CN117648876B - 基于性能与balance-cgan的tpms梯度分级结构逆设计制造方法 - Google Patents
基于性能与balance-cgan的tpms梯度分级结构逆设计制造方法 Download PDFInfo
- Publication number
- CN117648876B CN117648876B CN202410124699.6A CN202410124699A CN117648876B CN 117648876 B CN117648876 B CN 117648876B CN 202410124699 A CN202410124699 A CN 202410124699A CN 117648876 B CN117648876 B CN 117648876B
- Authority
- CN
- China
- Prior art keywords
- performance
- model
- tpms
- structural
- parameters
- 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.)
- Active
Links
- 238000013461 design Methods 0.000 title claims abstract description 45
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 44
- 239000000463 material Substances 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000004088 simulation Methods 0.000 claims abstract description 45
- 238000013507 mapping Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000007639 printing Methods 0.000 claims abstract description 29
- 238000003860 storage Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 62
- 238000003062 neural network model Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 230000002441 reversible effect Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 32
- 238000009826 distribution Methods 0.000 description 18
- 238000002474 experimental method Methods 0.000 description 15
- 210000004027 cell Anatomy 0.000 description 13
- 230000006835 compression Effects 0.000 description 13
- 238000007906 compression Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000010438 heat treatment Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000002844 melting Methods 0.000 description 8
- 230000008018 melting Effects 0.000 description 8
- 239000000843 powder Substances 0.000 description 8
- 210000002421 cell wall Anatomy 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 238000001816 cooling Methods 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 6
- 239000002184 metal Substances 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000010146 3D printing Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000007847 structural defect Effects 0.000 description 2
- 238000009864 tensile test Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000036314 physical performance Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于性能与BALANCE‑CGAN的TPMS梯度分级结构逆设计制造方法、装置、存储介质及电子装置。其方法包括：基于预先获取的材料参数构建第一模型生成程序；根据预先确定的映射关系，获取预设的第一性能结果对应的TPMS结构参数；基于TPMS结构参数以及第一模型生成程序，获取第一几何模型，并对第一几何模型进行第一仿真处理，以得到第二性能结果；将第二性能结果与第一性能结果进行性能比对，并在性能比对结果满足精度条件的情况下，将第一几何模型发送至目标打印设备，以指示目标打印设备基于第一几何模型进行打印制造。通过本发明，达到了提高模型打印效率，并使得模型性能符合要求的效果。
Description
技术领域
本发明实施例涉及蜂窝状新材料结构设计与制造技术领域，具体而言，涉及一种基于性能与BALANCE-CGAN的TPMS梯度分级结构逆设计制造方法。
背景技术
随着3D打印技术的发展，越来越多具有复杂特征的结构可以被制造。选择性激光熔化（SLM）则是复杂金属结构制造的优异方案，广泛用于航空航天、生物医学等领域，通过高功率的激光选择性的融化金属粉末实现3D打印，具有制造高质量的复杂性几何形状的显著优点，但是加工成本高，十分昂贵。三周期极小曲面（TPMS）超材料结构是一种复杂多孔结构，常用于骨组织和梯度多层结构设计，TPMS通过数学隐函数建模，可精确定制几何形状，表面非常光滑，具有优异的机械性能，通过参数化，可实现复杂的梯度变化特征。但当使用SLM技术设计制造TPMS结构时，存在两大问题，一是成本昂贵，二是随着参数量的增加，结构特征越复杂，结构特征参数与结构机械性能的关系越模糊，在巨大的设计空间中有效的选择适合的参数，十分困难。因此，基于目标机械性能的结构参数设计，在粉末增材制造前进行结构的流程化优化设计，在粉末增材制造后进行热处理强化，是一个优异的逆设计解决方案，也成为TPMS等可参数化结构研发中的一个重要工程问题。
