CN117332630A - 一种监测数据驱动的复合材料成型参数优化方法 - Google Patents
一种监测数据驱动的复合材料成型参数优化方法 Download PDFInfo
- Publication number
- CN117332630A CN117332630A CN202311174129.XA CN202311174129A CN117332630A CN 117332630 A CN117332630 A CN 117332630A CN 202311174129 A CN202311174129 A CN 202311174129A CN 117332630 A CN117332630 A CN 117332630A
- Authority
- CN
- China
- Prior art keywords
- composite material
- molding
- parameters
- monitoring data
- 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.)
- Pending
Links
- 239000002131 composite material Substances 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000000465 moulding Methods 0.000 title claims abstract description 74
- 238000012544 monitoring process Methods 0.000 title claims abstract description 48
- 238000004088 simulation Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 230000002068 genetic effect Effects 0.000 claims abstract description 24
- 238000006467 substitution reaction Methods 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 230000035945 sensitivity Effects 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 39
- 238000002474 experimental method Methods 0.000 claims description 15
- 230000008878 coupling Effects 0.000 claims description 11
- 238000010168 coupling process Methods 0.000 claims description 11
- 238000005859 coupling reaction Methods 0.000 claims description 11
- 238000010206 sensitivity analysis Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000010438 heat treatment Methods 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 239000000835 fiber Substances 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 210000001503 joint Anatomy 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000000611 regression analysis Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000011065 in-situ storage Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000012549 training Methods 0.000 description 14
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004321 preservation Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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]
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Casting Or Compression Moulding Of Plastics Or The Like (AREA)
Abstract
