CN116822038A - 基于数据驱动的异型封闭加筋拓扑优化方法 - Google Patents
基于数据驱动的异型封闭加筋拓扑优化方法 Download PDFInfo
- Publication number
- CN116822038A CN116822038A CN202310221805.8A CN202310221805A CN116822038A CN 116822038 A CN116822038 A CN 116822038A CN 202310221805 A CN202310221805 A CN 202310221805A CN 116822038 A CN116822038 A CN 116822038A
- Authority
- CN
- China
- Prior art keywords
- rib
- data
- ribs
- special
- optimization
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000002787 reinforcement Effects 0.000 title claims abstract description 33
- 238000013461 design Methods 0.000 claims abstract description 72
- 230000035945 sensitivity Effects 0.000 claims abstract description 20
- 238000000547 structure data Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000013433 optimization analysis Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 24
- 238000006073 displacement reaction Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 23
- 230000008569 process Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000003014 reinforcing effect Effects 0.000 description 7
- 239000000463 material Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000013075 data extraction Methods 0.000 description 3
- 238000010206 sensitivity analysis Methods 0.000 description 3
- 239000003351 stiffener Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 238000004513 sizing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
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)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据驱动的异型封闭加筋拓扑优化方法,具体如下:通过可移动变形组件法用具有显式几何特征的组件描述筋条,随机生成筋条路径和筋条尺寸的结构构型数据;生成现有异型结构数据样本,将现有异型结构数据样本进行有限元分析,提取每个现有异型结构数据样本的特征数据用于数据驱动;通过梯度信息快速求得优化的目标函数以及敏度信息;通过梯度信息与MMA优化求解器对结构相关性能进行优化计算得到最优设计变量;通过最优设计变量结合可移动变形组件法进行优化分析重构满足给定服役载荷工况需求的异型结构。采用上述一种基于数据驱动的异型封闭加筋拓扑优化方法,可直接导入到CAD/CAE系统,提升了设计效率,便于后续工作。
Description
技术领域
本发明涉及结构拓扑优化技术领域,尤其是涉及一种基于数据驱动的异型封闭加筋拓扑优化方法。
背景技术
目前在空天飞行器及航空航天领域,轻量化设计应对复杂情况的需求逐步增加,异型封闭结构则是其中的一个代表性结构。对于给定的载荷,板或壳结构的刚度和振动特性可以通过增加肋或加强筋而显著增加。由于它们的高刚度-重量比,加筋板或壳已被广泛用作汽车、航空航天和土木工程结构中的主要或次要承载部件。目前对壳体的形状优化设计的理论及方法已经比较成熟,相关工作也比较完善在过去的几十年中,基于拓扑优化的各种方法已经被开发出来,用于设计加筋板或壳体结构的最优布局和尺寸。
加强筋布局设计的优化方法可分为两类。第一种是预先设置过多的加筋肋,然后采用拓扑优化方法确定加筋布局,最后去除结构多余的筋条;第二种方法是基于最佳厚度分布来获得加强筋布局。这些方法集中于将加强筋布局设计问题转化为材料的最优分布,然后基于最优分布,提出了不同的策略来识别加劲肋的明确位置。
