由裂纹缺陷引起的。因此，开展对压力容器裂纹的研究无论是对经济还是科学技术领域都有着重要的意义。
目前，用来模拟裂纹扩展的分析软件较多，典型有ABAQUS和Franc3d等，其中前者为商业软件，ABAQUS本身也带有二维裂纹扩展分析的功能，但裂纹只能沿着预定的路径扩展，而不能作任意扩展分析。然而通过ABAQUS和Franc3d结合使用可以很好的有限元仿真裂纹扩展路径并获取裂纹扩展的信息，但是仿真效率低。
自20世纪80年代以来，机器学习作为实现人工智能的途径，在人工智能界引起了广泛的兴趣，特别是近十几年来，机器学习领域的研究工作发展很快，它已成为人工智能的重要课题之一。但是，目前很少有机器学习法用于裂纹扩展路径研究，即便有也是预测的裂纹扩展路径准确度偏低。
为此，为了解决有限元仿真效率低、机器学习准确度偏低的问题，提出一种交叉预测方法，通过结合有限元仿真准确度高和机器学习预测效率高的优点，对压力容器在重载工况下的裂纹扩展实现了快速、准确的预测。
发明内容
本发明实施例所要解决的技术问题在于，提供一种重载压力容器裂纹扩展路径的预测方法及系统，通过结合有限元仿真准确度高和机器学习预测效率高的优点，对压力容器在重载工况下的裂纹扩展实现了快速、准确的预测。
为了解决上述技术问题，本发明实施例提供了一种重载压力容器裂纹扩展路径的预测方法，所述方法包括以下步骤：
获取压力容器在重载工况下的当前裂纹位置参数；
将当前裂纹位置参数导入预设的有限元仿真模型及预先训练好的机器学习模型中进行交叉迭代计算，预测出裂纹扩展路径。
其中，所述将当前裂纹位置参数导入预设的有限元仿真模型及预先训练好的机器学习模型中进行交叉迭代计算，预测出裂纹扩展路径的步骤具体包括：
步骤S21、初始化：设置总迭代数为所述有限元仿真模型中预设的扩展步数，以及设置当前迭代次数为0；
步骤S22、获取当前裂纹位置参数；
步骤S23、判断当前迭代次数是否大于所述总迭代数；
步骤S24、若否，则将当前裂纹位置参数导入所述有限元仿真模型中，仿真输出裂纹扩展数据，并将仿真输出的裂纹扩展数据导入所述预先训练好的机器学习模型中，预测出下一裂纹位置参数，进一步将所预测的下一裂纹位置参数设为当前裂纹位置参数且将当前迭代次数加1之后，返回步骤S22；
步骤S25、若是，则结束迭代计算，并将所有迭代预测的下一裂纹位置参数与迭代之前的当前裂纹位置参数进行结合，连线画出裂纹扩展路径。
其中，所述有限元仿真模型是在ABAQUS软件和Franc3d软件中完成构建的；其中，
在ABAQUS软件中，构建压力容器的几何模型，并确定压力容器的材料属性以及几何模型的划分网格和边界条件，以得到压力容器的有限元模型；
在Franc3d软件中，导入所述压力容器的有限元模型，并基于裂纹位置参数为裂纹节点，构建出仿真输出裂纹扩展数据的有限元仿真模型；其中，所述裂纹扩展数据包括裂尖中点位置数据及其对应的应力强度因子。
其中，所述机器学习模型是通过将所述有限元仿真模型输出的裂尖中点位置数据和应力强度因子分别作为输入和输出来训练的。
其中，所述机器学习模型为基于混沌加速果蝇优化算法的广义回归神经网络Chaos-GRNN模型或基于遗传算法的双向长短期记忆网络GA-Bi-LSTM模型。
本发明实施例还提供了一种重载压力容器裂纹扩展路径的预测系统，包括：
裂纹位置参数获取单元，用于获取压力容器在重载工况下的当前裂纹位置参数；
裂纹扩展路径预测单元，用于将当前裂纹位置参数导入预设的有限元仿真模型及预先训练好的机器学习模型中进行交叉迭代计算，预测出裂纹扩展路径。
其中，所述有限元仿真模型是在ABAQUS软件和Franc3d软件中完成构建。
其中，所述机器学习模型为基于混沌加速果蝇优化算法的广义回归神经网络Chaos-GRNN模型或基于遗传算法的双向长短期记忆网络GA-Bi-LSTM模型。
实施本发明实施例，具有如下有益效果：
本发明将当前裂纹位置参数导入预设的有限元仿真模型及预先训练好的机器学习模型中进行交叉迭代计算来预测出裂纹扩展路径，从而可以通过结合有限元仿真准确度高和机器学习预测效率高的优点，对压力容器在重载工况下的裂纹扩展实现了快速、准确的预测。