神经网络可以实现基于性能的逆设计，通常可以通过单个神经网络实现基于结构参数的机械性能预测，但是当通过单个神经网络实现基于机械性能的结构参数预测时，会造成问题的病态。因为结构固定时，结构与性能属于一对一关系，而性能固定时，性能与结构属于一对多关系，可能存在多种结构都满足同一种性能。因此，需要对更多元的深度学习网络进行探索，以此解决问题的病态。
目前，已有国内外的学者对基于深度学习网络的结构逆设计进行了相关研究，使得深度学习算法成功运用于结构的逆设计领域，并在一定程度上解决了逆向的病态问题。但是依然存在一定的缺陷和改进空间，一方面，数据集的局限性，包含的参数空间不够大，参数融合不够，同时数据获取效率低，构建数据模型时需要耗费大量时间。另一方面，对于目标性能与结构设计的均衡性，既要满足参数控制方程，使得结构参数分布与理想结构参数分布类似，又要结构的实际机械性能满足目标需求，因而两者的平衡关系亟待解决。
针对上述问题，当前并无较好的解决方案。
发明内容
本发明实施例提供了一种基于性能与BALANCE-CGAN的TPMS梯度分级结构逆设计制造方法，以至少解决相关技术中参数分布失衡导致的模型打印效率低和模型性能不符合要求的问题。
根据本发明的一个实施例，提供了一种基于性能与BALANCE-CGAN的TPMS梯度分级结构逆设计制造方法，包括：
基于预先获取的材料参数构建第一模型生成程序；
根据预先确定的映射关系，获取预设的第一性能结果对应的TPMS结构参数，其中，所述映射关系以及所述TPMS结构参数是通过预设的训练好的BALANCE-CGAN神经网络模型得到的，所述BALANCE-CGAN神经网络模型至少包括全连接网络模型，所述全连接网络模型作为性能物理模型，用于构建结构参数和性能结果之间的所述映射关系；
基于所述TPMS结构参数以及所述第一模型生成程序，获取第一几何模型，并对所述第一几何模型进行第一仿真处理，以得到第二性能结果；
将所述第二性能结果与所述第一性能结果进行性能比对，并在性能比对结果满足精度条件的情况下，将所述第一几何模型发送至目标打印设备，以指示所述目标打印设备基于所述第一几何模型进行打印制造。
在一个示例性实施例中，在所述根据预先确定的映射关系，获取预设的第一性能结果对应的TPMS结构参数之前，所述方法还包括：
根据所述第一模型生成程序获取第二几何模型；
根据预设的有限元仿真条件，对所述第二几何模型进行第二仿真处理，以得到第三性能结果；
对所述第三性能结果进行参数处理，并与所述材料参数组成数据集矩阵；
通过所述第三性能结果以及所述数据集矩阵对所述BALANCE-CGAN神经网络模型进行第一训练，以得到所述映射关系。
在一个示例性实施例中，所述对所述第三性能结果进行参数处理，并与所述材料参数组成数据集矩阵包括：
对所述第三性能结果进行误差去除处理，并对误差去除处理结果进行归一化，以得到第一数据；
将所述第一数据与所述材料参数构建所述数据集矩阵，其中，所述材料参数至少包括目标结构特征参数、表征TPMS结构种类参数任意之一。
在一个示例性实施例中，所述对所述第三性能结果进行误差去除处理包括：
通过箱型图的四分位距对所述第三性能结果中的性能值进行异常值检测；
在异常值检测结果不满足预设的位距标准条件的情况下，确定所述性能值为异常值，并进行去除。
在一个示例性实施例中，在所述根据预先确定的映射关系，获取预设的第一性能结果对应的TPMS结构参数之前，所述方法还包括：
对第一全连接网络模型进行迁移学习处理，以得到第二全连接网络模型，其中，所述全连接网络模型包括所述第一全连接网络模型以及所述第二全连接网络模型；
通过所述第二全连接网络模型以及目标性能损失函数对预设的条件对抗生成网络CGAN进行训练，以得到能够根据指定性能生成对应TPMS结构参数的结构参数生成模型，所述BALANCE-CGAN神经网络模型包括所述条件对抗生成网络CGAN，所述TPMS结构参数是基于所述结构参数生成模型得到的。
在一个示例性实施例中，在所述基于预先获取的材料参数构建第一模型生成程序之前，所述方法还包括：
将所述材料参数进行函数转化，以得到所述材料参数沿第一方向变化的第一函数，并基于所述第一函数，提取结构特征参数；
基于所述结构特征参数、所述第一函数以及预设的TPMS结构通用隐函数，构建目标结构特征参数，其中，所述材料参数包括所述目标结构特征参数。
根据本发明的另一个实施例，提供了一种基于性能与BALANCE-CGAN的TPMS梯度分级结构逆设计制造装置，包括：
程序构建模块，用于基于预先获取的材料参数构建第一模型生成程序；
结构参数获取模块，用于根据预先确定的映射关系，获取预设的第一性能结果对应的TPMS结构参数，其中，所述映射关系以及所述TPMS结构参数是通过预设的训练好的BALANCE-CGAN神经网络模型得到的，所述BALANCE-CGAN神经网络模型至少包括全连接网络模型，所述全连接网络模型作为性能物理模型，用于构建结构参数和性能结果之间的所述映射关系；
第一模型生成模块，用于基于所述TPMS结构参数以及所述第一模型生成程序，获取第一几何模型，并对所述第一几何模型进行第一仿真处理，以得到第二性能结果；
性能比对模块，用于将所述第二性能结果与所述第一性能结果进行性能比对，并在性能比对结果满足精度条件的情况下，将所述第一几何模型发送至目标打印设备，以指示所述目标打印设备基于所述第一几何模型进行打印制造。
在一个示例性实施例中，还包括：
第二模型生成模块，用于在所述根据预先确定的映射关系，获取预设的第一性能结果对应的TPMS结构参数之前，根据所述第一模型生成程序获取第二几何模型；
第二仿真模块，用于根据预设的有限元仿真条件，对所述第二几何模型进行第二仿真处理，以得到第三性能结果；
矩阵组成模块，用于对所述第三性能结果进行参数处理，并与所述材料参数组成数据集矩阵；
第一训练模块，用于通过所述第三性能结果以及所述数据集矩阵对所述BALANCE-CGAN神经网络模型进行第一训练，以得到所述映射关系。
根据本发明的又一个实施例，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中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，通过BALANCE-CGAN神经网络模型将特定的性能映射为对应的结构参数，使得可以有效实现基于性能的结构参数设计，通过参数分布、平衡损失和平衡参数，有效平衡目标性能与结构参数的关系，并可自由的决定生成的结构的类型和数量，因此，可以解决参数分布失衡导致的模型打印效率低和模型性能不符合要求的问题，达到提高模型打印精度和效率，打印的模型性能符合要求的效果。
附图说明
图1是本发明实施例的一种基于性能与BALANCE-CGAN的TPMS梯度分级结构逆设计制造方法的移动终端的硬件结构框图；
图2是根据本发明实施例的一种基于性能与BALANCE-CGAN的TPMS梯度分级结构逆设计制造方法的流程图；
图3是根据本发明具体实施例的基于性能的目标化设计制造流程图；
图4是根据本发明具体实施例的有限元仿真设置和后处理云图；
图5是根据本发明具体实施例的BALANCE-CGAN神经网络模型的原理图；
图6是根据本发明具体实施例的生成器损失、鉴别器损失和平衡损失曲线；
图7是根据本发明具体实施例的生成结构的目标曲线和有限元曲线图；
