CN116108765A - 一种常导型磁共振磁体极头优化的设计方法 - Google Patents

一种常导型磁共振磁体极头优化的设计方法 Download PDF

Info

Publication number
CN116108765A
CN116108765A CN202310396069.XA CN202310396069A CN116108765A CN 116108765 A CN116108765 A CN 116108765A CN 202310396069 A CN202310396069 A CN 202310396069A CN 116108765 A CN116108765 A CN 116108765A
Authority
CN
China
Prior art keywords
magnetic resonance
pole head
resonance magnet
normally
optimizing
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.)
Granted
Application number
CN202310396069.XA
Other languages
English (en)
Other versions
CN116108765B (zh
Inventor
李良安
田焕霞
陈琳鑫
陈春霞
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.)
Hebei Huiren Medical Equipment Technology Co ltd
Original Assignee
Hebei Huiren Medical Equipment Technology Co ltd
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 Hebei Huiren Medical Equipment Technology Co ltd filed Critical Hebei Huiren Medical Equipment Technology Co ltd
Priority to CN202310396069.XA priority Critical patent/CN116108765B/zh
Publication of CN116108765A publication Critical patent/CN116108765A/zh
Application granted granted Critical
Publication of CN116108765B publication Critical patent/CN116108765B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/28—Details of apparatus provided for in groups G01R33/44 - G01R33/64
    • G01R33/38—Systems for generation, homogenisation or stabilisation of the main or gradient magnetic field
    • 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
    • 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
    • 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]

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种常导型磁共振磁体极头优化的设计方法，首先通过Maxwell对常导型磁共振磁体建模，建立成像区域球体；参数化建模极头；进行Maxwell仿真得出球面上最大值和最小值和均值。编写遗传算法目标函数，满足条件后停止迭代，参数自动变为最优值。本发明采用这样的遗传优化设计方法，在满足常导型磁共振磁体的使用要求的基础上提高了初始场的均匀性，减少了匀场时在极头上放置永磁片的数量，进而提高了匀场效率，且永磁片数量减少，受温度影响小，提高了稳定性。