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，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的一种重载压力容器裂纹扩展路径的预测方法的流程图；
图2为本发明实施例提供的一种重载压力容器裂纹扩展路径的预测方法中步骤S2的具体流程图；
图3为本发明实施例提供的一种重载压力容器裂纹扩展路径的预测方法的应用场景中Chaos-GRNN模型预测应力强度因子与仿真的对比图；
图4为本发明实施例提供的一种重载压力容器裂纹扩展路径的预测方法的应用场景中采用有限元仿真与Chaos-GRNN模型交叉预测裂纹扩展路径所得的预测路径与相应的仿真路径及实际路径的对比图；
图5为本发明实施例提供的一种重载压力容器裂纹扩展路径的预测方法的应用场景中GA-Bi-LSTM模型预测应力强度因子与仿真的对比图；
图6为本发明实施例提供的一种重载压力容器裂纹扩展路径的预测方法的应用场景中采用有限元仿真与GA-Bi-LSTM模型交叉预测裂纹扩展路径所得的预测路径与相应的仿真路径及实际路径的对比图；
图7为本发明实施例提供的一种重载压力容器裂纹扩展路径的预测结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提供的一种重载压力容器裂纹扩展路径的预测方法，所述方法包括以下步骤：
步骤S1、获取压力容器在重载工况下的当前裂纹位置参数；
步骤S2、将当前裂纹位置参数导入预设的有限元仿真模型及预先训练好的机器学习模型中进行交叉迭代计算，预测出裂纹扩展路径。
具体过程为，在步骤S1之前，首先，预先构建有限元仿真模型和机器学习模型。其中，有限元仿真模型是在ABAQUS软件和Franc3d软件中完成构建的；在ABAQUS软件中，构建压力容器的几何模型，并确定压力容器的材料属性以及几何模型的划分网格和边界条件，以得到压力容器的有限元模型；在Franc3d软件中，导入压力容器的有限元模型，并基于裂纹位置参数插入裂纹，然后仿真分析该模型并输出裂纹扩展数据；该裂纹扩展数据包括裂尖中点位置数据及其对应的应力强度因子。其中，机器学习模型基于混沌加速果蝇优化算法的广义回归神经网络Chaos-GRNN模型或基于遗传算法的双向长短期记忆网络GA-Bi-LSTM模型。
其次，对机器学习模型进行训练，具体为通过将有限元仿真模型输出的裂尖中点位置数据和应力强度因子分别作为输入和输出来训练。
在一个实施例中，(1)在ABAQUS软件中，构建压力容器的有限元模型：
a、建立重载压力容器合理的几何模型
重载压力容器大多是球体，由于球体具有对称性，因而选择使用的模型为1/4的球体模型进行研究。
b、确认压力容器的材料属性
根据压力容器设计手册提供的数据及计算方法，对压力容器的尺寸进行确定。材料数据如表1所示。
表1
Figure BDA0003856881150000051
c、划分合理网格
根据分析目的,对关心部位、接触部位进和对应力容易集中的区域进行网格细化，并选取C3D8R六面体线性缩减积分单元用于有限元计算。整体网格划分和材料界面局部网格。
d、确认边界条件
利用三维实体模型分析方法，对压力容器进行静力学分析。考虑力容器的实际受载情况，在压力容器三维模型的内表面上施加内压载荷，其压力垂直于容器表面，受内压时球形压力容器的应力云，压强p大小为：
Figure BDA0003856881150000061
式中：σ为应力；h为容器壁厚度；r为容器半径。
(2)在Franc3d软件中，构建有限元仿真模型以仿真输出裂纹扩展数据
a、压力容器的有限元模型导入并提取局部模型
在Franc3d中导入原始无裂纹的压力容器的有限元模型文件，为节约计算量和提高求解精度，将整体模型剖分出局部模型。
b、插入裂纹
在局部模型中，输入插入裂纹处节点号，并在对应的节点处插入裂纹，以构建出有限元仿真模型。
c、静态裂纹分析
从Franc3d菜单中，选择Analysis→Static Crack Analysis。
d、裂纹扩展