本发明属于工程领域中的复合材料成型领域,特别是涉及一种监测数据驱动的复合材料成型参数优化方法。在复合材料中嵌入传感器实现多点多物理量监测,并结合算法重建多物理场。将重建的温度、压力参数物理场和复合材料特性输入建立的复合材料成型有限元分析模型,通过批量有限元仿真得到工艺参数‑成型结果数据集,分析各成型参数的敏感性。基于深度学习构建有限元仿真模型的替代模型,并结合以实际复合材料成型试验监测得到的成型参数限制条件为优化边界的遗传算法,不断迭代优化来探索复杂参数空间中的全局最优解。优化方法以原位监测数据作为驱动,充分考虑了实验验证,且替代模型有效加速了参数效果评估和优化。
Description
技术领域
本发明属于工程领域中的复合材料制造领域,特别是涉及一种监测数据驱动的复合材料成型参数优化方法。
背景技术
复材在成型过程中,由于复材构件具有不同的结构与铺层、罐内温度和压力分布不均匀、模具与构件相互作用的因素导致成型过程中积累残余应力,构件在脱模后残余应力释放发生翘曲变形。翘曲变形不仅增加了装配难度,还会影响构件的机械性能和耐久性。目前,常通过实验重复试错法优化成型参数,以减小复合材料构件翘曲变形,但该方法周期长,且消耗大量人力物力。
通过热压罐参数优化,可以确保复材构件成型后变形较小,从而满足航空航天产品的设计要求。现有技术提出过一种结合有限元仿真和遗传算法的工艺参数优化方法,提取的关键参数以复材成型过程中的升温速度、保温温度、保温时间作为主要优化目标。但这种方法未能考虑实际热压罐成型中复材构件由压力、厚度、模具
因素导致的面外和面内的残余应力不均匀。尤其对于大尺寸复合材料构件,面外和面内的残余应力不均匀是引发翘曲的主要原因,因此上述参数优化方法存在局限性。
同时,现有技术优化成型工艺参数的过程中,用于训练遗传算法的数据种类少,仅为升温速度、保温温度、保温时间的数值,并非场变量;数据来源单一,仅为仿真计算获得,未结合成型实时监测,也缺乏实验验证,优化得到的参数可能在实际边界之外。因此上述参数优化方法精度和可靠性都较低。
发明内容
本发明针对现有复合材料成型技术中存在的问题,公开了一种监测数据驱动的复合材料成型参数优化方法,该方法结合了复材成型监测、有限元分析和改进的遗传算法。充分考虑成型过程中复合材料的真实情况优化工艺参数,不仅有望提高复合材料工艺效率和产品质量,还具备推广应用于其他制造领域的潜力,促进智能制造的发展;本发明能够实现复合材料结构的高质量成型。
本发明是这样实现的:
一种监测数据驱动的复合材料成型参数优化方法,其特征在于,所述的方法包括以下步骤:
进行复合材料成型实验并加装传感器进行多点多物理量监测;
基于实验监测数据进行多物理场三维重建;
分析实验监测数据得到成型参数的优化限制条件;
建立复合材料多物理场耦合的有限元仿真模型;
根据实验监测数据验证仿真模型并调整参数;
通过仿真模型批量化运算得到工艺参数-成型结果数据集;
分析成型工艺参数敏感性;
基于深度学习构建有限元仿真模型的替代模型;
建立结合替代模型的遗传算法并进行迭代,得到优化的工艺参数。
进一步,所述的进行复合材料成型实验并加装传感器获得多点的监测数据,是在成型实验中加装包含但不限于热电偶、应变片、压力传感器、光纤光栅传感器,连接信号采集和数据处理设备保存多点温度、应变、压力监测数据。
进一步,所述的基于实验监测数据的多物理场三维重建算法结合插值、降噪、平滑算法,实现成型过程中复合材料温度场、应变场、压力场的重建。
进一步,所述的成型参数优化限制条件为成型实验中监测到的实际温度、压力范围及变化速率的实际限制。
进一步,所述的复合材料多物理场耦合的有限元仿真模型,包含热传导、固化发热、应变、应力松弛模块,可根据复合材料基体材料特性选用。
进一步,所述的根据多物理场监测数据对仿真模型进行模型验证,并采用网格搜索法调整模具-制件界面模量。
进一步,所述的复合材料多物理场耦合的有限元仿真模型准确性通过包括复合材料成型实验所得的变形量或对比烘箱中复合材料悬臂梁挠度变化来评价。
进一步,所述的工艺参数-成型仿真数据集是一个包含多个复合材料成型仿真输入输出数据样本的集合。输入参数包含时间-空间相关的温度、压力载荷,复合材料结构三维尺寸、铺层和复合材料材料特性,输出参数为复合材料成型结果。工艺参数-成型结果数据集中工艺参数包含时间-空间相关的温度、压力载荷,复合材料三维尺寸、铺层结构变量,复材成型结果。
进一步,所述的参数敏感性分析方法包括多元回归分析方法、傅里叶幅度敏感性检验。所述的成型参数敏感性分析是针对温度、压力关键成型参数进行敏感性分析,根据对复合材料成型后变形的影响大小排序。
进一步,所述的替代模型为结合卷积神经网络、前馈神经网络的深度学习模型。首先通过交互界面选取遗传算法并进行编码方式、选择算子、交叉算子、变异算子的设置,然后通过对接模块实现遗传算法与替代模型的联结。根据设定的优化目标进行自动计算,并可通过可视化界面实时显示优化参数并控制优化进程。所述的替代模型使用工艺参数-成型仿真数据集训练,达到模型收敛条件后保存为包含模型参数与结构的文件。
进一步,遗传算法的选取包含编码方式、适应度函数的建立、选择算子设置、交叉算子设置、变异算子设置。所述的遗传算法包括标准遗传算法、多目标遗传算法、差分进化算法。
本发明与现有技术相比的有益效果在于:
本发明介绍了一种监测数据驱动的复合材料成型参数优化方法,该方法结合了复合材料成型监测、有限元分析和改进遗传算法。只需较少次数的复合材料成型监测实验即可完成成型参数的优化,可有效提高复合材料的成型质量,并大幅降低资金、人力、时间、能源消耗。
本发明方法能够结合成型过程中复合材料的真实情况优化工艺参数,不仅有望提高复合材料成型工艺效率和产品质量,还具备推广应用于其他制造领域的潜力,促进智能制造的发展。
本发明首先通过监测成型过程中复材构件表面及内部的多点温度、应变、应力值,再通过插值获得连续温度场、应变场、应力场,并结合热-化-力多场耦合的有限元仿真,再对成型关键参数,如:温度、压力和厚度的影响进行深入分析,评估成型质量的参数敏感性。随后,采用改进的遗传算法来优化参数组合,以实现复材成型参数的最优化设计。该方法充分考虑成型过程中复合材料的真实情况优化工艺参数,不仅有望提高复合材料工艺效率和产品质量,还具备推广应用于其他制造领域的潜力,促进智能制造的发展。
附图说明
图1是本发明实施例的一种监测数据驱动的复合材料成型参数优化方法示意图。
实施方式
为使本发明的目的、技术方案及效果更加清楚,明确,以下列举实例对本发明进一步详细说明。应当指出此处所描述的具体实施仅用以解释本发明,并不用于限定本发明。
本发明的实施例提出了一种监测数据驱动的复合材料成型参数优化方法,包括步骤:进行复合材料成型实验并加装传感器进行多点多物理量监测;基于实验监测数据进行多物理场三维重建;分析实验监测数据得到成型参数的优化边界;建立复合材料多物理场耦合的有限元仿真模型;根据实验监测数据验证仿真模型并调整参数;批量化计算得到工艺参数-成型结果数据集;分析成型工艺参数敏感性;将数据集划分为训练集和验证集,其中训练集用于训练深度学习替代模型;训练基于深度学习的复合材料多物理场耦合仿真模型的替代模型;选取遗传算法,通过接口结合替代模型并设置优化目标和约束条件;进行迭代,优化结束后得到工艺参数。
如图1所示,为本发明实施例的一种监测数据驱动的复合材料成型参数优化方法示意图。具体步骤为:
S1:安装复合材料成型实验监测中所使用的多物理量传感阵列。串联构建多波长光栅传感阵列,将传感阵列嵌入复材,原位监测成型过程中的多物理量变化。
S2:进行复合材料构件的成型多物理场监测实验。实验中使用多参量传感测试系统进行复合材料成型过程中的温度场、应变场、压力场多参量监测。使用该传感测试系统,可高效、准确地获取复合材料成型过程中的温度、应力、应变演化和分布,并获取实际实验工况下参数优化的准确边界。
在本实施方式中,多功能、多通道解调仪配合微型可嵌入多功能光纤传感器实现温度、应变、压力监测,且单通道可监测位点>20个,并可扩展至4通道,以实现复合材料的多位点监测。
S3:基于监测系统的监测数据和复合材料几何模型,结合插值算法,可重构连续温度场、应变场、应力场。
S4:在步骤S2的基础上建立复合材料多物理场耦合的有限元仿真模型。成型仿真模型是包含热传导、固化发热、应变、应力松弛模块的有限元仿真软件,
可根据基体材料选用并组合。结合复合材料成型过程中的时间-空间相关的温度、压力载荷,可仿真模拟预测残余应力作用下复合材料的成型结果。
在本实施方案中,建立的复合材料多物理场耦合的有限元仿真模型通过包括强温度梯度下的复合材料变形、烘箱中复合材料悬臂梁挠度变化来评价。
S5:在步骤S3的基础上实现工艺参数-成型仿真数据集的批量化运算。工艺参数-成型仿真数据集是一个包含多次成型仿真关键输入输出数据的集合。通过系统的模拟,确定每个参数的变化范围和步长,以保证生成的数据集能够全面覆盖可能的工艺情况。将提取的输入输出数据整理成结构化的数据集,存储为CSV格式。数据集划分为训练集、验证集、测试集,训练集,通常数据以 80:10:10 或 70:20:10 的比率分配。
在本实施方式中,使用Python 语言对仿真软件进行二次开发,实现复合材料成型工艺参数-成型仿真结果数据集的自动计算。
S6:进行成型参数敏感性分析,分析压力、温度成型参数对成型质量的影响以及敏感性。
S7:建立基于深度学习的替代模型。基于S4步骤中建立的复合材料多物理场耦合的有限元仿真模型的输入输出数据格式,进行深度学习模型的选择,并设置深度学习模型结构、优化函数、训练逻辑。基于S6步骤中的参数敏感性分析调整各工艺参数的权重,对替代模型进行预处理。基于S5步骤中建立的工艺参数-成型仿真结果数据集进行替代模型的回归训练,训练集用来训练替代模型参数,验证集用于在每一步验证构建的模型,测试集用于最后评估模型。训练好的深度学习替代模型将作为遗传算法中适应度函数的一部分。
在本实施方式中,结合卷积神经网络和前馈神经网络建立深度学习替代模型,并进行训练。神经网络的输入参数包含时间-空间相关的温度、压力载荷,复合材料三维尺寸、铺层结构变量,神经网络的输出参数为复合材料成型结果。
训练过程使用Adam优化器计算替代模型参数,Adam优化器是一种融合了动量梯度下降和自适应学习率的优化算法,在更新参数时既考虑历史梯度的加权平均又考虑历史梯度平方的加权平均,可以通过设置optim.Adam来使用该优化器。
在深度学习替代模型中加入正则化机制可以有效减少过拟合。正则化是一种常用的方法,通过限制模型的复杂性来避免在训练数据上过分拟合,从而提高模型在新数据上的泛化能力。正则化技术包括L1正则化、L2正则化以及dropout。