当前典型的加筋结构优化流程为:首先,将加强筋所处的区域(加筋层)当成优化的设计域,将结构离散成有限元网格,以设计域内的单元为优化设计变量,采用SIMP法(变密度法)对加强层进行拓扑优化设计,得到加强筋的最优材料分布;接着,对于初步优化的结果有一个人工识别的过程,即根据优化所得的实体材料分布结果(通常不太清晰,存在模糊边界、弱单元),人工提取出主要的筋条路径、几何特征参数;然后,再根据识别出的筋条的尺寸、特征参数重新建立筋条模型,进行新一轮的形状和尺寸的参数优化,得到最优的形状、尺寸优化结果;最后,通过上述的主要两个优化过程,可以得到最终的加筋优化设计结果。
数据驱动是基于现有的数据集或者样本库使用启发式算法,从而获取数据深层次之间相互联系的一种方法,机器学习是数据驱动的一种典型方法。随着计算机硬件的发展,广泛应用于互联网、交通运输、医疗等诸多领域。自从1959年机器学习方法首次在计算力学领域的应用,经过数十年的发展,现如今研究人员已经将机器学习应用于力学性质的预测、裂纹萌生的判定、缺陷诊断等诸多经典力学问题中,并且取得了一定的成功。
而在传统的优化过程中,有限元分析所占用的资源一直是一个不容忽视的比例,为了实现更精确地计算效果,往往需要划分更加精细的网格、施加更为复杂的边界条件,此时则需要更多的计算资源与计算时间,因此人们需要权衡精度与效率之间的关系。为了提高计算效率我们可以通过机器学习方法快速的探究几何模型与关系性质之间的联系,从而达到增加计算效率的目标。传统的优化过程存在如下问题:
(1)采用传统的加筋壳拓扑优化方法,对筋条的几何描述依赖于隐式的结构的像素单元或节点,没有显式的几何信息,如筋条长度、宽度、高度,难以实现对筋条尺寸的有效控制或约束;缺乏与现代CAD/CAE系统直接联系的结构的显式几何参数,优化结果的提取需要繁杂的人工识别、后处理过程,难以直接导入CAD/CAE系统。
(2)用传统的加筋壳拓扑优化方法无法快速建模并分析解决适用于工程实际情况的异型封闭设计域的内部贯穿式加筋设计,针对一般的异型设计域工程结构计算效率较低,准确性也无从保证。
(3)传统拓扑优化算法针对异型封闭结构的优化设计往往需要经过漫长的迭代计算过程,分析时间长,计算效率低。且由于初始设置、参数设置不合理容易导致优化结果陷入局部最优解而未能得到较优结构,提高计算成本。
发明内容
本发明的目的是解决上述存在的技术问题。
为实现上述目的,本发明提供了一种基于数据驱动的异型封闭加筋拓扑优化方法,具体步骤如下:
步骤S1:在异型结构设计域内,通过可移动变形组件法用具有显式几何特征的组件描述筋条,随机生成筋条路径和筋条尺寸的结构构型数据得到具有几何信息的MMC显式拓扑描述参数;
步骤S2:控制筋条路径的控制点在设定范围内变动,生成用于开展人工神经网络训练的现有异型结构数据样本,将生成的现有异型结构数据样本进行有限元分析,提取每个现有异型结构数据样本的特征数据用于数据驱动;
步骤S3:将通过人工神经网络的误差反向传播中的梯度信息快速求得优化的目标函数以及约束函数对于设计变量的敏度信息;
步骤S4:通过人工神经网络中包含的梯度信息与MMA优化求解器对结构相关性能进行优化计算得到最优设计变量;
步骤S5:通过最优设计变量结合可移动变形组件法进行优化分析重构满足给定服役载荷工况需求的异型结构。
优选的,在步骤S1中,采用组件描述筋条,组件在斜平面壳上自由移动和变形,为避免由于筋条的重叠和交叉带来影响,通过每根筋条的位置由筋条两端的端点坐标确定,随端点的移动,筋条的位置发生改变,筋条路径表达式如下:
其中,是筋条的端点坐标,u∈[0,1]是参数变量,/>为筋条路径的坐标。
优选的,在步骤S1中,每根筋条都采用显式的几何信息进行描述,用于对筋条的尺寸进行几何控制,直筋的长度表示为:
其中,ls为直筋的长度,P1和P2分别为直筋两端电的坐标;
由于上下斜平面限定了设计域的大小,筋条的高度hchange随路径的改变不断变化,对于上半部分筋条,上斜平面的解析方程如下:
C1:a1x+b1y+c1z+d1=0
其中,a1、b1、c1以及d1为上斜平面的系数;
得到上半部分筋条任意一点的筋条高度:
下斜平面的解析方程如下:
C2:a2x+b2y+c2z+d2=0
其中,a2、b2、c2以及d2为下斜平面的系数;
得到下半部分筋条任意一点的筋条高度:
优选的,在步骤S2中,基于Pytorch框架搭建人工神经网络,以筋条中心点坐标和筋条厚度作为初始输入,利用回归模型预测提取的现有异型结构数据样本特征数据。
优选的,在步骤S4中,将数据驱动得到的理论最优设计重新导入ABAQUS,给定初始筋条布局,以端点的坐标为优化的设计变量,优化端点位置,可以得到筋条的最优分布;以每根筋条的厚度为优化设计变量,通过优化厚度得到筋条的最优尺寸结果;当筋条厚度小于设定值则认为其消失,产生结构拓扑的变化,从而实现加筋结构拓扑的变化;受限于异型封闭设计域的形状,端点的位置改变实现了每一根筋条的具体形状。
因此,本发明采用上述一种基于数据驱动的异型封闭加筋拓扑优化方法,具有以下有益效果:
(1)不同于以往的基于像素单元的加筋优化算法,该方法以筋条的显式几何信息为优化的设计变量,如连接点、厚度等,可以根据具体的问题情况方便的施加各种几何约束。优化结果中直接包含所有筋条结构的明确尺寸、形状参数信息,无需人工识别过程,可以直接导入到CAD/CAE系统,方便后续的加工利用。
(2)在移动可变形组件的显式拓扑优化框架基础上,基于数据驱动的先进理论提出了一种基于数据驱动的异型封闭加筋拓扑优化方法。数据驱动给出的理论最优构型在大量样本数据的训练下达到了较高的精度,并大幅降低了计算时间,提高了优化效率。
(3)在大量样本数据的训练下,数据驱动给出的理论最优构型可跳出传统优化方法漫长迭代过程的限制,不易陷入局部最优解。在与MMC加筋设计方法对接后,更易于获得相较传统优化方法更优的最终构型。
(4)切割式的建模方法保证了快速建模效率,使得异型封闭结构加筋拓扑优化设计能适应更一般的工程分析结构,其不依赖于载荷和约束条件的优化方法能适应更多工况的结构得到更大的应用价值。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种基于数据驱动的异型封闭加筋拓扑优化方法流程图;
图2为本发明可移动变形组件描述每根筋条显示一侧斜平面壳结构示意图;
图3为本发明人工神经网络示意图;
图4为本发明将筋条沿水平面划分区域结构示意图;
图5为本发明hchange≥0灵敏度分析示意图;
图6为本发明空气舵模型内部设计域结构示意图;
图7为本发明三角空气舵尺寸规定示意图;
图8为本发明A-A面尺寸规定示意图;
图9为本发明参数化生成的三角空气舵模型展示图;
图10为本发明三角舵危险点出现位置结构示意图;
图11为本发明三角舵样本数据提取示意图;
图12为本发明实际-预测对比图;
图13中(a)为本发明数据驱动结果参数化建模;
图13中(b)为本发明壳单元建模显示Shell厚度;
图14为本发明目标函数(最大位移)历史迭代曲线;
图15为本发明满足质量约束的最优布局及显示Shell厚度结果;
具体实施方式
实施例
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
下面结合附图,对本发明的一些实施方式作详细说明。
实施例1
如图1所示,一种基于数据驱动的异型封闭加筋拓扑优化方法,本实施例对于壳体加筋结构,采用组件代替像素单元来描述筋条,每根组件代表一根筋条,如图2所示,筋条可以在设计域两斜平面内部自由移动、变形,通过优化筋条的位置、尺寸等信息,最终可以实现加强筋的优化设计。
具体步骤如下:
步骤S1:在异型结构设计域内,通过可移动变形组件法用具有显式几何特征的组件描述筋条,随机生成筋条路径和筋条尺寸的结构构型数据得到具有几何信息的MMC显式拓扑描述参数。
采用组件描述筋条,组件在斜平面壳上自由移动和变形,为避免由于筋条的重叠和交叉带来影响,通过每根筋条的位置由筋条两端的端点坐标确定,随端点的移动,筋条的位置发生改变,筋条路径表达式如下:
其中,是筋条的端点坐标,u∈[0,1]是参数变量,/>为筋条路径的坐标。
每根筋条都采用显式的几何信息进行描述,用于对筋条的尺寸进行几何控制,直筋的长度表示为:
其中,ls为直筋的长度,P1和P2分别为直筋两端电的坐标;
由于上下斜平面限定了设计域的大小,筋条的高度hchange随路径的改变不断变化,对于上半部分筋条,上斜平面的解析方程如下:
C1:a1x+b1y+c1z+d1=0
其中,a1、b1、c1以及d1为上斜平面的系数;
得到上半部分筋条任意一点的筋条高度:
下斜平面的解析方程如下:
C2:a2x+b2y+c2z+d2=0
其中,a2、b2、c2以及d2为下斜平面的系数;
得到下半部分筋条任意一点的筋条高度:
步骤S2:控制筋条路径的控制点在设定范围内变动,生成用于开展人工神经网络训练的现有异型结构数据样本,将生成的现有异型结构数据样本进行有限元分析,提取每个现有异型结构数据样本的特征数据用于数据驱动。在步骤S2中,基于Pytorch框架搭建人工神经网络,如图3所示,以筋条中心点坐标和筋条厚度作为初始输入,利用回归模型预测提取的现有异型结构数据样本特征数据。根据BP算法中的梯度信息可以快速的求得优化的目标函数以及约束函数对于设计变量的敏度信息。
步骤S3:将通过人工神经网络的误差反向传播中的梯度信息快速求得优化的目标函数以及约束函数对于设计变量的敏度信息。
受斜平面设计域所限,筋条呈梯形状结构。为了便于分析,如图4所示,将筋条沿水平面分为上下两部分,先选取上半部分进行分析,
优化的变量为筋条的连接“硬点”坐标以及筋条的厚度参数,筋条的形状。在规定的设计域内优化目标为在给定的体积约束下使异型结构的最大位移最小:
Minimize I=dj
其中,Pi表示第i个筋条节点的坐标,tj表示第j根筋条的宽度,np和ns为筋条节点总数和筋条总根数;分别为结构的位移场、体力荷载、给定位移、边界面力、应变场、实体材料的弹性张量和许用材料的体积;dj为加筋壳在给定荷载下的最大位移;Γu和Γt分别为结构的位移边界和外力边界;/>和/>分别为虚位移空间和设计变量的允许空间;gj(D)为其他约束。