从Franc3d菜单中选择Cracks→Grow Crack。median extension设置为0.015，extrapolation设置为5％，template radius设置为0.01。
e、自动裂纹扩展
从Analysis菜单中选择Crack Growth Analysis，设置扩展步长为0.02mm及扩展步数为50的裂纹路径。
(3)机器学习模型训练
a、收集数据
收集6条裂纹扩展路径，并从这些裂纹扩展路径中所有裂纹前沿的中间节点提取裂纹尖端位置数据(lj，xj，yj，dj，βj)和裂纹尖端应力强度因子(KIj，KIIj)。其中，lj为裂纹长度，xj，yj为各裂纹尖端的位置坐标，dj为裂纹尖端到孔边的最短距离，βj为裂纹尖端与孔中心连线与水平线的夹角。
b、训练模型
用提取的数据(lj，xj，yj，dj，βj)作为训练集，数据(KIj，KIIj)作为预测集训练机器学习模型，验证模型参数的准确性，从而得到训练好的机器学习模型。
在步骤S1中，获取压力容器在重载工况下的当前裂纹位置参数。
在步骤S2中，如图2所示，将当前裂纹位置参数导入预设的有限元仿真模型及预先训练好的机器学习模型中进行交叉迭代计算，预测出裂纹扩展路径的步骤具体包括：
步骤S21、初始化：设置总迭代数为上述有限元仿真模型中预设的扩展步数(如50)，以及设置当前迭代次数为0；
步骤S22、获取当前裂纹位置参数；
步骤S23、判断当前迭代次数是否大于总迭代数；
步骤S24、若否，则将当前裂纹位置参数导入有限元仿真模型中，仿真输出裂纹扩展数据，并将仿真输出的裂纹扩展数据导入所述预先训练好的机器学习模型中，预测出下一裂纹位置参数，进一步将所预测的下一裂纹位置参数设为当前裂纹位置参数且将当前迭代次数加1之后，返回步骤S22；
步骤S25、若是，则结束迭代计算，并将所有迭代预测的下一裂纹位置参数与迭代之前的当前裂纹位置参数进行结合，连线画出裂纹扩展路径。
在一个实施例中，选择孔坐标和半径的极端组合：在结构中，裂纹向孔洞扩展。根据这一现象，选择最极端的孔坐标和孔径组合，使这些组合下的裂纹扩展路径覆盖所有可能的裂纹扩展路径分布区域。
其次，在孔坐标和半径的极端组合之间随机取一组数值，继而确定初始裂尖中点位置数据，接着将该初始裂尖中点位置数据作为输入，通过训练好的机器学习模型来预测其数据(KIj，KIIj)，再次通过最大周向应力准则求得扩展角θ，如式(1)所示，从而确定其裂尖中点坐标，如式(2)、(3)所示。
Figure BDA0003856881150000071
x＝x0-h*cosθa (2)；
y＝y0+h*sinθa (3)；
式中，h和θa分别为扩展步长和扩展角之和。
然后，将预测位置数据作为输入来预测下一裂尖中点位置数据，最后通过不断迭代实现裂纹扩展的预测。
如图3至图6所示，对本发明实施例中的一种重载压力容器裂纹扩展路径的预测方法的应用场景做进一步说明：
(1)重载压力容器裂纹扩展的有限元仿真与Chaos-GRNN模型交叉预测：
a、在ABAQUS里，构建1/4的球体有限元模型进行研究。
b、导入Franc3d有限元仿真裂纹扩展
通过Abaqus按照上述尺寸进行建模，并对其进行网格划分，保存为inp格式文件，进入Franc3D打开保存的inp模型，将已经建立的好的数据模型导入，输入过程中操作方便，将整体模型进行切分，只显示局部区域，输入插入裂纹处节点号，对切分出来部分的2374号节点处插入裂纹，之后先对其进行静力学分析。为了能够使得裂纹尖端网格进行重新划分，需要将裂纹的后端在表面处延伸9％。将第一个增量步的裂纹长度增量设为0.008mm，之后的每一步扩展增量增加0.001mm这样可以防止每次步长中裂纹扩展速率过慢，即提高了效率又保证精度。Franc3D会对裂纹尖端进行判断选择最为合适的网格类型进行划分消除裂纹尖端存在的奇异性，因此无需手动对网格进行划分。
c、在Franc3d中仿真后输出裂纹扩展数据，其中包括裂尖中点的位置数据和对应的应力强度因子，仿真了6条路径，总共304个样本，部分位置数据如表2所示。
表2
Figure BDA0003856881150000081
d、训练Chaos-GRNN模型
