CN116245029A - 一种基于机器学习的隔振超材料结构设计方法 - Google Patents

一种基于机器学习的隔振超材料结构设计方法 Download PDF

Info

Publication number
CN116245029A
CN116245029A CN202310271419.XA CN202310271419A CN116245029A CN 116245029 A CN116245029 A CN 116245029A CN 202310271419 A CN202310271419 A CN 202310271419A CN 116245029 A CN116245029 A CN 116245029A
Authority
CN
China
Prior art keywords
vibration isolation
metamaterial
optimization model
cavity
design method
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
CN202310271419.XA
Other languages
English (en)
Inventor
吴玲玲
赵哲
杨来侠
田小永
刘腾飞
李涤尘
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202310271419.XA priority Critical patent/CN116245029A/zh
Publication of CN116245029A publication Critical patent/CN116245029A/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
    • G06F30/27—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
    • 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
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Vibration Prevention Devices (AREA)

Abstract

一种基于机器学习的隔振超材料结构设计方法，采用机器学习的方法，先以力学超材料为对象，选取隔振超材料结构的基础优化模型，构建适应所需结构等效刚度的适应度函数；再根据基础优化模型的各待优化参数采用遗传算法构建若干初始构型；然后使用有限元仿真软件对每一个遗传算法构型的适应度函数进行评估；筛选适应度函数大的构型，保留作为下一代构型的母体；重复直到两个相邻世代之间的适应度函数达到需求阈值，得到最佳隔振超材料结构设计方案；本发明将隔振超材料结构等效刚度需求抽象为适应度函数表示，实现最优隔振性能的智能搜索，简单易操作。

