CN115952709A - 一种子弹侵彻钢板场景下钢板强度参数的分析方法及装置 - Google Patents

一种子弹侵彻钢板场景下钢板强度参数的分析方法及装置 Download PDF

Info

Publication number
CN115952709A
CN115952709A CN202211528724.4A CN202211528724A CN115952709A CN 115952709 A CN115952709 A CN 115952709A CN 202211528724 A CN202211528724 A CN 202211528724A CN 115952709 A CN115952709 A CN 115952709A
Authority
CN
China
Prior art keywords
steel plate
influence
parameters
reliability
parameter
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
CN202211528724.4A
Other languages
English (en)
Inventor
高越
曹家南
王传洋
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.)
Suzhou University
Original Assignee
Suzhou 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 Suzhou University filed Critical Suzhou University
Priority to CN202211528724.4A priority Critical patent/CN115952709A/zh
Priority to PCT/CN2023/074872 priority patent/WO2024113485A1/zh
Publication of CN115952709A publication Critical patent/CN115952709A/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]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational 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
    • G06F30/27—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
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Graphics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明公开了一种子弹侵彻钢板场景下钢板强度参数的分析方法、装置、设备以及计算机可读存储介质，包括：提取子弹侵彻钢板有限元模型的仿真结果中钢板强度的影响参数，根据影响参数构建一个数据样本，利用神经网络拟合出钢板最大应力以及最大应力和影响参数的函数关系，然后建立最大应力可靠性极限状态函数，得到各个影响参数的可靠性灵敏度，建立钢板可靠度，根据钢板可靠度和各参数的可靠性灵敏度，确定最大影响参数，采用合适的优化方法进行优化，提高钢板的强度；本发明利用仿真实验的结果，提取影响钢板强度的多个参数，计算多个影响参数中影响最大的影响参数，对其进行优化，提高钢板的强度，降低了研究成本，提高了预测精度。