将仿真得到位置数据(l，x，y，d，β)和应力强度因子(KI,KII)：l为裂纹长度，x，y为各裂纹尖端的位置坐标，d为裂纹尖端到孔边的最短距离，β为裂纹尖端与孔中心连线与水平线的夹角。将位置数据和应力强度因子分别作为输入和输出来训练神经网络，训练结果如图3所示。
e、预测裂纹扩展路径
首先将给定的初始裂纹位置参数作为输入，将其放入到Chaos-GRNN模型中预测(KI,KII)，继而得到裂尖中点的位置坐标，其次更新有限元模型，在Franc3d中仿真扩展0.2mm步长的裂纹，然后将仿真得到的位置数据作为输入，将其放入到Chaos-GRNN模型中预测，最后在二者的不断迭代下预测出裂纹扩展的路径。预测路径、仿真路径和实际路径的对比图，如图4所示。
(2)重载压力容器裂纹扩展的有限元仿真与GA-Bi-LSTM模型交叉预测：
a、在ABAQUS里，构建1/4的球体有限元模型进行研究。
b、导入Franc3d有限元仿真裂纹扩展
通过Abaqus按照上述尺寸进行建模，并对其进行网格划分，保存为inp格式文件，进入Franc3D打开保存的inp模型，将已经建立的好的数据模型导入，输入过程中操作方便，将整体模型进行切分，只显示局部区域，输入插入裂纹处节点号，对切分出来部分的2374号节点处插入裂纹，之后先对其进行静力学分析。为了能够使得裂纹尖端网格进行重新划分，需要将裂纹的后端在表面处延伸9％。将第一个增量步的裂纹长度增量设为0.008mm，之后的每一步扩展增量增加0.001mm这样可以防止每次步长中裂纹扩展速率过慢，即提高了效率又保证精度。Franc3D会对裂纹尖端进行判断选择最为合适的网格类型进行划分消除裂纹尖端存在的奇异性，因此无需手动对网格进行划分。
c、在Franc3d中仿真后输出裂纹扩展数据，其中包括裂尖中点的位置数据和对应的应力强度因子，仿真了6条路径，总共304个样本。
d、训练GA-Bi-LSTM模型
将仿真得到位置数据(l，x，y，d，β)和应力强度因子(KI,KII)：l为裂纹长度，x，y为各裂纹尖端的位置坐标，d为裂纹尖端到孔边的最短距离，β为裂纹尖端与孔中心连线与水平线的夹角。将位置数据和应力强度因子分别作为输入和输出来训练神经网络，训练结果如图5所示。
e、预测裂纹扩展路径
首先将给定的初始裂纹位置参数作为输入，将其放入到GA-Bi-LSTM模型中预测(KI,KII)，继而得到裂尖中点的位置坐标，其次更新有限元模型，在Franc3d中仿真扩展0.2mm步长的裂纹，然后将仿真得到的位置数据作为输入，将其放入到GA-Bi-LSTM模型中预测，最后在二者的不断迭代下预测出裂纹扩展的路径。预测路径、仿真路径和实际路径的对比图，如图6所示。
如图7所示，为本发明实施例中，提供的一种重载压力容器裂纹扩展路径的预测系统，包括：
裂纹位置参数获取单元110，用于获取压力容器在重载工况下的当前裂纹位置参数；
裂纹扩展路径预测单元120，用于将当前裂纹位置参数导入预设的有限元仿真模型及预先训练好的机器学习模型中进行交叉迭代计算，预测出裂纹扩展路径。
其中，所述有限元仿真模型是在ABAQUS软件和Franc3d软件中完成构建。
其中，所述机器学习模型为基于混沌加速果蝇优化算法的广义回归神经网络Chaos-GRNN模型或基于遗传算法的双向长短期记忆网络GA-Bi-LSTM模型。
实施本发明实施例，具有如下有益效果：
本发明将当前裂纹位置参数导入预设的有限元仿真模型及预先训练好的机器学习模型中进行交叉迭代计算来预测出裂纹扩展路径，从而可以通过结合有限元仿真准确度高和机器学习预测效率高的优点，对压力容器在重载工况下的裂纹扩展实现了快速、准确的预测。
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
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步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (8)

1.一种重载压力容器裂纹扩展路径的预测方法，其特征在于，所述方法包括以下步骤：
获取压力容器在重载工况下的当前裂纹位置参数；