Description

一种基于机器学习的隔振超材料结构设计方法
技术领域
本发明涉及隔振超材料结构技术领域，尤其涉及一种基于机器学习的隔振超材料结构设计方法。
背景技术
振动是日常生活中普遍存在的物理现象，简便而有效的隔振一直是工程中的研究热点，在各个领域都有着广泛的应用。国内外主流的隔振系统主要有两大类：主动隔振和被动隔振。其中，主动隔振指的是采用一系列的精密位移传感器，将感知到的振动信号转换为电信号，并反馈给动力装置，驱动其输出相反方向的位移或力，从而抵消振动。主动隔振经过几十年迅速发展，在低频段、微小位移振动控制方面取得突破性进展，常应用于航空航天、精密仪器等领域。但是，主动隔振结构往往设计复杂、体积庞大、价格昂贵，限制了其应用范围。而被动隔振则不需要外界提供能量，只需在振动传输过程中加入弹簧、橡胶等被动元件，就能起到一定的隔振效果，被动隔振系统结构简单、可靠性高、成本低，在各领域应用范围极广。但被动隔振也存在着低频隔振性能差的问题，随着各种高端设备的发展，低频段被动隔振系统的开发得到越来越多的投入。近年来，随着超材料的快速发展，为被动隔振材料的研发提供了新的思路，因其特殊的性能，隔振超材料得到越来越多科研人员的青睐。
在被动隔振体系中，根据线性隔振理论可知，系统具有隔振能力的前提是外界激励频率大于系统固有频率的
Figure BDA0004134811720000011
倍，要想得到更宽的隔振频带，就需要尽可能降低系统的固有频率。对于线性系统来说，在被隔振的物体质量已经确定的情况下，降低系统固有频率唯一的方法就是降低系统等效刚度。然而，系统等效刚度降低的同时，也伴随着系统承载能力的降低，这一对矛盾始终存在于线性隔振系统的设计中。因此，通过人工设计非线性隔振系统的结构，将系统的等效动态刚度降低为零，而同时不影响其静态承载能力，是国内外研究人员的共同目标。
目前，对于非线性隔振结构的设计，主流设计思路是通过在正刚度机构中并联负刚度元件，在系统的承载能力不发生显著削弱的前提下，使系统达到准零刚度的状态。隔振系统承载能力由正刚度机构决定，负刚度机构可降低系统的动刚度，使系统固有频率降低，从而保证承载力不受影响，进而达到拓宽隔振频带的目的，这种隔振器被称为准零刚度隔振器(Quasi-Zero Stiffness)。然而，目前准零刚度隔振结构设计方法，如拓扑优化等，存在计算量大、设计盲区等不足；其隔振系统的近零刚度往往只在很小的一段范围内，当振动的幅度偏离这一范围时，隔振效果会大打折扣。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供了一种基于机器学习的隔振超材料结构设计方法，以力学超材料为设计对象，将隔振超材料结构等效刚度需求抽象为适应度函数表示，实现最优隔振性能的智能搜索，简单易操作。
为了达到上述目的，本发明采取的技术方案为：
一种基于机器学习的隔振超材料结构设计方法，采用机器学习的方法，包括以下步骤：
S1：以力学超材料为对象，选取隔振超材料结构的基础优化模型；构建适应所需结构等效刚度的适应度函数；
S2：根据基础优化模型的各待优化参数采用遗传算法构建若干初始构型；
S3：使用有限元仿真软件对每一个遗传算法构型的适应度函数进行评估；筛选适应度函数大的构型，保留作为下一代构型的母体；
S4：重复步骤S3，直到两个相邻世代之间的适应度函数达到需求阈值，得到最佳隔振超材料结构设计方案。
所述的步骤S1中隔振超材料结构的基础优化模型为上正弦梁结构下侧边内凹六边形结构组合；或为正六面腔体、圆柱体和长方体组合结构。
所述的隔振材料的基础优化模型为上正弦梁结构下侧边内凹六边形结构组合，上正弦梁结构包括长方形腔体，其中一边由正弦梁代替；下侧边内凹六边形结构由六面体腔组成，其中侧面四个边为内凹结构；上下结构由杆状结构加长方体结构连接。
所述的隔振材料的基础优化模型为正六面腔体、圆柱体和长方体组合结构，正六面腔体作为外壳，圆柱体圆形截面位于正六面腔体正六边形截面中心，圆柱体与正六面腔体由四个长方体连接，其中两长方体横截面与正六面腔体横截面上边构成等腰三角形，两长方体横截面与正六面腔体横截面下边构成等腰三角形，四条等腰边固定中心圆柱体。
隔振超材料结构的基础优化模型为上正弦梁结构下侧边内凹六边形结构组合，步骤S2中待优化参数包括：
上正弦梁结构侧边长度b；
上正弦梁结构内腔长度c；
上正弦梁结构正弦梁弧度z1；
下侧边内凹六边形结构侧边角度alph1。
隔振超材料结构的基础优化模型为正六面腔体、圆柱体和长方体组合结构，步骤S2中待优化参数包括：
中心圆柱体圆截面半径r；
正六面腔体正六边形截面两侧内角补角alph；
正六面腔体边厚scale1。
步骤S2中遗传算法根据各待优化参数构建若干初始构型，其中初始构型的规模取决于设计变量的数量；因此，根据经验法则，设计变量越多，初始构型的规模就越大。
步骤S3中有限元仿真软件生成该结构压缩过程中上表面的反力—位移曲线，经过对该曲线求导得到该结构的刚度曲线，将刚度曲线划分为50000个点，以其中点刚度值小于等于0.001的个数的倒数为适应度函数。
步骤S3中有限元仿真软件生成该结构压缩过程中上表面的反力—位移曲线，经过对该曲线求导得到该结构的刚度曲线，将刚度曲线划分为10000个点，以各刚度点值的平方的和为适应度函数。
本发明的有益效果是：
1.采用机器学习的方法，以力学超材料为设计对象，将结构等效刚度需求抽象为适应度函数表示，从而实现最优隔振结构的智能搜索，简单易操作。
2.零刚度区间范围相较优化前显著增大，隔振性能显著增强。
3.避免了设计计算量大、设计盲区等不足。
附图说明
图1是本发明实施例1中隔振超材料结构的基础优化模型结构示意图。
图2是本发明实施例1中最优化隔振设计与优化前隔振设计力—位移曲线对比示意图。
图3是本发明实施例1中最优化隔振设计与优化前隔振设计等效刚度—位移曲线对比示意图。
图4是本发明实施例2中隔振超材料结构的基础优化模型结构示意图。
图5是本发明实施例2中最优化隔振设计与优化前隔振设计力—位移曲线对比示意图。
图6是本发明实施例2中最优化隔振设计与优化前隔振设计等效刚度—位移曲线对比示意图。
具体实施方式
下面通过实施例并结合附图对本发明的技术方案作进一步具体的说明。
实施例1，一种基于机器学习的隔振超材料结构设计方法，采用机器学习的方法，包括以下步骤：
S1：以力学超材料为对象，选取隔振超材料结构的基础优化模型；构建适应所需结构等效刚度的适应度函数，实现最优隔振结构的智能搜索，简单易操作；