Description

一种子弹侵彻钢板场景下钢板强度参数的分析方法及装置
技术领域
本发明涉及金属钢板结构极限计算领域，特别是涉及一种子弹侵彻钢板场景下钢板强度参数的分析方法、装置、设备以及计算机可读存储介质。
背景技术
目前钢板侵彻问题的研究方法主要有实验、理论分析和数值模拟三种方法。(1)实验法的结果可靠，能够为理论分析和数值模拟提供参考标准。然而实验法成本过高，准备实验材料耗时过长，且只能得到少量数据点。(2)理论分析方法可以深刻的理解侵彻原理，通过理论公式能够快速建立多种变量之间的关系。但是，理论分析需要理想化的假设，模型进行大量简化。对于子弹侵彻问题，钢板的材料失效过程比较复杂，理论分析比较难以实现。(3)数值模拟方法通过数值求解能够完整再现整个侵彻过程，可以获得实验中难以取得的数据。随着计算机水平的发展，数值模拟方法已经成为研究子弹侵彻钢板问题的重要手段之一。
目前对于子弹侵彻钢板可靠度的研究都是基于真实实验或者采用理论分析的手段，真实实验场景的成本高、周期长；理论分析方法而言，需要多个理想的假设，结果存在比较大的误差，而且在数据比较庞大的情况下，计算周期较长。
综上所述可以看出，如何将仿真和理论分析结合，优化钢板的可靠性参数，提高钢板的防御性能是目前有待解决的问题。
发明内容
本发明的目的是提供一种子弹侵彻钢板场景下钢板强度参数的分析方法及装置，解决了现有技术中需要高成本、长周期的实验方法才能对钢板强度进行优化的问题。
为解决上述技术问题，本发明提供一种子弹侵彻钢板场景下钢板强度参数的分析方法，包括：
提取子弹侵彻钢板有限元模型的仿真结果中影响钢板强度的多个影响参数以及影响参数数据，并根据每个影响参数数据的均值和标准差扩充数据，构建多个影响参数数据样本；
将所述多个影响参数数据样本依次输入神经网络中，得到最大应力以及所述最大应力和所有影响参数的函数关系；
根据所述最大应力和所有影响参数的函数关系建立钢板失效的极限状态函数；
利用一次二阶矩方法计算钢板可靠度，并利用所述极限状态函数对所述每个影响参数求微分，得到每个影响参数的可靠性灵敏度；
判断每个影响参数的钢板可靠度和可靠性灵敏度，选取最大所述钢板可靠度和所述可靠性灵敏度值的参数作为最佳影响参数，采用合适的优化方法优化所述最佳影响参数。
所述提取子弹侵彻钢板有限元模型的仿真结果中影响钢板强度的多个影响参数以及影响参数数据前包括：
根据子弹和钢板的结构信息和材料属性利用Johnson-Cook材料模型，构建所述子弹侵彻钢板有限元模型；
优选地，将所述钢板进行六面体网格划分，对子弹进行四面体网格划分，进行仿真实验，得到所述子弹侵彻钢板有限元模型的仿真结果。
优选地，所述根据每个影响参数数据的均值和标准差扩充数据，构建多个影响参数数据样本包括：
提取所述仿真结果中的影响钢板强度的影响参数数据；
确定所述每个影响参数数据的标准差和均值，并以所述每个影响参数数据的均值与标准差的和作为上限，以所述每个影响参数数据的均值与标准差的差作为下限作为随机取值范围，随机生成每个影响参数数据集，其计算公式为：σx＝z·μx，其中，σx为影响参数的标准差，μx为影响参数的均值，z为变差系数；
将所有的影响参数数据集进行集合，构建所述多个影响参数数据样本。
优选地，所述将所述多个影响参数数据样本依次输入神经网络中，得到最大应力以及所述最大应力和所有影响参数的函数关系包括：
将所述多个影响参数数据样本随机划分为所述训练样本和所述测试样本；
利用所述训练样本在BP神经网络中训练，得到训练完成的BP神经网络和拟合函数；
将所述测试样本输入所述训练完成的BP神经网络，计算最大应力预测值与最大应力真实值的误差值，根据所述误差值修正所述BP神经网络中的参数；
得到所述最大应力值和所述最大应力和所有影响参数的函数关系。
优选地，所述根据所述最大应力和所有影响参数的函数关系建立钢板失效的极限状态函数包括：
根据所述最大应力和所有影响参数的函数关系以及强度-应力模型，构建所述极限状态函数，其表达式为：
g(X)＝g(x1，x2，x3，...xi，...xn)
其中，x1，x2，x3，...xi，...xn为相互独立的影响参数数据；
利用所述极限状态函数判断所述钢板结构的状态；
当g(X)＞0时，则所述钢板结构可靠；
当g(X)＜0时，则所述钢板结构不可靠；
当g(X)＝0时，则所述钢板结构处于极限状态。
优选地，所述利用一次二阶矩方法计算钢板可靠度包括：
采用改进的一次二阶矩方法计算所有影响参数在极限状态函数下的均值和标准值：
Figure BDA0003973759920000031
Figure BDA0003973759920000032
基于所述所有影响参数的均值μg(X)和标准值σg(X)，计算所述钢板可靠度β，其表达式为：
Figure BDA0003973759920000041
根据所述钢板的可靠性指标β，由公式R＝1-Pf＝φ(β)计算可靠度R；
其中，Pf为失效概率，φ(β)为标准正态分布函数，xi为第i个影响参数，