将当前裂纹位置参数导入预设的有限元仿真模型及预先训练好的机器学习模型中进行交叉迭代计算，预测出裂纹扩展路径。
2.如权利要求1所述的重载压力容器裂纹扩展路径的预测方法，其特征在于，所述将当前裂纹位置参数导入预设的有限元仿真模型及预先训练好的机器学习模型中进行交叉迭代计算，预测出裂纹扩展路径的步骤具体包括：
步骤S21、初始化：设置总迭代数为所述有限元仿真模型中预设的扩展步数，以及设置当前迭代次数为0；
步骤S22、获取当前裂纹位置参数；
步骤S23、判断当前迭代次数是否大于所述总迭代数；
步骤S24、若否，则将当前裂纹位置参数导入所述有限元仿真模型中，仿真输出裂纹扩展数据，并将仿真输出的裂纹扩展数据导入所述预先训练好的机器学习模型中，预测出下一裂纹位置参数，进一步将所预测的下一裂纹位置参数设为当前裂纹位置参数且将当前迭代次数加1之后，返回步骤S22；
步骤S25、若是，则结束迭代计算，并将所有迭代预测的下一裂纹位置参数与迭代之前的当前裂纹位置参数进行结合，连线画出裂纹扩展路径。
3.如权利要求1所述的重载压力容器裂纹扩展路径的预测方法，其特征在于，所述有限元仿真模型是在ABAQUS软件和Franc3d软件中完成构建的；其中，
在ABAQUS软件中，构建压力容器的几何模型，并确定压力容器的材料属性以及几何模型的划分网格和边界条件，以得到压力容器的有限元模型；
在Franc3d软件中，导入所述压力容器的有限元模型，并基于裂纹位置参数为裂纹节点，构建出仿真输出裂纹扩展数据的有限元仿真模型；其中，所述裂纹扩展数据包括裂尖中点位置数据及其对应的应力强度因子。
4.如权利要求3所述的重载压力容器裂纹扩展路径的预测方法，其特征在于，所述机器学习模型是通过将所述有限元仿真模型输出的裂尖中点位置数据和应力强度因子分别作为输入和输出来训练的。
5.如权利要求4所述的重载压力容器裂纹扩展路径的预测方法，其特征在于，所述机器学习模型为基于混沌加速果蝇优化算法的广义回归神经网络Chaos-GRNN模型或基于遗传算法的双向长短期记忆网络GA-Bi-LSTM模型。
6.一种重载压力容器裂纹扩展路径的预测系统，其特征在于，包括：
裂纹位置参数获取单元，用于获取压力容器在重载工况下的当前裂纹位置参数；
裂纹扩展路径预测单元，用于将当前裂纹位置参数导入预设的有限元仿真模型及预先训练好的机器学习模型中进行交叉迭代计算，预测出裂纹扩展路径。
7.如权利要求6所述的重载压力容器裂纹扩展路径的预测系统，其特征在于，所述有限元仿真模型是在ABAQUS软件和Franc3d软件中完成构建。
8.如权利要求6所述的重载压力容器裂纹扩展路径的预测系统，其特征在于，所述机器学习模型为基于混沌加速果蝇优化算法的广义回归神经网络Chaos-GRNN模型或基于遗传算法的双向长短期记忆网络GA-Bi-LSTM模型。
CN202211152233.4A 2022-09-21 2022-09-21 一种重载压力容器裂纹扩展路径的预测方法及系统 Pending CN115470675A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211152233.4A CN115470675A (zh) 2022-09-21 2022-09-21 一种重载压力容器裂纹扩展路径的预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211152233.4A CN115470675A (zh) 2022-09-21 2022-09-21 一种重载压力容器裂纹扩展路径的预测方法及系统

Publications (1)

Publication Number Publication Date
CN115470675A true CN115470675A (zh) 2022-12-13

Family

ID=84335877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211152233.4A Pending CN115470675A (zh) 2022-09-21 2022-09-21 一种重载压力容器裂纹扩展路径的预测方法及系统