步骤S4:通过人工神经网络中包含的梯度信息与MMA优化求解器对结构相关性能进行优化计算得到最优设计变量。将数据驱动得到的理论最优设计重新导入ABAQUS,给定初始筋条布局,以端点的坐标为优化的设计变量,优化端点位置,可以得到筋条的最优分布;以每根筋条的厚度为优化设计变量,通过优化厚度得到筋条的最优尺寸结果;当筋条厚度小于设定值则认为其消失,产生结构拓扑的变化,从而实现加筋结构拓扑的变化;受限于异型封闭设计域的形状,端点的位置改变实现了每一根筋条的具体形状。
需要在每一个优化迭代步中提供结构的灵敏度信息,即优化的目标函数I对设计变量D的导数。本发明基于形状灵敏度分析方法,推导了板壳结构加强筋优化的灵敏度信息。
在形状灵敏度分析方法中,对于一般的目标函数,相应的形状灵敏度计算可以写为:
当优化目标为柔度时,式中的f为结构边界的应变能;vn为边界的演化项,有:vn=δS·n,其中δS为边界的摄动项,n为边界的法线方向。对于如图4所示的筋条,其形状由上下斜平面规定的设计域决定,每根筋条有六个边界面,因此,边界的演化项由六个部分组成,灵敏度表达式可以写为:
首先分析在hchange≥0时形状灵敏度的推导。将筋条沿xoy平面分为上下两部分,上半部分示意图如图4所示。控制点P1,P2所在的中面以S0表示,筋条的各个外表面分别:S0为竖向中面,S1前面,S2为后面,S3为上面,S4为左面,S5为右面,P1为控制点1,P2为控制点2。
由于建模厚度具有上下限,在上斜平面最速下降方向筋条前后两个面的高度改变量很小,在实际工程尺度上可以忽略不计。因此我们近似认为,筋条中面S0与筋条前后两面S1,S2近似相同。以图5的筋条为例:
两控制点的坐标分别为P1(x1,y1)和P2(x2,y2),则设计变量(x1,y1,x2,y2,t)T
对于此问题,每个筋条的上半部分组件具有5个变化的表面,
以面S1为例。
其中S0=S0(μ,υ)=(1-μ)(x1,y1,0)T+μ(x2,y2,0)T+υ(0,0,hchange)T
这里hchange是一个变化量,是坐标x1,y1,x2,y2的函数,hchange满足:
可以看出,hchange跟设计变量有关,且呈线性关系。
其中:ab是解析平面的参数,x1,y1,x2,y2筋条两端点的坐标。
即:S0=S0(μ,υ)=(1-μ)P1+μP2+υ(0,0,hchange)T
对于S0面上任意一点P(px,py,pz),若以和/>分别表示投影/> 即:
那么有:
由于筋条仅被切割并没有变形,因此n1=-n2=n0,其中n0为S0面的法向矢量。
直线P1P2的切线方向为:
由于平面S0可看作为直线P1P2沿Z轴方向延伸得到(延伸的高度不相同),因此S0的法线即与直线P1P2垂直,又与Z轴垂直,因此
同样的,
对于我们有:
将上述各式子和变高度的高度表达式hchange代入该式,可以化简得到:
由此可以看到,上半部分的筋条S1面的灵敏度与变高度无关。仅与控制点及筋条厚度信息相关,推广得对于hchange<0时的筋条灵敏度结论和hchange≥0的结论相同。因此对于整个筋条区域,可以得到S1面的灵敏度表达式:
同理,可推导出S2面的灵敏度表达式:
此外,筋条体积及其灵敏度为:
其中,
所以有:δV=δLhmiddlet+Lδhmiddlet+Lhmiddleδt
而
推导得体积灵敏度:
步骤S5:通过最优设计变量结合可移动变形组件法进行优化分析重构满足给定服役载荷工况需求的异型结构。
选取一个算例对所提方法的有效性和可靠性进行验证。空气舵为空天飞行结构的关键部位,决定和控制着结构稳定性等重要性能指标。空气舵是典型的异型封闭结构,设计空间巨大及优化收益显著,本例以最小化三角空气舵最大位移的加筋设计作为设计目标,以整舵质量为约束进行空气舵异型结构优化设计。如图6所示。三角空气舵模型,上下蒙皮1.5mm,由上下蒙皮包络形成三角空气舵不规则设计域,在设计域设计的筋条是梯形状贯穿式加筋肋骨架。上表面蒙皮施加垂直于蒙皮表面的均布荷载,整舵存在温度场,舵轴完全约束。图7-8为三角空气舵尺寸规定,三角舵尺寸、材料及载荷信息如表1~表3所示。表1三角舵尺寸参数设置(单位:mm)
a | 235 | b | 570 | c | 20 | d | 230 | e | 50 |
a1 | 3 | b1 | 3 | h1 | 60 | h2 | 5 |
表2材料信息
杨氏模量(MPa) | 1.47E5 | 密度(T/mm3) | 8.47E-9 |
泊松比 | 0.33 | 热膨胀系数(1/K) | 1.51E-5 |
表3载荷信息
约束位置 | 舵轴 | 加载位置 | 一侧蒙皮受均布载荷 |
温度场 | 293K升至393K | 加载大小 | 0.3MPa |
现在基于舵面结构构型数据生成参数化建模样本。在三角舵设计域内,用具有显式几何特征的组件描述筋条,随机生成空气舵筋条路径和筋条厚度的舵面结构构型数据。筋条厚度t范围设定[0-6]mm,舵面结构构型数据包含的工艺约束包括:最小厚度1.0mm、并充分考虑了增材制造清理需求等,当筋条厚度小于1.0时,该筋条不参与参数化建模。控制筋条路径的控制点在一定范围内变动。最终生成用于开展人工智能算法训练的现有舵面承载结构数据样本50000个。