图8是根据本发明实施例的一种基于性能与BALANCE-CGAN的TPMS梯度分级结构逆设计制造装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种基于性能与BALANCE-CGAN的TPMS梯度分级结构逆设计制造方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种基于性能与BALANCE-CGAN的TPMS梯度分级结构逆设计制造方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种基于性能与BALANCE-CGAN的TPMS梯度分级结构逆设计制造方法，图2是根据本发明实施例的一种基于性能与BALANCE-CGAN的TPMS梯度分级结构逆设计制造方法的流程图，如图2所示，该流程包括如下步骤：
步骤S201，基于预先获取的材料参数构建第一模型生成程序；
在本实施例中，对于不同材料的材料粉末，可以分别针对其材料参数的特点对应的设置模型生成程序，从而能够根据材料的不同对应的生成不同的模型，从而提高模型的打印精度。
其中，材料参数包括（但不限于）材料晶胞大小和材料晶胞壁厚及其参数化后的方向参数、性能特征、模型应力曲线、参数上下线、特征参数分布、方向函数等等；第一模型生成程序可以（但不限于）是STL模型自动化生成程序，该程序可以得到若干组可用于仿真和制造的STL格式的几何模型。
步骤S202，根据预先确定的映射关系，获取预设的第一性能结果对应的TPMS结构参数，其中，所述映射关系以及所述TPMS结构参数是通过预设的训练好的BALANCE-CGAN神经网络模型得到的，所述BALANCE-CGAN神经网络模型至少包括全连接网络模型，所述全连接网络模型作为性能物理模型，用于构建结构参数和性能结果之间的所述映射关系；
在本实施例中，通过映射关系，将要达到的性能转化为对应的模型结构参数，使得可以打印出具有特定性能的结构和模型；而通过BALANCE-CGAN神经网络模型构建映射关系能够平衡参数各项参数，保证最终结果的精度。
步骤S203，基于所述TPMS结构参数以及所述第一模型生成程序，获取第一几何模型，并对所述第一几何模型进行第一仿真处理，以得到第二性能结果；
在本实施例中，对第一几何模型进行仿真处理是为了得到通过数值计算生成的几何模型真实的机械性能，从而可以将真实的机械性能与所要求的（即前述指定的性能）性能进行比较，由此判断BALANCE-CGAN神经网络模型，方便及时对BALANCE-CGAN神经网络模型进行调整。
步骤S204，将所述第二性能结果与所述第一性能结果进行性能比对，并在性能比对结果满足精度条件的情况下，将所述第一几何模型发送至目标打印设备，以指示所述目标打印设备基于所述第一几何模型进行打印制造。
在本实施例中，在性能满足要求的情况下，使用金属选择性激光熔化打印机打印制造第一几何模型，在进行快速热处理后冷却，得到最终需要的梯度TPMS结构样品，该样品用于进行后续实验研究和验证。
其中，进行模型打印时，采用TI6Al4V材料进行选择性激光熔融打印，通过拉伸实验拟合弹塑性本构曲线，曲线模型选用双线性各向同性硬化模型，其中弹性模量为100300Mpa，切线模量为1675Mpa。对打印生成的结构进行800℃快速热处理后，进行两小时冷却。通过压缩实验，压缩速度设置为2mm/min，得到结构的应力应变曲线，验证材料模型的有效性。
本方法通过BALANCE-CGAN神经网络模型对设计过程中的各个参数进行平衡，并及时根据性能比较结果对BALANCE-CGAN神经网络模型进行调整，使得最终打印的模型能够符合性能要求，从而提高模型打印精度和效率，快速满足用户需求。
具体的，如图3所示，首先构建四种TPMS结构的隐函数方程，并将关于晶胞大小和晶胞壁厚的项参数化，表达为Z方向的三种函数变化关系；在数据过滤后，通过STL自动化建模程序，得到几何结构；随后进行拉伸实验和压缩实验，拟合弹塑性本构曲线和验证曲线的有效性；再设置有限元仿真参数和步骤，通过自动化仿真程序对几何结构进行自动化仿真，经过数据处理，得到神经网络数据集；同时设定目标机械性能为应力应变曲线，训练Balance-CGAN网络，对比特征分布，调节平衡参数，得到对应目标条件下的一组结构参数，经过数据过滤后，STL自动化建模程序构建几何模型，自动化仿真程序进行仿真实验，进行粉末3D打印制造和热处理，最后进行压缩实验，验证实际结构性能，满足目标条件的，即为理想的一组实际结构。
需要说明的是，在进行拉伸实验时，使用金属选择性激光熔化打印机对STL自动化建模程序得到的TPMS文件进行打印制造，并进行快速热处理后冷却；随后对选用金属材料的拉伸试件进行拉伸实验，通过力位移曲线构建材料的弹塑性本构模型，使用双线性各向同性硬化模型作为拟合方法，可加速仿真计算速度；并选用部分热处理后TPMS模型，控制压缩速率，进行准静态压缩实验，采集力位移数据，并与采用实验拟合的弹塑性本构模型的有限元仿真数据对比，验证材料本构模型的有效性。
在一个可选的实施例中，在所述根据预先确定的映射关系，获取预设的第一性能结果对应的TPMS结构参数之前，所述方法还包括：
步骤S20201，根据所述第一模型生成程序获取第二几何模型；
步骤S20202，根据预设的有限元仿真条件，对所述第二几何模型进行第二仿真处理，以得到第三性能结果；
在本实施例中，在实际使用之前，需要对仿真程序进行调整，而仿真程序的调整也需要相关几何模型以及材料属性数据（例如弹性模量、切线模量等）等数据的参与，因而需要另外生成一批几何模型，并对该几何模型进行处理以得到能够对仿真程序进行调整的数据。
具体的，如图4所示，由于STL格式的特殊性，对几何模型进行处理前需对面片网格进行修复和优化，以提高物理网格划分精度，同时还要设置材料属性、接触条件、边界条件和仿真过程参数，并选用和调整网格划分方法和参数，以及设置后处理信息，选取对应目标机械性能结果或相关结果。其中，通过对有限元仿真软件进行二次开发，建立自动化仿真程序，针对相应的有限元仿真条件，对第二几何模型进行从几何前处理到结果后处理的全流程自动化有限元数值仿真，得到完整的模型对应的性能结果，从而可以保证数据的完整性和真实性。
步骤S20203，对所述第三性能结果进行参数处理，并与所述材料参数组成数据集矩阵；
在本实施例中，在进行有限元处理时，不可避免的会产生异常参数，同时参数数据量较大，因而为了保证计算结果的准确性，并减少计算量，需要去除有限元结果误差较大的异常值，并将数据归一化。而组成数据集矩阵能够方便进行模型的训练，提高模型的训练精度和效率。具体的，可以与材料参数中包含的结构特征参数、表征TPMS结构种类的参数等共同组成深度学习所需要的数据集矩阵。
步骤S20204，通过所述第三性能结果以及所述数据集矩阵对所述BALANCE-CGAN神经网络模型进行第一训练，以得到所述映射关系。
在本实施例中，如图5所示，BALANCE-CGAN神经网络模型包含两个全连接网络FCNN1、FCNN2和一个条件对抗生成网络CGAN。此时利用性能结果以及所述数据集矩阵对FCNN网络进行预训练，以建立结构参数到性能的映射，并得到作为机械性能物理模型的FCNN1、FCNN2网络模型。
在一个可选的实施例中，所述对所述第三性能结果进行参数处理，并与所述材料参数组成数据集矩阵包括：