Figure BDA0003973759920000042
分别为第i个影响参数的标准差和均值，P*为设计点，
Figure BDA0003973759920000043
为第i个影响参数xi在P*点的取值。
优选地，所述利用所述极限状态函数对所述每个影响参数求微分，得到每个影响参数的可靠性灵敏度包括：
将所述每个影响参数均值和标准差在极限状态函数下进行求微分，得到所述每个影响参数的均值灵敏度和标准差灵敏度，其表达式如下：
Figure BDA0003973759920000044
Figure BDA0003973759920000045
其中，Pf为钢板失效概率，β为可靠性指标，
Figure BDA0003973759920000046
为第i个影响参数的均差，
Figure BDA0003973759920000047
为第i个影响参数的标准差，μg(X)为所有影响参数的均差，σg(X)为所有影响参数的标准差，xi为第i个影响参数。
本发明还提供了一种子弹侵彻钢板场景下钢板强度参数的优化装置，包括：
构建数据样本模块，用于提取子弹侵彻钢板有限元模型的仿真结果中影响钢板强度的多个影响参数以及影响参数数据，并根据每个影响参数数据的均值和标准差扩充数据，构建多个影响参数数据样本；
计算最大应力以及函数关系模块，用于将所述多个影响参数数据样本依次输入神经网络中，得到最大应力以及所述最大应力和所有影响参数的函数关系；
构建极限状态函数模块，用于根据所述最大应力和所有影响参数的函数关系建立钢板失效的极限状态函数；
计算可靠度和可靠度灵敏性模型，用于利用一次二阶矩方法计算钢板可靠度，并利用所述极限状态函数对所述每个影响参数求微分，得到每个影响参数的可靠性灵敏度；
确定最佳影响参数模块，用于判断每个影响参数的钢板可靠度和可靠性灵敏度，选取最大所述钢板可靠度和所述可靠性灵敏度值的参数作为最佳影响参数，采用合适的优化方法优化所述最佳影响参数。
本发明还提供了一种子弹侵彻钢板场景下钢板强度参数的优化设备，包括：
存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种子弹侵彻钢板场景下钢板强度参数的分析方法的步骤。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种子弹侵彻钢板场景下钢板强度参数的分析方法的步骤。
本发明所提供的一种子弹侵彻钢板场景下钢板强度参数的分析方法，首先提取子弹侵彻干板有限元模型的仿真结果中钢板强度的影响参数，根据影响参数构建一个数据样本，利用神经网络拟合出钢板最大应力以及最大应力和影响参数的函数关系，然后建立钢板极限状态函数，计算钢板可靠度，根据钢板可靠度和各参数的可靠性灵敏度，确定最大影响参数，采用对应的优化方法进行优化，提高钢板的强度。本发明利用仿真实验的结果，提取对钢板强度的多个影响参数，得到多个影响参数中影响最大的影响参数，对其进行优化，提高钢板的强度。本发明大大简化了分析过程，降低了难度，避免了理论分析误差大的问题。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，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的介绍，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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种子弹侵彻钢板场景下钢板强度参数的分析方法的第一种具体实施例的流程图；
图2为本发明所提供的一种子弹侵彻钢板场景下钢板强度参数的分析方法的第二种具体实施例的流程图；
图3为普通钢芯弹侵彻4mm钢板模型；
图4为本发明所提供的BP神经网络的结构图；
图5为神经网络训练过程误差变化曲线图；
图6为测试阶段期望值与真实值的对比图；
图7为本发明实施例所提供的一种子弹侵彻钢板场景下钢板强度参数的优化装置的结构框图。
具体实施方式
本发明的核心是提供一种子弹侵彻钢板场景下钢板强度参数的分析方法，基于有限元仿真分析得到影响钢板强度的多个影响参数，并根据多个影响参数构建数据样本，然后通过神经网络构建钢板最大应力和所述影响参数的关系，构建钢板失效点的极限状态函数，分析多个影响参数的可靠性灵敏度，确定最大影响参数，然后对最大影响参数进行优化，大大减少了计算时间，降低成本。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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。
请参考图1，图1为本发明所提供的一种子弹侵彻钢板场景下钢板强度参数的分析方法的第一种具体实施例的流程图；具体操作步骤如下：
步骤S101：提取子弹侵彻钢板有限元模型的仿真结果中影响钢板强度的多个影响参数以及影响参数数据，并根据每个影响参数数据的均值和标准差扩充数据，构建多个影响参数数据样本；