借助于ABAQUS软件参数化构建空气舵几何模型样本并进行有限元分析,根据现有舵面承载结构数据样本共生成50000个三角空气舵样本模型,样本模型示例如图9所示。利用ABAQUS求解器进行分析计算,提取每个样本的重要数据用于导入下一阶段的数据驱动工作,提取的数据有以下内容:
(1)三角舵危险点位移
考虑到三角舵的结构特征,施加温度场和上表面蒙皮均布载荷后,易出现最大位移的位置如图10所示。A、B点是容易出现最大位移的两个危险点,因此在样本计算中将这两点位置的位移纳入数据提取,用于后续数据驱动工作。
(2)整舵质量
空气舵质量约束是优化的重要指标,在进行样本计算时选择提取三角舵整舵质量数据(单位Kg)用于数据驱动工作。如图11所示。
对50000个样本进行有限元分析计算,每个样本均输出上述3组数据。
经过以上的计算过程,获取了50000个不同的独立样本,基于Pytorch框架搭建了一个人工神经网络,以筋条中心点坐标、筋条厚度作为初始输入(218个参数)。利用回归模型预测六个等效性质即A点和B点的位移及模型的质量。
在网络搭建过程中优化器选择的是ADAM,初始学习率设定为3e-4,学习率采用LR衰减,每50步衰减为0.8;损失函数设定为回归任务常用的RMSE损失函数,可以直观的体现训练效果;每一层的激活函数选用leakyRelu函数;Batch_size:大小选择为128;最大迭代次数为20000;如图12所示,在图中所展示的是回归模型结果与实际性质的偏差程度,预测结果越准确则图中的参数点约接近曲线(图中灰线)。训练结果的RMSE大小为0.24,从图中的结果可以看出预测的结果都均匀的分布在曲线周围,因此认为这个结果的误差范围满足初步利用数据驱动算法优化的误差范围内。
随后利用人工神经网络中包含的梯度信息与MMA优化求解器相结合,对于结构的最大位移最小化进行优化设计。目标函数为结构的关键点最大位移最小化,设计变量为筋条的几何信息,约束条件为设计变量上下界约束以及结构质量约束,优化列式如下:
Obj:min(max(dA,dB))
xmin≤xval≤xmax
由于max函数的敏度不好求得因此采用KS函数拟合max函数以保证目标函数敏度的连续性:
根据BP算法中的梯度信息可以快速的求得目标函数以及约束函数对于设计变量的敏度信息,因此无需计算解析敏度。经过优化后可以得到一组空气舵的筋条几何参数,根据之前的建模思路,可以在极短的时间内对于空气舵进行精确的建模。
数据驱动工作将上述50000个样本的计算结果形成庞大的数据库,开展充分数据训练和挖掘,采用人工智能算法驱动设计及有限元计算性能评价。根据实际工程中要求的质量约束,数据驱动可高效分析并给出理论上的最优构型。但由于数据驱动分析存在一定范围的误差,导致该步骤得到的理论最优构型在实际参数化建模时质量约束往往并不精确满足。为消除数据驱动误差带来的不确定性影响,MMC加筋优化步骤将对理论最优结果进行精确优化分析,以构建满足给定服役载荷工况需求的舵面结构。
根据不同质量约束要求,该优化部分将给出3个构型舵面承载结构预示结果。本部分数值计算及验证将按壳单元模型样本计算,壳单元建模优化,壳单元模型优化指标数据提取进行。
下面对接MMC精确优化设计。设定质量约束4.7Kg,基于数据驱动相关工作给出理论最优空气舵筋条路径和筋条厚度的舵面结构构型数据,并在ABAQUS平台上参数化建模如图13所示。数据驱动结果参数化建模后模型质量为4.56Kg,小于约束质量4.7Kg,质量差距0.14Kg,在数据驱动计算的正常范围内。最大位移出现的位置为A点,A点最大位移3.511mm。MMC加筋优化步骤将对理论最优结果进行精确优化分析,使得结构在满足质量约束前提下出现的最大位移最小,并给出精确的舵面结构。
将图13中(a)给出的理论加筋路径作为MMC加筋优化的初始布局进行优化设计,由于数据驱动约束体积和实际建模体积存在出入,需要一定的迭代步数维持体积约束。优化目标是整舵最大位移最小,质量约束4.7Kg、筋条厚度约束不小于1mm。约束优化过程的目标函数迭代曲线如图14所示,在17迭代步左右趋于稳定,给出第17迭代步最优解的几何路径如图15所示。
基于MMC加筋优化方法,以理论最优构型为初始迭代17步,最终所得的三角舵总质量为:4.7Kg,达到质量约束(4.7Kg)。最终优化结果结构最大位移为3.330mm,相较理论最优构型的3.511mm又有小幅降低。由初始构型到最终构型经历的迭代步数较少(17步)即可收敛,表明先前的数据驱动工作给出的理论最优结构已具有较高的精度。在舵轴完全约束的边界条件下,可以看到最终的筋条分布呈现沿舵轴向外的分布状态。由位移云图可知,最大位移出现在空气舵尾端A点,这数据驱动结构分析最大位移出现处保持一致。由于MMC优异的显式几何特征,能方便的输出模型文件(.stp)等并导入CAE软件中进行可能的后续操作。
同时,进一步开展了不同重量约束下的多结构优化,获得清晰拓扑及加筋厚度参数构型。优化算例分析对比表如下所示:
由表可知,针对不同质量约束的异型封闭空气舵结构设计,将MMC异型封闭结构加筋优化设计同数据驱动的思想相结合,可大幅提升优化设计效率,基于数据驱动的前端优化工作可给出较为精确的初步优化结果,且用时不超过2秒;为消除机器学习一定范围误差的影响,将初步优化结果与MMC异性封闭加筋优化设计相结合进行精确优化设计,由于前端较为精确的优化结构,通过较少的迭代次数即可收敛得到最终构型。流程优化总时长相较传统优化手段大幅降低,同时依赖于MMC优异的显式几何特性,优化结果中包含筋条结构的明确的尺寸、形状参数信息,可以直接导入到CAD/CAE系统,无需繁杂的人工识别、后处理过程,大幅提升设计效率,可方便导出加筋模型以进行后续工作。