步骤S202031，对所述第三性能结果进行误差去除处理，并对误差去除处理结果进行归一化，以得到第一数据；
步骤S202032，将所述第一数据与所述材料参数构建所述数据集矩阵，其中，所述材料参数至少包括目标结构特征参数、表征TPMS结构种类参数任意之一。
在本实施例中，对数据进行归一化可以采用下式计算：
（公式1）
其中，为归一化前数据，其中/>为归一化后数据，/>为所有样本数据的均值，/>为所有样本数据的标准差。
在组合生成用于深度学习的数据集矩阵，并划分为训练集和测试集的过程中，数据集矩阵如下：
其中，为TPMS的类型向量，/>为TPMS的结构特征参数向量，/>为TPMS的机械性能向量，/>为数据集的结构数量。
在一个可选的实施例中，所述对所述第三性能结果进行误差去除处理包括：
步骤S2020311，通过箱型图的四分位距对所述第三性能结果中的性能值进行异常值检测；
步骤S2020312，在异常值检测结果不满足预设的位距标准条件的情况下，确定所述性能值为异常值，并进行去除。
在本实施例中，利用箱型图的四分位距（IQR）对异常值进行检测，以1.5倍的IQR为标准，超过上四分位与1.5倍IQR之和的距离、超过下四分位与1.5倍IQR之差的距离都为异常值。
在一个可选的实施例中，在所述根据预先确定的映射关系，获取预设的第一性能结果对应的TPMS结构参数之前，所述方法还包括：
步骤S20205，对第一全连接网络模型进行迁移学习处理，以得到第二全连接网络模型，其中，所述全连接网络模型包括所述第一全连接网络模型以及所述第二全连接网络模型；
步骤S20206，通过所述第二全连接网络模型以及目标性能损失函数对预设的条件对抗生成网络CGAN进行训练，以得到能够根据指定性能生成对应TPMS结构参数的结构参数生成模型，所述BALANCE-CGAN神经网络模型包括所述条件对抗生成网络CGAN，所述TPMS结构参数是基于所述结构参数生成模型得到的。
在本实施例中，对于前述两个全连接网络FCNN1（对应第一全连接网络模型）、FCNN2（对应第二全连接网络模型），其中FCNN2为FCNN1迁移学习得到；随后对条件对抗生成网络CGAN进行训练，结合训练的FCNN2，引入目标性能损失函数MSE，作为结构参数生成模型，结构参数生成模型能根据指定的性能要求生成对应的TPMS结构参数。
需要说明的是，如图5所示，本方法中的BALANCE-CGAN神经网络模型的具体框架和工作原理如下：
S51：利用前述得到有限元数值数据以及性能结果训练全连接神经网络FCNN1，作为机械性能物理模型。FCNN1的隐藏层采用Sigmoid函数激活，输出层不做激活，激活函数如下式：
（公式2）
FCNN1的输入为TPMS类型向量和结构特征参数向量/>，输出为机械性能向量/>，损失函数如下式：
（公式3）
其中，为数据的数量，/>代表FCNN网络。
S52：利用预先得到的结构特征向量数据，训练对抗生成网络BALANCE-CGAN，作为结构参数生成模型。BALANCE-CGAN网络由一个生成器网络（Generator）和一个鉴别器网络（Discriminator）构成。生成器的隐藏层使用LeakyReLU函数激活，输出层不做激活，保证输出参数的自由度，激活函数如下式：
（公式4）
其中常取0.01。
作为进一步优选的，如图6所示，在生成器的损失函数中引入MSE（Mean SquaredError）损失（即前述目标性能损失函数MSE），MSE损失由目标机械性能和生成器生成参数输入FCNN预测得到的物理性能构成；并引入平衡参数/>，以平衡目标性能与结构参数的关系；生成器的输入为随机噪声向量/>和TPMS类型向量/>（标签向量），输出为类似真实结构特征参数向量/>的一组向量/>，损失函数如下式：
（公式5）
其中，D代表鉴别器网络，G代表生成器网络，为平衡参数，平衡目标性能与结构参数的关系，取值为0~1，数量级取决于损失的数量级（0.1，0.01，0.001…）。u为生成器生成的结构参数数量。
鉴别器的隐藏层使用LeakyReLU函数激活，输出层使用Sigmoid函数激活。
作为进一步优选的，将鉴别器输入真实数据数量与生成器生成数据数量区分，分别定义为m和u，由此自由生成指定数量u的结构参数。生成器的输入为结构特征参数向量和TPMS类型向量/>（标签向量），输出为0~1之间的数值，损失函数如下式：
（公式6）
S53：当生成器生成参数数量u超过一定的阈值时，将u组生成参数与k组数据集参数重新针对FCNN1进行训练，固定FCNN1的部分隐藏层的网络参数不进行更新，迁移学习得到FCNN2，提高机械性能物理模型精度。
S54：如图7所示，通过调节平衡参数，使生成的特征参数构成的模型的性能满足于目标性能的要求，同时使生成特征参数的分布与S1真实特征参数的分布偏差在一定范围。
在一个可选的实施例中，在所述基于预先获取的材料参数构建第一模型生成程序之前，所述方法还包括：
步骤S20101，将所述材料参数进行函数转化，以得到所述材料参数沿第一方向变化的第一函数，并基于所述第一函数，提取结构特征参数；
步骤S20102，基于所述结构特征参数、所述第一函数以及预设的TPMS结构通用隐函数，构建目标结构特征参数，其中，所述材料参数包括所述目标结构特征参数。
在本实施例中，建立控制TPMS结构的隐函数方程，对晶胞厚度和晶胞尺寸变量进行参数化（对应前述材料参数），作为结构特征参数，并表达为沿着关于X轴、Y轴、Z轴或其他方向（即第一方向）变化的函数（对应前述第一函数）。并以结构完整性为目标，设定参数上下限，筛选出残次结构，得到真实特征参数（对应前述目标结构特征参数），并建立特征参数分布。
具体的，PMS结构的构建、参数化和筛选方案如下：
S11： TPMS结构分为面体结构、实体结构和偏置结构，分别如以下通用隐函数方程构建：
（公式7）
（公式8）
（公式9）
式中为各种类型TPMS隐函数方程，其中，X=2πx/T, Y=2πy/T, and Z=2πz/T，T是周期参数，用于控制材料的晶胞尺寸。/>是孔隙率参数，用于控制材料的晶胞壁厚。
其中，应该满足如下条件或部分条件：
（公式10）
（公式11）
（公式12）
（公式13）
其中，T为周期参数，即TPMS单晶胞的大小，特别的，奇偶的定义可以单独定义x，y，z。
S12：将晶胞壁厚参数和晶胞尺寸参数T，表达为沿某向变化的函数方程，为便于深度学习训练，提取结构特征参数，将方程进一步表示为：
（公式14）
（公式15）
式中，表示变化函数，可以为线性的、绝对值线性的、三角函数的等关系，/>为/>的偏置和系数，作为结构特征参数，分别决定梯度的变化速度和梯度位置，/>表示方向为沿着Z轴向变化。
S13:过大的参数会造成TPMS结构的残缺，过小的参数无法形成实体结构。设置结构特征参数的范围，保证生成结构的完整性。
（公式16）
（公式17）
（公式18）
（公式19）
式中下标min表示参数的下限，下标max表示参数的上限。
在数据范围内的构成最终的结构特征参数，其中，最终的结构特征参数即为签署与步骤S52中用于训练对抗生成网络BALANCE-CGAN的结构特征向量数据。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
下面通过具体示例对本发明进行说明。