采用最广泛的Johnson-Cook材料模型，能够很好的描述材料在高应变条件下的力学行为；为了提高计算稳定性和求解精度，降低沙漏能，对钢板进行六面体网格划分，对子弹进行四面体网格划分，网格划分质量达到0.91；最后进行仿真实验，从中提取影响钢板强度的参数。
通过ANSYS显示动力学仿真筛选出对钢板强度影响程度显著的若干参数作为影响参数，在Python中进行拉丁超立方抽样，本文中各随机变量参数均服从正态分布。
步骤S102：将所述多个影响参数数据样本依次输入神经网络中，得到最大应力以及所述最大应力和所有影响参数的函数关系；
将随机抽取的数据随机划分为训练样本和测试样本(训练样本数量/测试样本数量＝5：1)。首先对训练样本数据进行神经网络训练，拟合出最大应力与随机变量的函数关系；然后根据训练模型对测试集进行结果的计算，并且能够得到期望值与实际值之间的误差。在本发明中隐含层采用Sigmoid函数，此函数的使用优点是可以使神经网络以任意精度逼近所需函数，使得结果更加逼近真实值。
步骤S103：根据所述最大应力和所有影响参数的函数关系建立钢板失效的极限状态函数；
步骤S104：利用一次二阶矩方法计算钢板可靠度，并利用所述极限状态函数对所述每个影响参数求微分，得到每个影响参数的可靠性灵敏度；
在MATLAB中采用一次二阶矩方法计算钢板可靠度。然后采用极限状态函数对基本变量求微分，得到各参数的可靠性灵敏度。采用Monte-Carlo计算结构可靠性灵敏度的思想：建立随机变量的联合密度分布函数；抽取大量的数据样本；分别计算功能函数值；计算各参数的均值和标准差可靠度灵敏性。BP神经网络中的计算方法很好的被此种方法证明了准确性。
步骤S105：判断每个影响参数的钢板可靠度和可靠性灵敏度，选取最大所述钢板可靠度和所述可靠性灵敏度值的参数作为最佳影响参数，采用合适的优化方法优化所述最佳影响参数。
在本实施例中，采用ANSYS有限元分析软件建立子弹侵彻钢板的有限元模型，在显示动力学模块中进行侵彻仿真。初步筛选出重要的材料参数作为设计变量。采用拉丁超立方抽样法抽取样本数据，通过BP神经网络拟合出设计变量与侵彻时钢板最大应力的函数关系，建立钢板失效极限状态方程，在MATLAB中使用改进的一次二阶矩法分析钢板的可靠度和可靠性灵敏度，得到影响程度最大的参数。
基于上述实施例，本实施例采用本发明的方法研究普通钢芯弹侵彻尺寸为60mmx40mmx4mm钢板进行了详细的说明，请参考图2，图2为本发明所提供的一种子弹侵彻钢板场景下钢板强度参数的分析方法的第二种具体实施例的流程图；具体操作步骤如下：
步骤S201：根据子弹和钢板的结构信息和材料属性利用Johnson-Cook材料模型，构建所述子弹侵彻钢板有限元模型；
子弹侵彻钢板涉及材料的大变形，高应变率，材料断裂等现象，因此需要选择恰当的材料本构模型。在冲击侵彻问题中应用最广泛的是Johnson-Cook材料模型，能够很好的描述金属材料在高应变条件下的力学行为。
子弹和钢板的材料属性如下表1和表2：
表1普通钢芯子弹Johnson-Cook本构模型参数
Figure BDA0003973759920000091
表2钢板Johnson-Cook本构模型参数
Figure BDA0003973759920000092
其中：ρ为材料密度，c为比热容，E为弹性模量，μ为泊松比，A为初始屈服应力，B为应变硬化模量，n为硬化指数，C为应变率强化参数，m为热软化指数。
步骤S202：将所述钢板进行六面体网格划分，对子弹进行四面体网格划分，进行侵彻仿真实验，得到所述子弹侵彻钢板的仿真结果；
对钢板进行六面体网格划分，网格单元尺寸为2mm；对子弹进行四面体网格划分，最终整体网格的划分质量达到0.91。在求解过程中将子弹设置为刚体，构建有限元模型，图3普通钢芯弹射击4mm钢板模型。
在此模型中，由于钢板的强度较高，在装甲车中大面积使用，而子弹侵彻是一个时间短且作用力大的过程，因此只会在弹孔周围很小的范围内产生很小的变形量。本文为了达到高的计算效率同时也能够符合真实情况，采用40mmx60mmx4mm的钢板尺寸，选用了携带比较方便的手枪普通钢芯弹(速度大概在450米/秒左右)。
步骤S203：提取所述仿真结构中的影响参数，所述影响参数包括侵彻速度，钢板的弹性模量、密度、泊松比；
步骤S204：根据影响参数的标准差和均值，利用拉丁超立方抽样法抽取数据，构成所述数据样本；
为了对子弹侵彻钢板模型中钢板进行可靠性分析，需要先得到最大应力值与影响参数之间的关系表达式，进而推导出计算可靠性的数学模型。本文中各随机变量参数均服从正态分布，随机变量的均值和标准差存在以下关系：
σx＝z·μx
式中：σx为标准差，μx为均值，z为变差系数。
对于材料参数而言，z取0.05，同时以μx±σx为各随机变量取值的上下限，并使用拉丁超立方抽样法抽取480组样本。表3给出钢板强度的主要随机变量属性。
表3随机变量特性表
Figure BDA0003973759920000101
步骤S205：利用BP神经网络拟合最大应力与影响参数的函数；