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)
1.一种基于数据驱动的异型封闭加筋拓扑优化方法,其特征在于,具体步骤如下:
步骤S1:在异型结构设计域内,通过可移动变形组件法用具有显式几何特征的组件描述筋条,随机生成筋条路径和筋条尺寸的结构构型数据得到具有几何信息的MMC显式拓扑描述参数;
步骤S2:控制筋条路径的控制点在设定范围内变动,生成用于开展人工神经网络训练的现有异型结构数据样本,将生成的现有异型结构数据样本进行有限元分析,提取每个现有异型结构数据样本的特征数据用于数据驱动;
步骤S3:将通过人工神经网络的误差反向传播中的梯度信息快速求得优化的目标函数以及约束函数对于设计变量的敏度信息;
步骤S4:通过人工神经网络中包含的梯度信息与MMA优化求解器对结构相关性能进行优化计算得到最优设计变量;
步骤S5:通过最优设计变量结合可移动变形组件法进行优化分析重构满足给定服役载荷工况需求的异型结构。
2.根据权利要求1所述的一种基于数据驱动的异型封闭加筋拓扑优化方法,其特征在于:在步骤S1中,采用组件描述筋条,组件在斜平面壳上自由移动和变形,为避免由于筋条的重叠和交叉带来影响,通过每根筋条的位置由筋条两端的端点坐标确定,随端点的移动,筋条的位置发生改变,筋条路径表达式如下:
其中,是筋条的端点坐标,u∈[0,1]是参数变量,/>为筋条路径的坐标。
3.根据权利要求2所述的一种基于数据驱动的异型封闭加筋拓扑优化方法,其特征在于:在步骤S1中,每根筋条都采用显式的几何信息进行描述,用于对筋条的尺寸进行几何控制,直筋的长度表示为:
其中,ls为直筋的长度,P1和P2分别为直筋两端电的坐标;
由于上下斜平面限定了设计域的大小,筋条的高度hchange随路径的改变不断变化,对于上半部分筋条,上斜平面的解析方程如下:
C1:a1x+b1y+c1z+d1=0
其中,a1、b1、c1以及d1为上斜平面的系数;
得到上半部分筋条任意一点的筋条高度:
下斜平面的解析方程如下:
C2:a2x+b2y+c2z+d2=0
其中,a2、b2、c2以及d2为下斜平面的系数;
得到下半部分筋条任意一点的筋条高度:
4.根据权利要求3所述的一种基于数据驱动的异型封闭加筋拓扑优化方法,其特征在于:在步骤S2中,基于Pytorch框架搭建人工神经网络,以筋条中心点坐标和筋条厚度作为初始输入,利用回归模型预测提取的现有异型结构数据样本特征数据。
5.根据权利要求4所述的一种基于数据驱动的异型封闭加筋拓扑优化方法,其特征在于:在步骤S4中,将数据驱动得到的理论最优设计重新导入ABAQUS,给定初始筋条布局,以端点的坐标为优化的设计变量,优化端点位置,可以得到筋条的最优分布;以每根筋条的厚度为优化设计变量,通过优化厚度得到筋条的最优尺寸结果;当筋条厚度小于设定值则认为其消失,产生结构拓扑的变化,从而实现加筋结构拓扑的变化;受限于异型封闭设计域的形状,端点的位置改变实现了每一根筋条的具体形状。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310221805.8A CN116822038B (zh) | 2023-03-09 | 2023-03-09 | 基于数据驱动的异型封闭加筋拓扑优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310221805.8A CN116822038B (zh) | 2023-03-09 | 2023-03-09 | 基于数据驱动的异型封闭加筋拓扑优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116822038A true CN116822038A (zh) | 2023-09-29 |
CN116822038B CN116822038B (zh) | 2024-02-06 |
Family
ID=88122835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310221805.8A Active CN116822038B (zh) | 2023-03-09 | 2023-03-09 | 基于数据驱动的异型封闭加筋拓扑优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116822038B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117610180A (zh) * | 2023-11-16 | 2024-02-27 | 苏州科技大学 | 一种板壳加强筋生成式设计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580362A (zh) * | 2018-06-07 | 2019-12-17 | 中国科学院沈阳自动化研究所 | 一种搅拌摩擦焊机器人滑枕结构的拓扑优化设计方法 |