U1:成型参数优化中的参数限制条件为成型实验中监测到的实际温度、压力参数的限制。
U2:遗传算法设置,主要为遗传算法结构的建立。包含编码方式、适应度函数的建立、选择算子设置、交叉算子设置、变异算子设置,并基于步骤U1中实验监测数据中的实际制造设备的准确载荷参数设置参数变量的优化限制。
U3:通过遗传算法-替代模型对接模块,遗传算法每次迭代计算将调用训练好的深度学习替代模型,实现工艺参数-仿真结果的快速计算。
U4:完成遗传算法设置后,即可进行优化计算,获得优化后的最优工艺参数。在本实施方案中,通过可视化界面,可实时显示优化现状并控制优化进程。
U5:在满足优化要求后,再进行仿真验证。完成验证后进行数据后处理并可视化遗传算法优化结果和优化工艺参数作用下的成型仿真结果。
以上所述仅是本发明的优选实施方式,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,还可以做出若干改进,这些改进也应视为本发明的保护范围。
Claims (9)
1.一种监测数据驱动的复合材料成型参数优化方法,其特征在于,所述的方法包括以下步骤:
进行复合材料成型实验并加装传感器进行多点多物理量监测;
基于实验监测数据进行多物理场三维重建;
分析实验监测数据得到成型参数的优化限制条件;
建立复合材料多物理场耦合的有限元仿真模型;
根据实验监测数据验证仿真模型并调整参数;
通过仿真模型批量化运算得到工艺参数-成型结果数据集;
分析成型工艺参数敏感性;
基于深度学习构建有限元仿真模型的替代模型;
建立结合替代模型的遗传算法并进行迭代,得到优化的工艺参数。
2.根据权利要求1所述的一种监测数据驱动的复合材料成型参数优化方法,其特征在于,进行复合材料成型实验并加装包括热电偶、应变片、压力传感器、光纤光栅传感器实现多点多物理量监测,连接信号采集和数据处理设备保存多点温度、应变、压力的监测数据。
3.根据权利要求1所述的一种监测数据驱动的复合材料成型参数优化方法,其特征在于,所述的基于实验监测数据的多物理场三维重建算法结合插值、降噪、平滑算法,实现成型过程中复合材料温度场、应变场、压力场重建。
4.根据权利要求1所述的一种监测数据驱动的复合材料成型参数优化方法,其特征在于,所述的成型参数优化限制条件为成型实验中监测到的温度、压力范围及变化速率的实际设备限制。
5.根据权利要求1所述的一种监测数据驱动的复合材料成型参数优化方法,其特征在于,所述的复合材料多物理场耦合的有限元仿真模型,包括热传导、固化发热、应变、应力松弛模块,根据复合材料基体材料特性选用不同的模块。
6.根据权利要求1所述的一种监测数据驱动的复合材料成型参数优化方法,其特征在于,所述的根据多物理场监测数据对仿真模型进行模型验证,采用网格搜索法调整模具-制件界面模量来提高仿真模型准确性;所述的复合材料多物理场耦合的有限元仿真模型准确性通过包括复合材料成型实验所得的变形量或对比烘箱中复合材料悬臂梁挠度变化来评价。
7.根据权利要求1所述的一种监测数据驱动的复合材料成型参数优化方法,其特征在于,所述的工艺参数-成型仿真数据集是一个包含多个复合材料成型仿真输入输出数据样本的集合;输入参数包含时间-空间相关的温度、压力载荷,复合材料结构三维尺寸、铺层和复合材料材料特性,输出参数为复合材料成型结果。
8.根据权利要求1所述的一种监测数据驱动的复合材料成型参数优化方法,其特征在于,所述的参数敏感性分析方法包括多元回归分析方法、傅里叶幅度敏感性检验。
9.根据权利要求1所述的一种监测数据驱动的复合材料成型参数优化方法,其特征在于,所述的替代模型包括结合卷积神经网络、前馈神经网络的深度学习模型;首先通过交互界面选取遗传算法并进行编码方式、选择算子、交叉算子、变异算子的设置,然后通过对接模块实现遗传算法与替代模型的联结,根据设定的优化目标进行自动计算,并可通过可视化界面实时显示优化参数并控制优化进程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311174129.XA CN117332630A (zh) | 2023-09-12 | 2023-09-12 | 一种监测数据驱动的复合材料成型参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311174129.XA CN117332630A (zh) | 2023-09-12 | 2023-09-12 | 一种监测数据驱动的复合材料成型参数优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117332630A true CN117332630A (zh) | 2024-01-02 |
Family
ID=89294211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311174129.XA Pending CN117332630A (zh) | 2023-09-12 | 2023-09-12 | 一种监测数据驱动的复合材料成型参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117332630A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117727408A (zh) * | 2024-02-08 | 2024-03-19 | 北京理工大学 | 复合材料网格结构的固化变形预报及优化方法 |