S51将数据样本随机划分为所述训练样本和所述测试样本；
S52利用所述训练样本训练BP神经网络，得到训练完成的BP神经网络和拟合函数；
S53将所述测试样本输入所述训练完成的BP神经网络，计算最大应力预测值与最大应力真实值的误差，根据所述误差修正所述BP神经网络中的参数；
S54得到所述最大应力和所述最大应力和所述影响参数的函数关系。
BP神经网络的输入层是上文中提到的4个变量，输出层是钢板在侵彻过程中的最大应力。在普遍场景中，若神经网络中的隐含层有足够多个节点，并且隐含层采用Sigmoid函数，此时一个隐含层就可以使神经网络以任意精度逼近所需函数。所以本文只使用一个隐含层。
如图4所示，BP神经网络的结构图，将所有的影响参数输入BP神经网络中，得到最大应力F与随机变量X之间的函数关系式为：
Figure BDA0003973759920000111
其中，ωij表示输入层到隐含层的网络连接权值；υj表示隐含层到输出层的网络连接权值；bj为隐含层的阈值；cθ表示输出层的阈值；
Figure BDA0003973759920000112
Figure BDA0003973759920000113
表示隐含层的传递函数，本文选用Sigmoid函数；ψ(·)表示输出层的传递函数。
采用拉丁超立方抽取的480组数据随机划分为400组训练样本和80组测试样本。采用400组训练样本进行训练，在进行函数拟合，神经网络训练过程误差变化曲线如图5所示；然后再采用测试样本进行测试，进行误差分析，训练后的数值很接近期望输出值，误差比较小，图6反映了测试数据相对误差。
步骤S206：建立钢板的极限状态函数；
建立钢板的极限状态函数，即功能函数为
g(X)＝g(x1，x2，x3，...xi，...xn)
上式中X＝(x1，x2，x3，...xi，...xn)为相互独立的基本随机变量。当g(X)＞0时，表明结构可靠；g(X)＜0时，表明结构不可靠；g(X)＝0时，结构处在极限状态下，并将此时的g(X)称为极限状态方程。功能函数可以定义为相应量r(X)和阈值r*的差。
步骤S207：计算钢板的钢板可靠度和可靠性灵敏度；
采用改进的一次二阶矩方法将非线性功能函数g(X)在设计点
Figure BDA0003973759920000114
处泰勒公式展开后得：
Figure BDA0003973759920000121
Figure BDA0003973759920000122
其中μg(X)、σg(X)分别为功能函数的均值和标准差。
此函数为非线性函数，可靠性指标β可表示为：
Figure BDA0003973759920000123
由于随机变量服从正态分布，可靠度R可表示为
R＝1-Pf＝φ(β)
Pf＝φ(-β)
式中：Pf为失效概率，φ(β)为标准正态分布函数，xi为第i个影响参数，
Figure BDA0003973759920000124
分别为第i个影响参数的均值和标准差，
Figure BDA0003973759920000125
为第i个影响参数xi在P*点的取值。。
根据可靠性灵敏度的定义和复合函数求导法则，求得基本变量相互独立情况下失效概率对基本随机变量分布参数的可靠性灵敏度如下：
Figure BDA0003973759920000126
Figure BDA0003973759920000127
因为各随机参数单位不同，造成可靠性灵敏度之间无可比性，所以要将可靠性灵敏度结果无量纲化
Figure BDA0003973759920000128
Figure BDA0003973759920000131
步骤S208：根据所述钢板可靠度和所述各参数的可靠性灵敏度，确定最佳影响参数。
由于各随机参数单位不同，造成可靠性灵敏度之间无可比性，所以要将可靠性灵敏度结果无量纲化，计算公式为：
Figure BDA0003973759920000132
Figure BDA0003973759920000133
将无量钢化后的影响参数数据进行对比，选取最大的影响参数数据作为最佳影响参数，并选取与最佳影响参数对应的优化方法进行参数优化。
在本实施例中，构建子弹侵彻钢板的有限元模型进行仿真，提取仿真结果中影响钢板强度的参数，将参数扩充构建数据样本集，利用BP网络确定最大应力和影响参数的函数关系，建立最大应力可靠性极限状态方程，在MATLAB中使用改进的一次二阶矩法分析钢板的可靠度和可靠性灵敏度，根据可靠度和灵敏度进行得到影响度最大的参数。然后对影响最大的参数进行优化，提高钢板的强度。本发明采用仿真实验降低搭建真实实验的成本，提取实验结果中的影响参数，并丰富数据集，计算最大应力与各参数的函数关系，分析得到可靠性灵敏度和钢板可靠度值，确定对钢板强度影响最佳的参数，对其进行优化，本发明仿真实验和理论数据分析结合，分析钢板强度的可靠度和可靠性灵敏度，确定影响最大的影响参数，然后对其进行优化，降低了研究成本，提高计算效率和准确性。
请参考图7，图7为本发明实施例提供的一种子弹侵彻钢板场景下钢板强度参数的优化装置的结构框图；具体装置可以包括：