该方法基于机械性能需求的参数化结构设计为目标，扩大结构的设计空间，平衡目标性能与结构设计的关系，为了实现准确的性能定制和参数设计，需要建立真实的机械性能物理模型和结构参数生成模型。针对TPMS等参数化结构现有的数据空间小，分布覆盖不全面，实验数据获取成本高，仿真数据获取成本低，运用神经网络进行逆设计的参数分布与目标性能的平衡等问题。针对目前技术存在的问题和改进的需求，本发明提供了一种基于性能与BALANCE-CGAN的TPMS梯度结构逆设计与制造的新方法，该方法通过参数化自动建模程序，扩大设计空间。简化材料本构模型，通过有限元二次开发实现自动化仿真流程，缩短机械性能数据获取时间。提出的BALANCE-CGAN的结构逆设计方法，可以有效的基于目标性能设计出理想的结构参数，平衡目标性能与结构参数的关系，具有探索新结构的能力。同时，通过流程化的优化设计和制造后热处理，大大降低SLM粉末增材制造成本，提高结构性能。
具体包括如下步骤：
S1：建立控制TPMS结构的隐函数方程，对晶胞厚度和晶胞尺寸变量进行参数化，作为结构特征参数，并表达为沿着关于X轴、Y轴、Z轴或其他方向变化的函数。
以结构完整性为目标，设定参数上下限，筛选出残次结构，得到真实特征参数，并建立特征参数分布。
建立STL模型自动化生成程序，得到若干组可用于仿真和制造的STL格式的几何模型。
S2：使用金属选择性激光熔化打印机对S1得到的TPMS文件进行打印制造，并进行快速热处理后冷却。对选用金属材料的拉伸试件进行拉伸实验，通过力位移曲线构建材料的弹塑性本构模型，使用双线性各向同性硬化模型作为拟合方法，可加速仿真计算速度。选用部分热处理后TPMS模型，控制压缩速率，进行准静态压缩实验，采集力位移数据，并与采用实验拟合的弹塑性本构模型的有限元仿真数据对比，验证材料本构模型的有效性。
S3：基于目标机械性能要求，设置对应有限元仿真条件。由于STL格式的特殊性，几何前处理需对面片网格进行修复和优化，提高物理网格划分精度。设置材料属性、接触条件、边界条件和仿真过程参数。选用和调整网格划分方法和参数。设置后处理信息，选取对应目标机械性能结果或相关结果。通过对有限元仿真软件进行二次开发，建立自动化仿真程序，针对相应的有限元仿真条件，对S1得到的几何模型进行从几何前处理到结果后处理的全流程自动化有限元数值仿真，得到对应性能结果。
S4：对S3自动化仿真得到数据进行处理。去除有限元结果误差较大的异常值，并将数据归一化。与S1的结构特征参数、表征TPMS结构种类的参数共同组成深度学习的数据集矩阵。
S5：采用提出的BALANCE-CGAN神经网络对S3、S4的数据进行训练，建立性能与结构参数的映射关系。BALANCE-CGAN网络包含两个全连接网络FCNN1、FCNN2和一个条件对抗生成网络CGAN。对FCNN网络进行预训练，建立结构参数到性能的映射，作为机械性能物理模型。FCNN2为FCNN1迁移学习得到。对CGAN进行训练，结合训练的FCNN2引入目标性能损失MSE，作为结构参数生成模型，生成指定性能下的一批TPMS结构参数。
S6：将S5生成的一批TPMS结构参数输入S1的自动化建模程序，构建对应的STL几何模型。将几何模型输入S3的自动化仿真程序，通过数值计算得到生成的几何模型真实的机械性能。将真实物理性能与目标性能对比，验证BALANCE-CGAN网络的有效性和设计精度。
S7：将S6得到的几何模型，使用金属选择性激光熔化打印机打印制造，进行快速热处理后冷却，得到最终需要的梯度TPMS结构样品。进行后续实验研究和验证。
作为进一步优选的，TPMS结构构建、参数化和筛选方案如下：
S11： TPMS结构分为面体结构、实体结构和偏置结构，分别如以下通用隐函数方程构建：
式中为各种类型TPMS隐函数方程，其中X=2πx/T, Y=2πy/T, and Z=2πz/T，T是周期参数，控制晶胞尺寸。/>是孔隙率参数，控制晶胞壁厚。
其中应该满足如下条件或部分条件：/>
其中T为周期参数，即TPMS单晶胞的大小。特别的奇偶的定义可以单独定义x，y，z。
S12：将晶胞壁厚参数和晶胞尺寸参数T，表达为沿某向变化的函数方程，为便于深度学习训练，提取结构特征参数，将方程进一步表示为：
式中表示变化函数，可以为线性的、绝对值线性的、三角函数的等关系，/>为的偏置和系数，作为结构特征参数，分别决定梯度的变化速度和梯度位置，/>表示方向为沿着Z轴向变化。
S13:过大的参数会造成TPMS结构的残缺，过小的参数无法形成实体结构。设置结构特征参数的范围，保证生成结构的完整性。
式中下标min表示参数的下限，下标max表示参数的上限。
在数据范围内的构成最终的结构特征参数。
作为进一步优选的，数据处理方法如下：
S41：筛选出数据中异常值。利用箱型图的四分位距（IQR）对异常值进行检测，以1.5倍的IQR为标准，超过上四分位与1.5IQR之和的距离、超过下四分位与1.5IQR之差的距离都为异常值。
S42：对数据进行归一化，归一化采用下式计算：
其中为归一化前数据，其中/>为归一化后数据，/>为所有样本数据的均值，/>为所有样本数据的标准差。
S43：组装用于深度学习的数据集矩阵，并划分为训练集和测试集，数据集矩阵如下：
其中为TPMS的类型向量，/>为TPMS的结构特征参数向量，/>为TPMS的机械性能向量，/>为数据集的结构数量。
作为进一步优选的，BALANCE-CGAN网络的具体框架和工作原理如下：
S51：利用S3、S4得到有限元数值数据训练全连接神经网络FCNN1，作为机械性能物理模型。FCNN1的隐藏层采用Sigmoid函数激活，输出层不做激活，激活函数如下式：
FCNN1的输入为TPMS类型向量和结构特征参数向量/>，输出为机械性能向量/>，损失函数如下式：
其中为数据的数量，/>代表FCNN网络。
S52：利用S13得到的结构特征向量数据，训练对抗生成网络BALANCE-CGAN，作为结构参数生成模型。BALANCE-CGAN网络由一个生成器网络（Generator）和一个鉴别器网络（Discriminator）构成。生成器的隐藏层使用LeakyReLU函数激活，输出层不做激活，保证输出参数的自由度，激活函数如下式：
其中常取0.01。
作为进一步优选的，在生成器的损失函数中引入MSE（Mean Squared Error）损失，MSE损失由目标机械性能和生成器生成参数输入FCNN预测得到的物理性能构成。引入平衡参数/>，平衡目标性能与结构参数的关系。生成器的输入为随机噪声向量/>和TPMS类型向量（标签向量），输出为类似真实结构特征参数向量/>的一组向量/>，损失函数如下式：
其中D代表鉴别器网络，G代表生成器网络，为平衡参数，平衡目标性能与结构参数的关系，取值为0~1，数量级取决于损失的数量级（0.1，0.01，0.001…）。u为生成器生成的结构参数数量。
鉴别器的隐藏层使用LeakyReLU函数激活，输出层使用Sigmoid函数激活。
作为进一步优选的，将鉴别器输入真实数据数量与生成器生成数据数量区分，分别定义为m和u，由此自由生成指定数量u的结构参数。生成器的输入为结构特征参数向量和TPMS类型向量/>（标签向量），输出为0~1之间的数值，损失函数如下式：
S53：当生成器生成参数数量u超过一定的阈值时，将u组生成参数与k组数据集参数重新针对FCNN1进行训练，固定FCNN1的部分隐藏层的网络参数不进行更新，迁移学习得到FCNN2，提高机械性能物理模型精度。