-
2023
- 2023-09-12 CN CN202311174129.XA patent/CN117332630A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117727408A (zh) * | 2024-02-08 | 2024-03-19 | 北京理工大学 | 复合材料网格结构的固化变形预报及优化方法 |
CN117727408B (zh) * | 2024-02-08 | 2024-04-16 | 北京理工大学 | 复合材料网格结构的固化变形预报及优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889238B (zh) | 一种数字孪生驱动的热压罐管控系统 | |
CN117332630A (zh) | 一种监测数据驱动的复合材料成型参数优化方法 | |
US5202837A (en) | Material consolidation modeling and control system | |
CN114048600A (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
US7840297B1 (en) | Dynamic control system for manufacturing processes including indirect process variable profiles | |
JP2002505194A (ja) | 曲がり板の成形方法および装置 | |
CN111209620B (zh) | 含裂纹结构剩余承载力及裂纹扩展路径的预测方法 | |
CN115422814B (zh) | 一种数字孪生驱动的复杂机电产品闭环优化设计方法 | |
CN110991605A (zh) | 多变量时间序列深度信念网络的低压铸造模温预测方法 | |
CN112534362A (zh) | 控制装置、控制方法及控制程序 | |
Mendikute et al. | Impregnation quality diagnosis in Resin Transfer Moulding by machine learning | |
CN110716520B (zh) | 基于多源信息融合的飞控伺服作动器可靠性评估建模方法 | |
Zobeiry et al. | Theory-guided machine learning composites processing modelling for manufacturability assessment in preliminary design | |
Zhou et al. | Semantic ML for Manufacturing Monitoring at Bosch. | |
CN108446414B (zh) | 一种由3d打印多孔结构随机缺陷的逆向预测方法 | |
CN117150925A (zh) | 一种水电工程高陡边坡岩体力学参数反分析方法 | |
CN116128165A (zh) | 一种基于miv-bp的建筑构件质量预测方法及系统 | |
CN115618709A (zh) | 周期性摩擦磨损下纺织品表面质量数字孪生模型建立方法 | |
CN115238394A (zh) | 复合材料结构多源不确定性混合可靠性数字孪生建模方法 | |
Liu et al. | Warpage optimization of the GFRP injection molding process parameters | |
Smith et al. | Discrete-event simulation and machine learning for prototype composites manufacture lead time predictions | |
Carlone et al. | Modelling of thermoset matrix composite curing process | |
Wang et al. | Predictive modeling of out-of-plane deviation for the quality improvement of additive manufacturing | |
Zhou et al. | A mesoscale model of non‐crimp fabrics based on a deep learning framework | |
Mujtaba et al. | Machine-learning based process monitoring of automated composites manufacturing to enable digital twin development |
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 |