构建数据样本模块100，用于提取子弹侵彻钢板有限元模型的仿真结果中影响钢板强度的多个影响参数以及影响参数数据，并根据每个影响参数数据的均值和标准差扩充数据，构建多个影响参数数据样本；
计算最大应力以及函数关系模块200，用于将所述多个影响参数数据样本依次输入神经网络中，得到最大应力以及所述最大应力和所有影响参数的函数关系；
构建极限状态函数模块300，用于根据所述最大应力和所有影响参数的函数关系建立钢板失效的极限状态函数；
计算可靠度和可靠度灵敏性模块400，用于利用一次二阶矩方法计算钢板可靠度，并利用所述极限状态函数对所述每个影响参数求微分，得到每个影响参数的可靠性灵敏度；
确定最大影响参数模块500，用于判断每个影响参数的钢板可靠度和可靠性灵敏度，选取最大所述钢板可靠度和所述可靠性灵敏度值的参数作为最佳影响参数，采用合适的优化方法优化所述最佳影响参数。
本实施例的一种子弹侵彻钢板场景下钢板强度参数的优化用于实现前述的一种子弹侵彻钢板场景下钢板强度参数的分析方法，因此一种子弹侵彻钢板场景下钢板强度参数的优化装置中的具体实施方式可见前文中的一种子弹侵彻钢板场景下钢板强度参数的分析方法的实施例部分，例如，构建数据样本模块100，计算最大应力以及函数关系模块200，构建极限状态函数模块300，计算可靠度和可靠度灵敏性模型400，确定最大影响参数模块500，分别用于实现上述一种子弹侵彻钢板场景下钢板强度参数的分析方法中步骤S101，S 102，S 103、S 104和S 104，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
本发明具体实施例还提供了一种子弹侵彻钢板场景下钢板强度参数的分析设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种子弹侵彻钢板场景下钢板强度参数的分析方法的步骤。
本发明具体实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种子弹侵彻钢板场景下钢板强度参数的分析方法的步骤。
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。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种子弹侵彻钢板场景下钢板强度参数的分析方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体实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。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种子弹侵彻钢板场景下钢板强度参数的分析方法，其特征在于，包括：
提取子弹侵彻钢板有限元模型的仿真结果中影响钢板强度的多个影响参数以及影响参数数据，并根据每个影响参数数据的均值和标准差扩充数据，构建多个影响参数数据样本；
将所述多个影响参数数据样本依次输入神经网络中，得到最大应力以及所述最大应力和所有影响参数的函数关系；
根据所述最大应力和所有影响参数的函数关系建立钢板失效的极限状态函数；
利用一次二阶矩方法计算钢板可靠度，并利用所述极限状态函数对所述每个影响参数求微分，得到每个影响参数的可靠性灵敏度；
判断每个影响参数的钢板可靠度和可靠性灵敏度，选取最大所述钢板可靠度和所述可靠性灵敏度值的参数作为最佳影响参数，采用合适的优化方法优化所述最佳影响参数。
2.如权利要求1所述的钢板强度参数的分析方法，其特征在于，所述提取子弹侵彻钢板有限元模型的仿真结果中影响钢板强度的多个影响参数以及影响参数数据前包括：
根据子弹和钢板的结构信息和材料属性利用Johnson-Cook材料模型，构建所述子弹侵彻钢板有限元模型；
将所述钢板进行六面体网格划分，对子弹进行四面体网格划分，进行仿真实验，得到所述子弹侵彻钢板有限元模型的仿真结果。
3.如权利要求1所述的钢板强度参数的分析方法，其特征在于，所述根据每个影响参数数据的均值和标准差扩充数据，构建多个影响参数数据样本包括：
提取所述仿真结果中的影响钢板强度的影响参数数据；
根据所述每个影响参数数据的标准差和均值，并以所述每个影响参数数据的均值与标准差的和作为上限，以所述每个影响参数数据的均值与标准差的差作为下限作为随机取值范围，随机生成每个影响参数数据集，其计算公式为：σx＝z·μx，其中，σx为影响参数的标准差，μx为影响参数的均值，z为变差系数；
将所有的影响参数数据集进行集合，构建所述多个影响参数数据样本。
4.如权利要求1所述的钢板强度参数的分析方法，其特征在于，所述将所述多个影响参数数据样本依次输入神经网络中，得到最大应力以及所述最大应力和所有影响参数的函数关系包括：
将所述多个影响参数数据样本随机划分为所述训练样本和所述验证样本；
利用所述训练样本训练BP神经网络，得到训练完成的BP神经网络和拟合函数；