在本实施例中，隔振超材料结构的基础优化模型为上正弦梁结构下侧边内凹六边形结构组合，为提高空间利用率，安装便捷，具体采用如图1所示的结构，图中1为上正弦梁结构侧边长度b；2为上正弦梁结构内腔长度c；3为上正弦梁结构正弦梁弧度z1；4为下侧边内凹六边形结构侧边角度alph1，F为压缩过程中施加的力及方向；
上正弦梁结构包括长方形腔体，其中一边由正弦梁代替；下侧边内凹六边形结构由六面体腔组成，其中侧面四个边为内凹结构；上下结构由杆状结构加长方体结构连接；
S2：根据基础优化模型的各待优化参数采用遗传算法构建若干初始构型；
在本实施例中，定义与压缩方向相同的方向为长度方向，定义与压缩方向垂直的方向为宽度，基础优化模型的待优化参数包括：
上正弦梁结构侧边长度b；
上正弦梁结构内腔长度c；
上正弦梁结构正弦梁弧度z1；
下侧边内凹六边形结构侧边角度alph1；
遗传算法根据各待优化参数构建若干初始构型，其中初始构型的规模取决于设计变量的数量；因此，根据经验法则，设计变量越多，初始构型的规模就越大；
压缩过程中上表面的反力—位移曲线，经过对该曲线求导得到该结构的刚度曲线，将刚度曲线划分为50000个点，以其中点刚度值小于等于0.001的个数的倒数为适应度函数；
S3：使用有限元仿真软件对每一个遗传算法构型的适应度函数进行评估；筛选适应度函数较大的构型，保留作为下一代构型的母体；
通过比较，在本实施例中选取适应度函数按大小排列处于前50％的构型；
S4：重复步骤S3，直到两个相邻世代之间的适应度函数达到需求阈值，得到最佳隔振超材料结构设计方案；
需求阈值根据要求的优化精度设定，在本实施例中，需求阈值为10-6～10-4；当两个相邻世代之间的适应度函数差在10-6～10-4范围内时，获得优化后的隔振超材料结构设计方案。
本实施例中，所用的有限元评估软件为COMSOL Multiphysics，它可以通过LiveLinkTM for
Figure BDA0004134811720000071
轻松地与遗传算法(GA)模型结合。在本实施例中，设定了种群的个数为15，杂交概率(CrossoverFraction)为0.8，最大迭代次数为200，最优单元组成的刚度—位移曲线如图3所示。可以看出该隔振超材料结构经过优化后，等效零刚度区间显著增大。
本实施例优化后的隔振超材料结构如图1模型所示，其上正弦梁结构侧边长度b为23.9529mm；上正弦梁结构内腔长度c为16.4100mm；上正弦梁结构正弦梁弧度z1为8.2972；下侧边内凹六边形结构侧边角度alph1为60.4758；
如图2中优化前后模型的力—位移曲线所示；在整个压缩过程中，其力的变化中未存在恒力状态；而如优化后的模型力—位移曲线所示，在压缩过程中后半段力基本处于恒力状态。
如图3中优化前后模型的刚度—位移曲线所示；整个压缩过程中该模型等效刚度未曾出现等效刚度为零或接近零的状态；而如优化后的模型刚度—位移曲线所示，后半段压缩过程中该结构等效刚度一直处于为零或接近零的状态。
实施例2，一种基于机器学习的隔振超材料设计方法，包括以下步骤：
S1：采用机器学习的方法，以力学超材料为对象，选取隔振的基础优化模型；构建适应所需等效刚度的适应度函数，实现最优隔振结构的智能搜索，简单易操作；
S2：根据基础优化模型的各待优化参数采用遗传算法构建若干初始构型；
在本实施例中，隔振超材料结构的基础优化模型为正六面腔体、圆柱体和长方体组合结构，为提高空间利用率，安装便捷，具体采用如图4所示的结构，
基础优化模型为正六面腔体、圆柱体和长方体组合结构，正六面腔体作为外壳，圆柱体圆形截面位于正六面腔体正六边形截面中心，圆柱体与正六面腔体由四个长方体连接，其中两长方体横截面与正六面腔体横截面上边构成等腰三角形，两长方体横截面与正六面腔体横截面下边构成等腰三角形，四条等腰边固定中心圆柱体；
遗传算法根据各待优化参数构建若干初始构型，其中初始构型的规模取决于设计变量的数量；因此，根据经验法则，设计变量越多，初始构型的规模就越大；
压缩过程中上表面的反力—位移曲线，经过对该曲线求导得到该结构的刚度曲线，将刚度曲线划分为10000个点，以各刚度点值的平方的和为适应度函数；
S3：使用有限元仿真软件对每一个遗传算法构型的适应度函数进行评估；筛选适应度函数大的构型，保留作为下一代构型的母体；
在本实施例中，定义与压缩方向相同的方向为长度方向，定义与压缩方向垂直的方向为宽度，基础优化模型的待优化参数包括：
中心圆柱体圆截面半径r；
正六面腔体正六边形截面两侧内角补角alph；
正六面腔体边厚scale1；
通过比较，本实施例选取适应度函数按大小排列处于前50％的构型；
S4：重复步骤S3，直到两个相邻世代之间的适应度函数达到需求阈值，得到最佳隔振超材料结构设计方案；
需求阈值根据要求的优化精度设定，在本实施例中，需求阈值为10-6～10-5；当两个相邻世代之间的适应度函数差在10-6～10-5范围内时，获得优化后的隔振超材料结构设计方案。
本实施例中，所用的有限元评估软件为COMSOL Multiphysics，它可以通过LiveLinkTM for
Figure BDA0004134811720000091
轻松地与遗传算法(GA)模型结合；在本实施例中，设定了种群的个数为15，杂交概率(CrossoverFraction)为0.8，最大迭代次数为200，最优单元组成的刚度—位移曲线如图6所示，可以看出该隔振超材料结构经过优化后，等效零刚度区间显著增大。
本实施例优化后的隔振超材料结构如图4模型所示，图中5为中心圆柱体圆截面半径r；6为正六面腔体正六边形截面两侧内角补角alph；7为正六面腔体边厚scale1；F为压缩过程中施加的力及方向；其中心圆柱体圆截面半径r为4.7437mm；正六面腔体正六边形截面两侧内角补角alph为67.2190°；正六面腔体边厚scale1为0.9550mm。
如图5中优化前后模型的力—位移曲线所示，在整个压缩过程中，其力的变化中未存在恒力状态；而如优化后的模型力—位移曲线所示，在压缩过程中力基本处于恒力状态。
如图6中优化前后模型的刚度—位移曲线对比所示，优化后的模型等效刚度整体降低，基本保持零刚度状态。
可见本发明方法不需要大量的计算，可以实现最优隔振结构的智能搜索，简单易操作。针对不同的初始结构，可以快速得到最佳结构。
应理解，实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