CN112836411A (zh) * | 2021-02-09 | 2021-05-25 | 大连理工大学 | 加筋板壳结构的优化方法、装置、计算机设备和存储介质 |
US20220138582A1 (en) * | 2020-07-08 | 2022-05-05 | Dalian University Of Technology | Intelligent layout design method of curvilinearly stiffened structures based on image feature learning |
CN114595601A (zh) * | 2022-02-24 | 2022-06-07 | 大连理工大学 | 双平面包络体内加筋结构的优化方法、装置、计算机设备和存储介质 |
CN114741753A (zh) * | 2022-03-28 | 2022-07-12 | 大连理工大学 | 一种薄壁加筋结构优化方法、装置、计算机和存储介质 |
-
2023
- 2023-03-09 CN CN202310221805.8A patent/CN116822038B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580362A (zh) * | 2018-06-07 | 2019-12-17 | 中国科学院沈阳自动化研究所 | 一种搅拌摩擦焊机器人滑枕结构的拓扑优化设计方法 |
US20220138582A1 (en) * | 2020-07-08 | 2022-05-05 | Dalian University Of Technology | Intelligent layout design method of curvilinearly stiffened structures based on image feature learning |
CN112836411A (zh) * | 2021-02-09 | 2021-05-25 | 大连理工大学 | 加筋板壳结构的优化方法、装置、计算机设备和存储介质 |
CN114595601A (zh) * | 2022-02-24 | 2022-06-07 | 大连理工大学 | 双平面包络体内加筋结构的优化方法、装置、计算机设备和存储介质 |
CN114741753A (zh) * | 2022-03-28 | 2022-07-12 | 大连理工大学 | 一种薄壁加筋结构优化方法、装置、计算机和存储介质 |
Non-Patent Citations (3)
Title |
---|
ZHANG W S等: "Minimum length scale control in structural topology optimization based on the moving morphable components (MMC) approach", COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING, pages 327 - 355 * |
张卫红;杨军刚;朱继宏;: "压力载荷下的结构拓扑-形状协同优化", 航空学报, vol. 30, no. 12, pages 2335 - 2341 * |
郭旭等: "植物叶片结构的仿生加筋板优化设计研究", 中国力学大会-2021+1论文集(第五册, pages 84 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117610180A (zh) * | 2023-11-16 | 2024-02-27 | 苏州科技大学 | 一种板壳加强筋生成式设计方法 |
CN117610180B (zh) * | 2023-11-16 | 2024-05-14 | 苏州科技大学 | 一种板壳加强筋生成式设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116822038B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10853528B2 (en) | Optimizing the design of physical structures/objects | |
CN111709097B (zh) | 一种基于零亏格网格曲面连续变形的柔顺机构生成方法 | |
CN116822038B (zh) | 基于数据驱动的异型封闭加筋拓扑优化方法 | |
CN108491576B (zh) | 一种复合材料机翼开口补强的优化设计方法 | |
Koo et al. | Investigation into aerodynamic shape optimization of planar and nonplanar wings | |