将所述测试样本输入所述训练完成的BP神经网络，计算最大应力预测值与最大应力真实值的误差值，根据所述误差值修正所述BP神经网络中的参数；
得到所述最大应力值和所述最大应力和所有影响参数的函数关系。
5.如权利要求1所述的钢板强度参数的分析方法，其特征在于，所述根据所述最大应力和所有影响参数的函数关系建立钢板失效的极限状态函数包括：
根据所述最大应力和所有影响参数的函数关系以及强度-应力模型，构建所述极限状态函数，其表达式为：
g(X)＝g(x1，x2，x3，...xi，...xn)
其中，x1，x2，x3，...xi，...xn为相互独立的影响参数数据；
利用所述极限状态函数判断所述钢板结构的状态；
当g(X)＞0时，则所述钢板结构可靠；
当g(X)＜0时，则所述钢板结构不可靠；
当g(X)＝0时，则所述钢板结构处于极限状态。
6.如权利要求5所述的钢板强度参数的分析方法，其特征在于，所述利用一次二阶矩方法计算钢板可靠度包括：
采用改进的一次二阶矩方法计算所有影响参数在极限状态函数下的均值和标准值：
Figure FDA0003973759910000031
Figure FDA0003973759910000032
基于所述所有影响参数的均值μg(X)和标准值σg(X)，计算所述钢板可靠度β，其表达式为：
Figure FDA0003973759910000033
根据所述钢板的可靠度指标β，由公式R＝1-Pf＝φ(β)计算可靠度R；
其中，Pf为失效概率，φ(β)为标准正态分布函数，xi为第i个影响参数，
Figure FDA0003973759910000034
分别为第i个影响参数的标准差和均值，P*为设计点，
Figure FDA0003973759910000035
为第i个影响参数xi在P*点的取值。
7.如权利要求6所述的钢板强度参数的分析方法，其特征在于，所述利用所述极限状态函数对所述每个影响参数求微分，得到每个影响参数的可靠性灵敏度包括：
将所述每个影响参数均值和标准差在极限状态函数下进行求微分，得到所述每个影响参数的均值灵敏度和标准差灵敏度，其表达式如下：
Figure FDA0003973759910000041
Figure FDA0003973759910000042
其中，Pf为钢板失效概率，β为可靠性指标，
Figure FDA0003973759910000043
为第i个影响参数的均差，
Figure FDA0003973759910000044
为第i个影响参数的标准差，μg(X)为所有影响参数的均差，σg(X)为所有影响参数的标准差，xi为第i个影响参数。
8.一种子弹侵彻钢板场景下钢板强度参数的分析装置，其特征在于，包括：
构建数据样本模块，用于提取子弹侵彻钢板有限元模型的仿真结果中影响钢板强度的多个影响参数以及数据，并根据每个影响参数数据的均值和标准差扩充数据，构建多个影响参数数据样本；
计算最大应力以及函数关系模块，用于将所述多个影响参数数据样本依次输入神经网络中，得到最大应力以及所述最大应力和所有影响参数的函数关系；
构建极限状态函数模块，用于根据所述最大应力和所有影响参数的函数关系建立钢板失效的极限状态函数；
计算可靠度和可靠性灵敏度模型，用于利用一次二阶矩方法计算钢板可靠度，并利用所述极限状态函数对所述每个影响参数求微分，得到每个影响参数的可靠性灵敏度；
确定最佳影响参数模块，用于判断每个影响参数的钢板可靠度和可靠性灵敏度，选取最大所述钢板可靠度和所述可靠性灵敏度值的参数作为最佳影响参数，采用合适的优化方法优化所述最佳影响参数。
9.一种子弹侵彻钢板场景下钢板强度参数的优化设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述一种子弹侵彻钢板场景下钢板强度参数的分析方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种子弹侵彻钢板场景下钢板强度参数的分析方法的步骤。
CN202211528724.4A 2022-11-30 2022-11-30 一种子弹侵彻钢板场景下钢板强度参数的分析方法及装置 Pending CN115952709A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211528724.4A CN115952709A (zh) 2022-11-30 2022-11-30 一种子弹侵彻钢板场景下钢板强度参数的分析方法及装置
PCT/CN2023/074872 WO2024113485A1 (zh) 2022-11-30 2023-02-08 一种子弹侵彻钢板场景下钢板强度参数的分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211528724.4A CN115952709A (zh) 2022-11-30 2022-11-30 一种子弹侵彻钢板场景下钢板强度参数的分析方法及装置