Claims (10)

1.一种基于机器学习的隔振超材料结构设计方法，其特征在于，采用机器学习的方法，包括以下步骤：
S1：以力学超材料为对象，选取隔振超材料结构的基础优化模型；构建适应所需结构等效刚度的适应度函数；
S2：根据基础优化模型的各待优化参数采用遗传算法构建若干初始构型；
S3：使用有限元仿真软件对每一个遗传算法构型的适应度函数进行评估；筛选适应度函数大的构型，保留作为下一代构型的母体；
S4：重复步骤S3，直到两个相邻世代之间的适应度函数达到需求阈值，得到最佳隔振超材料结构设计方案。
2.根据权利要求1所述的设计方法，其特征在于，所述的步骤S1中隔振超材料结构的基础优化模型为上正弦梁结构下侧边内凹六边形结构组合；或为正六面腔体、圆柱体和长方体组合结构。
3.根据权利要求2所述的设计方法，其特征在于，隔振材料的基础优化模型为上正弦梁结构下侧边内凹六边形结构组合，上正弦梁结构包括长方形腔体，其中一边由正弦梁代替；下侧边内凹六边形结构由六面体腔组成，其中侧面四个边为内凹结构；上下结构由杆状结构加长方体结构连接。
4.根据权利要求2所述的设计方法，其特征在于，隔振材料的基础优化模型为正六面腔体、圆柱体和长方体组合结构，正六面腔体作为外壳，圆柱体圆形截面位于正六面腔体正六边形截面中心，圆柱体与正六面腔体由四个长方体连接，其中两长方体横截面与正六面腔体横截面上边构成等腰三角形，两长方体横截面与正六面腔体横截面下边构成等腰三角形，四条等腰边固定中心圆柱体。
5.根据权利要求2所述的设计方法，其特征在于，隔振超材料结构的基础优化模型为上正弦梁结构下侧边内凹六边形结构组合，步骤S2中待优化参数包括：
上正弦梁结构侧边长度b；
上正弦梁结构内腔长度c；
上正弦梁结构正弦梁弧度z1；
下侧边内凹六边形结构侧边角度alph1。
6.根据权利要求2所述的设计方法，其特征在于，隔振超材料结构的基础优化模型为正六面腔体、圆柱体和长方体组合结构，步骤S2中待优化参数包括：
中心圆柱体圆截面半径r；
正六面腔体正六边形截面两侧内角补角alph；
正六面腔体边厚scale1。
7.根据权利要求1所述的设计方法，其特征在于，步骤S2中遗传算法根据各待优化参数构建若干初始构型，其中初始构型的规模取决于设计变量的数量；因此，根据经验法则，设计变量越多，初始构型的规模就越大。
8.根据权利要求1所述的设计方法，其特征在于，步骤S3中有限元仿真软件生成该结构压缩过程中上表面的反力—位移曲线，经过对该曲线求导得到该结构的刚度曲线，将刚度曲线划分为50000个点，以其中点刚度值小于等于0.001的个数的倒数为适应度函数。
9.根据权利要求1所述的设计方法，其特征在于，步骤S3中有限元仿真软件生成该结构压缩过程中上表面的反力—位移曲线，经过对该曲线求导得到该结构的刚度曲线，将刚度曲线划分为10000个点，以各刚度点值的平方的和为适应度函数。
10.根据权利要求2所述的设计方法，其特征在于，隔振超材料结构的基础优化模型为上正弦梁结构下侧边内凹六边形结构组合，需求阈值为10-6～10-4；隔振超材料结构的基础优化模型为正六面腔体、圆柱体和长方体组合结构，需求阈值为10-6～10-5。
CN202310271419.XA 2023-03-20 2023-03-20 一种基于机器学习的隔振超材料结构设计方法 Pending CN116245029A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310271419.XA CN116245029A (zh) 2023-03-20 2023-03-20 一种基于机器学习的隔振超材料结构设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310271419.XA CN116245029A (zh) 2023-03-20 2023-03-20 一种基于机器学习的隔振超材料结构设计方法