S54：通过调节平衡参数，使生成的特征参数构成的模型的性能满足于目标性能的要求，同时使生成特征参数的分布与S1真实特征参数的分布偏差在一定范围。
针对上述步骤，该方法具体包括如下步骤细节：
（1）建立四种类型的TPMS实体隐函数方程：
其中X=2πx/T, Y=2πy/T, and Z=2πz/T，T是周期参数，控制晶胞尺寸。是孔隙率参数，控制晶胞壁厚。
将t与T参数化，表达为沿Z轴变化的三种方程关系：
式中表示变化函数，可以为线性的、绝对值线性的、三角函数的等关系，a, b为原始方程系数，/>为/>的偏置和系数，作为结构特征参数，分别决定梯度的变化速度和梯度位置，/>表示梯度为沿着Z轴向变化。
进行数据过滤和自动化建模得到特征参数数据集和几何模型，数据过滤方式如下：
式中下标min表示参数的下限，下标max表示参数的上限。
（2）采用TI6Al4V材料进行选择性激光熔融打印，通过拉伸实验拟合弹塑性本构曲线，曲线模型选用双线性各向同性硬化模型，其中弹性模量为100300Mpa，切线模量为1675Mpa。对打印生成的结构进行800℃快速热处理后，进行两小时冷却。通过压缩实验，压缩速度设置为2mm/min，得到结构的应力应变曲线，验证材料模型的有效性。
（3）通过ANSYS 和Python语言，设置压缩仿真条件，几何处理先针对STL面片网格进行光顺和重构，在STL网格的基础上生成四面体数值计算网格，对几何模型进行自动化准静态压缩有限元仿真，得到对应特征参数条件下的应力应变曲线。
（4）对数据进行数据处理，去除异常值，并归一化数据，构建用于神经网络训练的数据集。
其中为TPMS的类型向量，包含四种独热向量。/>为TPMS的结构特征参数向量，/>为TPMS的机械性能向量，此例为应力向量。/>为数据集的结构数量。
取5000组划分20%为测试集，80%为训练集。
（5）设定目标应力应变曲线的弹性阶段斜率为10666，塑性阶段斜率为702，训练BALANCE-CGAN网络，FCNN、生成器和鉴别器都由一个输入层、四层隐藏层和一个输出层构成，网络的损失函数如下式：
其中为数据的数量，/>代表FCNN网络，/>为TPMS类型向量，通过独热编码表示四种类型，/>为结构特征参数向量，/>为应力向量，/>为目标应力向量，/>为随机噪声向量。D代表鉴别器网络，G代表生成器网络，/>为平衡参数，平衡目标性能与结构参数的关系，取值为0~1，数量级取决于损失的数量级（0.1，0.01，0.001…）。u为生成器生成的结构参数数量，m为真实结构数量。/>
通过调节和数据集特征分布、生成数据特征分布，得到理想的结构，最终选取/>为0.6。
（6）数据过滤后，将生成结构参数输入自动化建模程序和有限元仿真程序，验证目标应力应变曲线和有限元数值计算应力应变曲线的符合度。
（7）打印生成的结构，进行快速热处理和冷却，通过压缩实验验证实际的应力应变曲线。
本发明的有益效果主要表现在：
1、提出从设计到制造的基于性能的TPMS等可参数化复杂梯度结构的流程化研发解决方案，在SLM粉末制造前基于性能优化设计，制造后热处理强化结构性能，节约3D打印实验成本，具有很大的社会经济效益。
2、通过自动化STL建模程序和有限元自动化程序，以及简化的双线性各向同性硬化塑性本构模型，扩大数据集容量，提高设计效率。
3、提出的BALANCE-CGAN神经网络，可以有效的实现基于性能的结构参数设计，通过参数分布、平衡损失和平衡参数，平衡目标性能与结构参数的关系，并可自由的决定生成的结构的类型和数量，生成效率高。
在本实施例中还提供了一种基于性能与BALANCE-CGAN的TPMS梯度分级结构逆设计制造装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图8是根据本发明实施例的一种基于性能与BALANCE-CGAN的TPMS梯度分级结构逆设计制造装置的结构框图，如图8所示，该装置包括：
程序构建模块81，用于基于预先获取的材料参数构建第一模型生成程序；
结构参数获取模块82，用于根据预先确定的映射关系，获取预设的第一性能结果对应的TPMS结构参数，其中，所述映射关系以及所述TPMS结构参数是通过预设的训练好的BALANCE-CGAN神经网络模型得到的，所述BALANCE-CGAN神经网络模型至少包括全连接网络模型，所述全连接网络模型作为性能物理模型，用于构建结构参数和性能结果之间的所述映射关系；
第一模型生成模块83，用于基于所述TPMS结构参数以及所述第一模型生成程序，获取第一几何模型，并对所述第一几何模型进行第一仿真处理，以得到第二性能结果；
性能比对模块84，用于将所述第二性能结果与所述第一性能结果进行性能比对，并在性能比对结果满足精度条件的情况下，将所述第一几何模型发送至目标打印设备，以指示所述目标打印设备基于所述第一几何模型进行打印制造。
在一个可选的实施例中，所述装置还包括：
第二模型生成模块，用于在所述根据预先确定的映射关系，获取预设的第一性能结果对应的TPMS结构参数之前，根据所述第一模型生成程序获取第二几何模型；
第二仿真模块，用于根据预设的有限元仿真条件，对所述第二几何模型进行第二仿真处理，以得到第三性能结果；
矩阵组成模块，用于对所述第三性能结果进行参数处理，并与所述材料参数组成数据集矩阵；
第一训练模块，用于通过所述第三性能结果以及所述数据集矩阵对所述BALANCE-CGAN神经网络模型进行第一训练，以得到所述映射关系。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器（Read-Only Memory，简称为ROM）、随机存取存储器（Random Access Memory，简称为RAM）、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于性能与BALANCE-CGAN的TPMS梯度分级结构逆设计制造方法，其特征在于，包括：
基于预先获取的材料参数构建第一模型生成程序；
根据预先确定的映射关系，获取预设的第一性能结果对应的TPMS结构参数，其中，所述映射关系以及所述TPMS结构参数是通过预设的训练好的BALANCE-CGAN神经网络模型得到的，所述BALANCE-CGAN神经网络模型至少包括全连接网络模型，所述全连接网络模型作为性能物理模型，用于构建结构参数和性能结果之间的所述映射关系；
基于所述TPMS结构参数以及所述第一模型生成程序，获取第一几何模型，并对所述第一几何模型进行第一仿真处理，以得到第二性能结果；
将所述第二性能结果与所述第一性能结果进行性能比对，并在性能比对结果满足精度条件的情况下，将所述第一几何模型发送至目标打印设备，以指示所述目标打印设备基于所述第一几何模型进行打印制造；
其中，在所述根据预先确定的映射关系，获取预设的第一性能结果对应的TPMS结构参数之前，所述方法还包括：
根据所述第一模型生成程序获取第二几何模型；
根据预设的有限元仿真条件，对所述第二几何模型进行第二仿真处理，以得到第三性能结果；
对所述第三性能结果进行参数处理，并与所述材料参数组成数据集矩阵；
通过所述第三性能结果以及所述数据集矩阵对所述BALANCE-CGAN神经网络模型进行第一训练，以得到所述映射关系；
在所述根据预先确定的映射关系，获取预设的第一性能结果对应的TPMS结构参数之前，所述方法还包括：