Description

一种常导型磁共振磁体极头优化的设计方法
技术领域
本发明涉及常导型磁共振磁体极头领域，特别是一种常导型磁共振磁体极头优化的设计方法。
背景技术
磁体是磁共振成像设备的部件之一，其主要作用是在成像区域产生均匀主磁场。在磁共振成像（MRI）中，磁体产生均匀磁场是成像的基础。常导型磁共振磁体需要匀场后才能使用，一方面通过在极头中合适位置放置合适形状的匀场硅钢片来调整主磁场的均匀性；另一方面，通过在合适位置放置永磁片来调整初始磁场。硅钢片的形状不规则，影响匀场的效果和效率；永磁片受温度和震动影响较大，稳定性差。
目前MRI磁体极头的设计方法是设计出初始磁场偏差大的磁体极头，随后通过永磁片匀场，主要是采用测试主磁场，通过测量结果初步调整硅钢片，达到要求数据后，采用永磁片细匀，工作量大，用时长，永磁片多。
发明内容
本发明要解决的技术问题是提供一种常导型磁共振磁体极头优化的设计方法，能在满足常导型磁共振磁体的使用要求的基础上提高匀场效率。
为解决上述技术问题，本发明提供一种常导型磁共振磁体极头优化的设计方法，具体步骤如下。
步骤一：通过Maxwell建模常导型磁共振磁体，建立成像区域球体。
步骤二：参数化建模极头，对极头1~（2×n+1）进行划分，n为自然数，划分区域为硅钢片参数化区域。
步骤三：进行Maxwell仿真，得出球面磁场最大值、最小值和均值。
步骤四：设置遗传优化算法，编写遗传算法目标函数，设置初始样本数量、每次迭代样本数量、最大允许的帕累托百分比和最大迭代次数，设置目标惩罚函数。
步骤五：Maxwell启动并按照设置自动进行迭代计算，满足条件后停止迭代，找出惩罚函数最小值，并显示计算结果，判断是否达到设计要求，如未达到设计要求，继续修改参数值，直至达到设计要求值。
步骤六：输出优化后的参数并运用到极头中，完成极头优化设计。
为了进一步解决本发明所要解决的技术问题，本发明提供的一种常导型磁共振磁体极头优化的设计方法中，步骤一建立的成像区域球体直径为360mm；3≦n≦5；步骤二所述的硅钢片化处理为：每隔(360/a)度建模1mm厚硅钢片，每一层建模a片硅钢片模型，a为自然数；12≦a≦72。
本发明采用这样的遗传优化设计方法，在满足常导型磁共振磁体的使用要求的基础上提高了初始场的均匀性，减少了匀场时在极头上放置永磁片的数量，进而提高了匀场效率，且永磁片数量减少，受温度影响小，提高了稳定性。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是常导型磁共振磁体结构示意图。
图2是本发明常导型磁共振磁体极头优化的设计方法流程图。
图3是常导型磁共振磁体极头优化前成像区域最大值和最小值示意图。
图4是应用本发明常导型磁共振磁体极头优化的设计方法后常导型磁共振磁体极头成像区域最大值和最小值示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。
本发明基于常导型磁共振磁体，如图1所示，提出了一种常导型磁共振磁体极头优化的设计方法，以下是本发明的具体实施例，其设计流程图如图2所示。
本发明的具体步骤为：
第一步：用电磁仿真软件Maxwell建模常导型磁共振磁体，进行边界、激励设置，建立成像区域球体。
第二步：参数化建模极头，对极头1~7层位置进行划分，划分区域为硅钢片参数化区域，每隔30度建模1mm厚硅钢片，每一层建模12片硅钢片模型。
第三步，进行Maxwell磁场仿真，得出球面磁场最大值、最小值和均值，如图3所示。
第四步，设置遗传优化算法，其设置方法如下：
4.1分别设置遗传算法参数初始样本数量为100、每次迭代样本数量50、最大允许的帕累托百分比70、收敛稳定性百分比0.0001和最大迭代次数20。
分别设置1-7层参数高度和径向变化范围：
第一层，r1变化范围30mm~50mm，h1高度为0.5mm~5mm；
第二层，r2=r1+50mm，h2高度为0.5mm~5mm；
第三层，r3=r2+70mm，h3高度为0.5mm~5mm；
第四层，r4=r3+60mm，h4高度为0.5mm~5mm；
第五层，r5=288mm，h5高度为0.5mm~5mm；
第六层，r6=288mm~465mm，h6高度为0.5mm~3mm；
第七层，r7=465mm~525mm，h7高度为0.25mm~4mm；
其中r1~r7为第1层到第7层参数的径向变化范围，h1~h7为第1层~第7层参数的高度变化范围。
4.2 设置遗传优化算法，编写遗传算法目标函数，目标函数的计算公式为：
Objfun=w1×(Bmax-Bmin)＋w2×(Bavg-Bt)
Objfun是目标函数，w1是球面最大值和最小值差值的权重；w2是球面平均磁场的权重；Bmax和Bmin分别是球面的最大磁场值和最小磁场值，Bavg为球面磁场平均值，Bt为目标磁场值。
第五步，Maxwell启动并按照设置自动进行迭代计算，计算完毕后，找出惩罚函数最小值，并显示计算结果，判断是否达到设计要求，如未达到设计要求，继续修改参数值，直至达到设计要求值。
第六步，输出优化后的参数并运用到极头中，完成极头优化设计，优化后常导型磁共振磁体极头成像区域最大值和最小值示意图如图4所示。
因此，本发明提供了一种常导型磁共振磁体极头优化的设计方法，在满足常导型磁共振磁体的使用要求的基础上提高了初始场的均匀性，减少了匀场时在极头上放置永磁片的数量，进而提高了匀场效率。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳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：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (5)

1.一种常导型磁共振磁体极头优化的设计方法，其特征在于：具体步骤如下：
步骤一：通过Maxwell建模常导型磁共振磁体，建立成像区域球体；
步骤二：参数化建模极头，对极头1~(2×n+1)进行划分，n为自然数，划分区域为硅钢片参数化区域；
步骤三：进行Maxwell仿真，得出球面磁场最大值、最小值和均值；
步骤四：设置初始样本数量、每次迭代样本数量、最大允许的帕累托百分比和最大迭代次数，设置遗传优化算法，编写遗传算法目标函数；
步骤五：Maxwell启动并按照设置自动进行迭代计算，满足条件后停止迭代，找出惩罚函数最小值，并显示计算结果，判断是否达到设计要求，如未达到设计要求，继续修改参数值，直至达到设计要求值；
步骤六：输出优化后的参数并运用到极头中，完成极头优化设计。
2.根据权利要求1所述的常导型磁共振磁体极头优化的设计方法，其特征在于：步骤一建立的成像区域球体直径为360mm。
3.根据权利要求2所述的常导型磁共振磁体极头优化的设计方法，其特征在于：3≦n≦5。
4.根据权利要求3所述的常导型磁共振磁体极头优化的设计方法，其特征在于：步骤二所述的硅钢片化处理为：每隔(360/a)度建模1mm厚硅钢片，每一层建模a片硅钢片模型，a为自然数。
5.根据权利要求4所述的常导型磁共振磁体极头优化的设计方法，其特征在于：12≦a≦72。
CN202310396069.XA 2023-04-14 2023-04-14 一种常导型磁共振磁体极头优化的设计方法 Active CN116108765B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310396069.XA CN116108765B (zh) 2023-04-14 2023-04-14 一种常导型磁共振磁体极头优化的设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310396069.XA CN116108765B (zh) 2023-04-14 2023-04-14 一种常导型磁共振磁体极头优化的设计方法