Publications (1)

Publication Number Publication Date
CN116245029A true CN116245029A (zh) 2023-06-09

Family

ID=86627714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310271419.XA Pending CN116245029A (zh) 2023-03-20 2023-03-20 一种基于机器学习的隔振超材料结构设计方法

Country Status (1)

Country Link
CN (1) CN116245029A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118149032A (zh) * 2024-03-19 2024-06-07 西安交通大学 多级载荷隔振器及其设计方法和系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118149032A (zh) * 2024-03-19 2024-06-07 西安交通大学 多级载荷隔振器及其设计方法和系统

Similar Documents

Publication Publication Date Title
CN109145427B (zh) 一种基于三周期极小曲面的多孔结构设计与优化方法
CN107276449B (zh) 基于介电型电活性聚合物的手性负泊松比结构
CN110008512B (zh) 一种考虑承载特性的负泊松比点阵结构拓扑优化方法
CN102184298B (zh) 金属体积塑性成形中有限元分析刚度矩阵存储与生成方法
CN113434921A (zh) 一种考虑介纳观尺度效应的结构等几何拓扑优化方法
CN116245029A (zh) 一种基于机器学习的隔振超材料结构设计方法
CN107276451B (zh) 基于介电型电活性聚合物的内凹六边形负泊松比结构
CN111259592A (zh) 一种振动能量收集压电超材料薄板材料拓扑优化方法
Long et al. Topology optimization of transient problem with maximum dynamic response constraint using SOAR scheme
Khalkhali et al. Optimal design of sandwich panels using multi-objective genetic algorithm and finite element method
CN109783836A (zh) L型压电能量采集器的非线性模型建立与验证分析方法
CN111539138B (zh) 基于阶跃函数的结构动力学峰值时域响应灵敏度求解方法
CN116341270A (zh) 圆柱壳和圆锥壳耦合结构振动分析方法、系统及存储介质
CN114741977A (zh) 声学超材料微结构最大加工误差设计方法
Liu et al. Piezoelectric wind energy harvester of bi-stable hybrid symmetric laminates
Liang et al. A performance index for topology and shape optimization of plate bending problems with displacement constraints
CN116910941A (zh) 一种约束阻尼板壳结构拓扑优化方法、装置及计算机设备
Wen et al. Design of a two-stage force amplification frame for piezoelectric energy harvesting
Zheng et al. Design of low-frequency broadband flextensional transducers based on combined particle swarm optimization and finite element method
CN116842799A (zh) 用于载具轻量化设计的连续体多材料结构拓扑优化方法
Friswell Partial and segmented modal sensors for beam structures
Rehman et al. A design framework for semi-active structural controlled adjustable constant force mechanisms
Zhou et al. Structural parameters optimization of permanent magnet spherical motor based on BP neural network model
Mashayekhi et al. A two-stage SIMP-ACO method for reliability-based topology optimization of double layer grids
CN111291515B (zh) 一种振动能量收集压电超材料薄板结构拓扑优化方法

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