Yu et al. | Design and optimization of press bend forming path for producing aircraft integral panels with compound curvatures | |
Liu et al. | Integrated global wing and local panel optimization of aircraft wing | |
US10896270B2 (en) | Method for solving multi-fidelity optimization problems | |
Chiba et al. | High-fidelity multidisciplinary design optimization of aerostructural wing shape for regional jet | |
Verstraete et al. | Cad-based adjoint optimization of the stresses in a radial turbine | |
Safari et al. | A high-dimensional model representation guided PSO methodology with application on compressor airfoil shape optimization | |
Park et al. | Multidisciplinary design optimization of a structurally nonlinear aircraft wing via parametric modeling | |
Zheng et al. | The variable fidelity optimization for simulation-based design: A review | |
Epstein et al. | Constrained aerodynamic optimization of three-dimensional wings driven by Navier-Stokes computations | |
Ronzheimer et al. | Aircraft wing optimization using high fidelity closely coupled CFD and CSM methods | |
Barrett et al. | Airfoil shape design and optimization using multifidelity analysis and embedded inverse design | |
Streuber et al. | Dynamic Geometry Control for Robust Aerodynamic Shape Optimization | |
CN114880792A (zh) | 一种基于形变预测的全方位多角度优化方法 | |
Viúdez-Moreiras et al. | Performance comparison of Kriging and SVR surrogate models applied to the objective function prediction within aerodynamic shape optimization | |
White et al. | Massively Parallelizable Structural Design Optimization Using the Uncoupled Static Aeroelastic Analysis Method | |
Takenaka et al. | The Application of MDO Technologies to the Design of a High Performance Small Jet Aircraft-Lessons learned and some practical concerns | |
Hu et al. | Fully parametric optimization designs of wing components | |
JP4528962B2 (ja) | 設計支援方法 | |
Olivanti et al. | Comparison of generic multi-fidelity approaches for bound-constrained nonlinear optimization applied to adjoint-based CFD applications | |
Winter et al. | NURBS-based shape and parameter optimization of structural components with an adaptive amount of control points |
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 |