对第一全连接网络模型进行迁移学习处理，以得到第二全连接网络模型，其中，所述全连接网络模型包括所述第一全连接网络模型以及所述第二全连接网络模型；
通过所述第二全连接网络模型以及目标性能损失函数对预设的条件对抗生成网络CGAN进行训练，以得到能够根据指定性能生成对应TPMS结构参数的结构参数生成模型，所述BALANCE-CGAN神经网络模型包括所述条件对抗生成网络CGAN，所述TPMS结构参数是基于所述结构参数生成模型得到的。
2.根据权利要求1所述的方法，其特征在于，所述对所述第三性能结果进行参数处理，并与所述材料参数组成数据集矩阵包括：
对所述第三性能结果进行误差去除处理，并对误差去除处理结果进行归一化，以得到第一数据；
将所述第一数据与所述材料参数构建所述数据集矩阵，其中，所述材料参数至少包括目标结构特征参数、表征TPMS结构种类参数任意之一。
3.根据权利要求2所述的方法，其特征在于，所述对所述第三性能结果进行误差去除处理包括：
通过箱型图的四分位距对所述第三性能结果中的性能值进行异常值检测；
在异常值检测结果不满足预设的位距标准条件的情况下，确定所述性能值为异常值，并进行去除。
4.根据权利要求1所述的方法，其特征在于，在所述基于预先获取的材料参数构建第一模型生成程序之前，所述方法还包括：
将所述材料参数进行函数转化，以得到所述材料参数沿第一方向变化的第一函数，并基于所述第一函数，提取结构特征参数；
基于所述结构特征参数、所述第一函数以及预设的TPMS结构通用隐函数，构建目标结构特征参数，其中，所述材料参数包括所述目标结构特征参数。
5.一种基于性能与BALANCE-CGAN的TPMS梯度分级结构逆设计制造装置，其特征在于，包括：
程序构建模块，用于基于预先获取的材料参数构建第一模型生成程序；
结构参数获取模块，用于根据预先确定的映射关系，获取预设的第一性能结果对应的TPMS结构参数，其中，所述映射关系以及所述TPMS结构参数是通过预设的训练好的BALANCE-CGAN神经网络模型得到的，所述BALANCE-CGAN神经网络模型至少包括全连接网络模型，所述全连接网络模型作为性能物理模型，用于构建结构参数和性能结果之间的所述映射关系；
第一模型生成模块，用于基于所述TPMS结构参数以及所述第一模型生成程序，获取第一几何模型，并对所述第一几何模型进行第一仿真处理，以得到第二性能结果；
性能比对模块，用于将所述第二性能结果与所述第一性能结果进行性能比对，并在性能比对结果满足精度条件的情况下，将所述第一几何模型发送至目标打印设备，以指示所述目标打印设备基于所述第一几何模型进行打印制造；
还包括：
第二模型生成模块，用于在所述根据预先确定的映射关系，获取预设的第一性能结果对应的TPMS结构参数之前，根据所述第一模型生成程序获取第二几何模型；
第二仿真模块，用于根据预设的有限元仿真条件，对所述第二几何模型进行第二仿真处理，以得到第三性能结果；
矩阵组成模块，用于对所述第三性能结果进行参数处理，并与所述材料参数组成数据集矩阵；
第一训练模块，用于通过所述第三性能结果以及所述数据集矩阵对所述BALANCE-CGAN神经网络模型进行第一训练，以得到所述映射关系；
在所述根据预先确定的映射关系，获取预设的第一性能结果对应的TPMS结构参数之前，所述装置还包括：
对第一全连接网络模型进行迁移学习处理，以得到第二全连接网络模型，其中，所述全连接网络模型包括所述第一全连接网络模型以及所述第二全连接网络模型；
通过所述第二全连接网络模型以及目标性能损失函数对预设的条件对抗生成网络CGAN进行训练，以得到能够根据指定性能生成对应TPMS结构参数的结构参数生成模型，所述BALANCE-CGAN神经网络模型包括所述条件对抗生成网络CGAN，所述TPMS结构参数是基于所述结构参数生成模型得到的。
6.一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中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至4任一项中所述的方法。
7.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至4任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410124699.6A CN117648876B (zh) | 2024-01-30 | 2024-01-30 | 基于性能与balance-cgan的tpms梯度分级结构逆设计制造方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410124699.6A CN117648876B (zh) | 2024-01-30 | 2024-01-30 | 基于性能与balance-cgan的tpms梯度分级结构逆设计制造方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117648876A CN117648876A (zh) | 2024-03-05 |
| CN117648876B true CN117648876B (zh) | 2024-04-12 |
Family
ID=90045588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410124699.6A Active CN117648876B (zh) | 2024-01-30 | 2024-01-30 | 基于性能与balance-cgan的tpms梯度分级结构逆设计制造方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117648876B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106081126A (zh) * | 2016-06-13 | 2016-11-09 | 王晨 | 仿生蜂窝状主动安全逃生舱嵌入航空飞行器的应用及设计 |
| CN110472355A (zh) * | 2019-08-20 | 2019-11-19 | 南京航空航天大学 | 一种基于多场耦合建模与仿真求解的3d打印预览方法 |
| KR102237374B1 (ko) * | 2020-09-09 | 2021-04-07 | 정구봉 | 3d 프린팅을 이용한 부품 및 부품 검사 지그 제조 방법 및 시스템 |
| WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
| CN115306157A (zh) * | 2022-08-30 | 2022-11-08 | 同济大学 | 一种混凝土结构5d打印方法及打印系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230037918A1 (en) * | 2021-08-06 | 2023-02-09 | D2S, Inc. | Method for computational metrology and inspection for patterns to be manufactured on a substrate |