Publications (1)

Publication Number Publication Date
CN115952709A true CN115952709A (zh) 2023-04-11

Family

ID=87290599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211528724.4A Pending CN115952709A (zh) 2022-11-30 2022-11-30 一种子弹侵彻钢板场景下钢板强度参数的分析方法及装置

Country Status (2)

Country Link
CN (1) CN115952709A (zh)
WO (1) WO2024113485A1 (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3252627A1 (en) * 2016-06-02 2017-12-06 Seat, S.A. Spot weld fracture calculation method and device for high-strength steels
CN106383948B (zh) * 2016-09-19 2019-06-21 西北工业大学 机械产品功能机构的可靠性分配设计方法
CN108491627B (zh) * 2018-03-22 2021-06-15 东北大学 一种机械零部件结构的可靠性分析方法
CN112528551B (zh) * 2020-10-21 2023-09-01 广东石油化工学院 一种双伺服刀架的频率可靠性评估方法
JP2022136412A (ja) * 2021-03-08 2022-09-21 ナブテスコ株式会社 性能予測装置、性能予測方法及び性能予測プログラム
CN114580292B (zh) * 2022-03-10 2024-05-28 北京航空航天大学 一种滚动轴承的塑性变形的可靠性和灵敏度分析方法
CN114896740B (zh) * 2022-06-22 2024-09-10 北京航空航天大学 一种基于力学仿真和神经网络方法的机械产品可靠性分析方法

Also Published As

Publication number Publication date
WO2024113485A1 (zh) 2024-06-06

Similar Documents

Publication Publication Date Title
CN105608263B (zh) 一种面向涡轮叶盘结构寿命概率分析的自适应处理方法
CN111324993B (zh) 一种湍流场更新方法、装置及其相关设备
Mahadevan Monte carlo simulation
CN109613611B (zh) 用于结构抗震时程分析的输入地震波的确定方法及系统
CN110807544B (zh) 一种基于机器学习的油田剩余油饱和度分布的预测方法
CN112070356A (zh) 一种基于rf-lssvm模型预测混凝土抗碳化性能的方法
CN113591234B (zh) 一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法
CN112307536B (zh) 一种大坝渗流参数反演方法
CN113033093A (zh) 一种基于仿真模型的系统设计参数多目标优化方法
CN115994465B (zh) 意外爆炸空气冲击波对桥梁毁伤效果kNN评估方法、装置及介质
CN110264028A (zh) 一种装备体系贡献率评估方法及装置
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
CN110826714A (zh) 一种岩质基坑爆破参数动态调控方法
CN108763164B (zh) 煤与瓦斯突出反演相似度的评价方法
CN116975958A (zh) 基于Cokriging多保真替代模型评估城镇砌体结构抗震安全的方法
CN115952709A (zh) 一种子弹侵彻钢板场景下钢板强度参数的分析方法及装置
CN113806839A (zh) 一种基于多元Copula函数的连续梁桥整体地震易损性计算方法
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
CN116911148A (zh) 一种沉积盆地建筑群震害评估方法及评估系统
CN113837644A (zh) 基于灰色关联的装备作战效能与贡献率一体化评估方法
CN113608136A (zh) 一种多尺度锂离子电池健康状态的预测方法
CN102521458A (zh) 机械系统虚拟设计薄弱环节确定方法
CN118410721B (zh) 一种公路桩板式结构的耗能斜撑设计参数优化方法
Cui et al. Time-dependent reliability analysis for structures under multilevel loads based on fatigue damage theory
CN116297868B (zh) 一种岩爆声发射前兆特征的计算方法

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