Country Status (1)

Country Link
CN (1) CN115470675A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056686A (zh) * 2023-08-14 2023-11-14 嘉兴市安得特种设备科技有限公司 一种检测压力容器表面缺陷的告警方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056686A (zh) * 2023-08-14 2023-11-14 嘉兴市安得特种设备科技有限公司 一种检测压力容器表面缺陷的告警方法及系统
CN117056686B (zh) * 2023-08-14 2024-02-02 嘉兴市安得特种设备科技有限公司 一种检测压力容器表面缺陷的告警方法及系统

Similar Documents

Publication Publication Date Title
CN108959794B (zh) 一种基于深度学习的结构频响动力学模型修正方法
CN116029219B (zh) 一种飞行器气动热预测方法、装置、设备及存储介质
CN106646645B (zh) 一种重力正演加速方法
Zheng et al. Fault diagnosis system of bridge crane equipment based on fault tree and Bayesian network
CN110458174A (zh) 一种无序点云关键特征点精确提取方法
CN106227957A (zh) 等效裂缝建模的方法
CN112597702B (zh) 基于径向基函数的气动建模生成式对抗网络模型训练方法
CN106528989A (zh) 一种分布式并行sph仿真方法
CN115470675A (zh) 一种重载压力容器裂纹扩展路径的预测方法及系统
Pronost et al. Towards a Framework for the Classification of Digital Twins and their Applications
CN109214025A (zh) 基于贝叶斯分类的储层参数预测方法及系统
CN106997373A (zh) 一种基于深度置信网络的链路预测方法
CN113627093A (zh) 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法
Rumpfkeil et al. Multi-fidelity surrogate models for flutter database generation
CN115270239A (zh) 基于动力特性和智能算法响应面法的桥梁可靠性预测方法
CN107622144A (zh) 基于序贯方法的区间不确定性条件下多学科可靠性优化设计方法
CN110309622A (zh) 一种输电塔结构倒塌分析方法
CN112287484B (zh) 一种基于矢量代理模型的复杂工程系统可靠性设计方法
CN105956605A (zh) 基于并行k-means聚类的三维结构相似性聚类方法
CN113656891A (zh) 液体火箭动特性建模分析方法及终端设备
CN108984864A (zh) 基于高斯过程方差估计的高维复杂飞行器模型表征方法
CN103279985A (zh) 一种复杂地形结构体系三维有限元模型的智能化建模方法
CN104102716A (zh) 基于聚类分层抽样补偿逻辑回归的失衡数据预测方法
CN116186825B (zh) 基于图节点分类图神经网络的剪力墙设计方法和装置
Kaminsky et al. Adaptive sampling techniques for surrogate modeling to create high-dimension aerodynamic loading response surfaces

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