| US20230169241A1 (en) * | 2021-12-01 | 2023-06-01 | The Trustees Of Princeton University | Deep learning-enabled inverse design of mm-wave impedance matching circuits and power amplifiers |
-
2024
- 2024-01-30 CN CN202410124699.6A patent/CN117648876B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106081126A (zh) * | 2016-06-13 | 2016-11-09 | 王晨 | 仿生蜂窝状主动安全逃生舱嵌入航空飞行器的应用及设计 |
| CN110472355A (zh) * | 2019-08-20 | 2019-11-19 | 南京航空航天大学 | 一种基于多场耦合建模与仿真求解的3d打印预览方法 |
| KR102237374B1 (ko) * | 2020-09-09 | 2021-04-07 | 정구봉 | 3d 프린팅을 이용한 부품 및 부품 검사 지그 제조 방법 및 시스템 |
| WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
| CN115306157A (zh) * | 2022-08-30 | 2022-11-08 | 同济大学 | 一种混凝土结构5d打印方法及打印系统 |
Non-Patent Citations (4)
| Title |
|---|
| BAGAN: Data Augmentation with Balancing GAN;Giovanni Mariani等;arXiv;20180605;第1-9页 * |
| Conditional GAN and 2-D CNN for Bearing Fault Diagnosis With Small Samples;Jinsong Yang等;IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT;20211008;第1-12页 * |
| The Plastic Deformation Mechanism in Nano-Polycrystalline Al/Mg Layered Composites: A Molecular Dynamics Study;Zhou Li等;nanomaterials;20240102;第1-18页 * |
| 飞行器复合材料结构优化设计研究进展;王晓军;马雨嘉;王磊;邱志平;;中国科学:物理学 力学 天文学;20180101(第01期);第26-41页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117648876A (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Stathatos et al. | Real-time simulation for long paths in laser-based additive manufacturing: a machine learning approach | |
| CN106096727A (zh) | 一种基于机器学习的网络模型构造方法及装置 | |
| CN101763083A (zh) | 一种有效的控制变量参数化的工业过程动态优化系统及方法 | |
| EP1376412B1 (en) | Autonomous experimental design optimization | |
| CN113343427B (zh) | 一种基于卷积神经网络的结构拓扑构型预测方法 | |
| CN116882708B (zh) | 基于数字孪生的钢铁工艺流程管控方法、装置及相关设备 | |
| CN113283186A (zh) | 一种用于cfd的通用网格自适应方法 | |
| Aliniya et al. | CB-ICA: A crossover-based imperialist competitive algorithm for large-scale problems and engineering design optimization | |
| CN115017178A (zh) | 数据到文本生成模型的训练方法和装置 | |
| CN112182938A (zh) | 基于迁移学习-多保真度建模的介观结构件力学性能预测方法 | |
| CN117648876B (zh) | 基于性能与balance-cgan的tpms梯度分级结构逆设计制造方法 | |
| CN101763086A (zh) | 一种高效的工业过程动态优化系统及方法 | |
| CN117574721A (zh) | 一种工艺参数概率模型优化方法 | |
| CN116050190B (zh) | 一种基于数字孪生的产品性能和退化状态分析方法 | |
| Yan et al. | An approach to the optimal design of technological parameters in the profile extrusion process | |
| CN107491841A (zh) | 非线性优化方法及存储介质 | |
| Wang et al. | Determination of temperature difference in squeeze casting hot work tool steel | |
| Fischer et al. | Increasing the performance of a training algorithm for local model networks | |
| CN111103846A (zh) | 一种基于时间序列的数控机床状态预测方法 | |
| CN105893667A (zh) | 一种异构仿真数据的统一集成可视方法 | |
| CN113268929B (zh) | 短期负荷区间预测方法及装置 | |
| DE102022108379A1 (de) | Verfahren, System und Computerprogrammprodukt zum optimierten Konstruieren und/oder Designen einer technischen Komponente | |
| Shen et al. | Digital twins in additive manufacturing: a state-of-the-art review | |
| CN107612455A (zh) | 电机控制方法、装置及运动设备 | |
| CN116306983A (zh) | 基于自学习的数据评估模型训练系统 |
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 |