Publications (2)

Publication Number Publication Date
CN116108765A true CN116108765A (zh) 2023-05-12
CN116108765B CN116108765B (zh) 2023-06-30

Family

ID=86256556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310396069.XA Active CN116108765B (zh) 2023-04-14 2023-04-14 一种常导型磁共振磁体极头优化的设计方法

Country Status (1)

Country Link
CN (1) CN116108765B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101533077A (zh) * 2009-04-17 2009-09-16 中国科学院电工研究所 一种磁共振成像装置超导磁体的优化设计方法
CN109033617A (zh) * 2018-07-23 2018-12-18 五邑大学 基于遗传算法的直流永磁无刷电机的多目标参数优化方法
CN110555249A (zh) * 2019-08-20 2019-12-10 湖南大学 基于水泵负载年损耗电量全局最优的电机参数设计方法
CN113065268A (zh) * 2021-03-30 2021-07-02 中国科学院光电技术研究所 一种基于代理模型快速多目标空间反射镜优化设计方法
CN114359428A (zh) * 2021-12-24 2022-04-15 深圳市联影高端医疗装备创新研究院 一种磁共振指纹成像字典分辨率优化方法及装置
CN114970861A (zh) * 2022-05-31 2022-08-30 河北惠仁医疗设备科技有限公司 一种开放式mri无源匀场的设计方法
CN115481549A (zh) * 2022-01-18 2022-12-16 浙江理工大学 圆筒直线电机多目标优化方法、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101533077A (zh) * 2009-04-17 2009-09-16 中国科学院电工研究所 一种磁共振成像装置超导磁体的优化设计方法
CN109033617A (zh) * 2018-07-23 2018-12-18 五邑大学 基于遗传算法的直流永磁无刷电机的多目标参数优化方法
CN110555249A (zh) * 2019-08-20 2019-12-10 湖南大学 基于水泵负载年损耗电量全局最优的电机参数设计方法
CN113065268A (zh) * 2021-03-30 2021-07-02 中国科学院光电技术研究所 一种基于代理模型快速多目标空间反射镜优化设计方法
CN114359428A (zh) * 2021-12-24 2022-04-15 深圳市联影高端医疗装备创新研究院 一种磁共振指纹成像字典分辨率优化方法及装置
CN115481549A (zh) * 2022-01-18 2022-12-16 浙江理工大学 圆筒直线电机多目标优化方法、设备及存储介质
CN114970861A (zh) * 2022-05-31 2022-08-30 河北惠仁医疗设备科技有限公司 一种开放式mri无源匀场的设计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王亚: "低场永磁磁共振应用中特异性磁体研究", 《中国博士学位论文全文数据库》, pages 2 - 3 *

Also Published As

Publication number Publication date
CN116108765B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN105974794B (zh) 基于改进的猫群算法的离散制造车间调度方法
CN109765510B (zh) 一种带有圆角的径向超导匀场线圈设计方法
WO2003096234A2 (en) Optimization of die placement on wafers
CN109960867B (zh) 一种基于惯性回转中心调控最优化及智能学习的大型高速回转装备多级零部件选配方法
CN116108765B (zh) 一种常导型磁共振磁体极头优化的设计方法
CN106919763A (zh) 一种产品结构尺寸优化方法
CN109324566B (zh) 一种多机械臂协同加工大型叶片的方法
CN110415331A (zh) 一种基于点云数据的轮廓或孔洞快速检测判别和孔洞修补方法
CN111222799A (zh) 一种基于改进粒子群算法的装配序列规划方法
CN112548032A (zh) 一种基于三维扫描的铸件铸造方法
CN111241699B (zh) 一种改善汽车前灯面罩翘曲变形的方法
Zhang et al. A new optimization method for sheet metal forming processes based on an iterative learning control model
CN114970861A (zh) 一种开放式mri无源匀场的设计方法
Huang et al. An on-machine tool path generation method based on hybrid and local point cloud registration for laser deburring of ceramic cores
CN112307577B (zh) 一种基于鲸鱼优化算法的航空发动机涡轮盘优化方法
CN110328491B (zh) 一种自适应模具修补工艺优化方法及装置
CN109598023A (zh) 一种高强度车轮轮辐结构设计方法
CN111768435B (zh) 一种应用于零件自动找正的自适应步长点云配正方法
CN112387843B (zh) 圆环电磁胀形分析、控制方法及胀形装置
CN104392027B (zh) 一种涡轮叶片扰流柱的参数化造型方法
CN114970305A (zh) 一种磁控软体机器人磁性颗粒分布的预测方法
Zheng et al. Robot path optimization for laser cladding forming
CN110162897B (zh) 一种大口径弯管加热导磁体优化方法
CN110096741B (zh) 一种基于预测模型及改进遗传算法的预锻成形模具设计方法
CN113076667A (zh) 等效仿真方法、系统、计算机设备及计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant