CN117727408B - 复合材料网格结构的固化变形预报及优化方法 - Google Patents
复合材料网格结构的固化变形预报及优化方法 Download PDFInfo
- Publication number
- CN117727408B CN117727408B CN202410177705.4A CN202410177705A CN117727408B CN 117727408 B CN117727408 B CN 117727408B CN 202410177705 A CN202410177705 A CN 202410177705A CN 117727408 B CN117727408 B CN 117727408B
- Authority
- CN
- China
- Prior art keywords
- model
- process parameters
- roundness
- sensitive process
- sensitive
- 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
- 238000000034 method Methods 0.000 title claims abstract description 203
- 239000002131 composite material Substances 0.000 title claims abstract description 74
- 230000008569 process Effects 0.000 claims abstract description 158
- 238000004088 simulation Methods 0.000 claims abstract description 103
- 238000007711 solidification Methods 0.000 claims abstract description 25
- 230000008023 solidification Effects 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 17
- 239000002245 particle Substances 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 41
- 239000011347 resin Substances 0.000 claims description 38
- 229920005989 resin Polymers 0.000 claims description 38
- 239000000835 fiber Substances 0.000 claims description 30
- 238000005056 compaction Methods 0.000 claims description 28
- 238000003860 storage Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000002474 experimental method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 238000010438 heat treatment Methods 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000004062 sedimentation Methods 0.000 claims description 3
- 239000011324 bead Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 238000004804 winding Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229920000049 Carbon (fiber) Polymers 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004917 carbon fiber Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011527 multiparameter analysis Methods 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及复合材料结构成型技术领域，特别涉及一种复合材料网格结构的固化变形预报及优化方法。方法包括：获取利用仿真模型建立的与固化变形相关的敏感参数数据库；其中，敏感参数数据库的每一条数据样本至少含有网格节点铺层阶差的敏感工艺参数、筋条宽度的敏感工艺参数和网格结构固化变形圆度的敏感工艺参数；利用敏感参数数据库对预先构建的神经网络进行训练，得到预报模型；以利用预报模型实现对复合材料网格结构的固化变形的高效率预报。另外，基于预报模型和粒子群优化算法，可以实现对铺层阶差、筋条宽度和固化变形圆度的敏感工艺参数的高精度快速优化。
Description
技术领域
本发明实施例涉及复合材料结构成型技术领域，特别涉及一种复合材料网格结构的固化变形预报及优化方法。
背景技术
大尺寸复合材料网格结构由于其轻质、力学性能优良等特性，在航空航天领域广泛用作承力结构，一般采用阳模缠绕热压罐固化技术制备。国内外学者对复合材料网格结构承载能力分析和网格节点优化等方面都分别进行了深入的研究，然而其工艺引起的固化变形仍是不容忽视的。
现有技术中，大多直接利用不同工艺参数制备复合材料网格结构的试样，通过直接测量试样，来确定不同工艺参数下的固化变形，再通过人为根据经验进行工艺参数的优化。然而，复合材料网格结构含有大量网格节点，制备试样和测量固化变形十分费时费力，不仅成本高，而且精度也较低。
因此，亟需一种新的复合材料网格结构的固化变形预报及优化方法。
发明内容
为了解决现有的复合材料网格结构的固化变形预报及优化方法比较费时费力，不仅成本高，而且精度也较低的问题，本发明实施例提供了一种复合材料网格结构的固化变形预报及优化方法。
第一方面，本发明实施例提供了一种复合材料网格结构的固化变形预报及优化方法，方法包括：
获取利用仿真模型建立的与固化变形相关的敏感参数数据库；其中，所述敏感参数数据库的每一条数据样本至少含有网格节点铺层阶差的敏感工艺参数、筋条宽度的敏感工艺参数和网格结构固化变形圆度的敏感工艺参数；
利用所述敏感参数数据库对预先构建的神经网络进行训练，得到预报模型；
基于所述预报模型和粒子群优化算法，对所述铺层阶差、所述筋条宽度和所述固化变形圆度的敏感工艺参数进行优化。
第二方面，本发明实施例还提供了一种复合材料网格结构的固化变形预报及优化装置，装置包括：
获取单元，用于获取利用仿真模型建立的与固化变形相关的敏感参数数据库；其中，所述敏感参数数据库的每一条数据样本至少含有网格节点铺层阶差的敏感工艺参数、筋条宽度的敏感工艺参数和网格结构固化变形圆度的敏感工艺参数；
训练单元，用于利用所述敏感参数数据库对预先构建的神经网络进行训练，得到预报模型；
优化单元，用于基于所述预报模型和粒子群优化算法，对所述铺层阶差、所述筋条宽度和所述固化变形圆度的工艺参数进行优化。
第三方面，本发明实施例还提供了一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
本发明实施例提供了一种复合材料网格结构的固化变形预报及优化方法，由于复合材料网格结构的工艺流程比较复杂，通过对网格节点铺层阶差、筋条宽度和网格结构固化变形圆度依次进行仿真，来建立与复合材料网格结构的固化变形相关的敏感参数数据库；通过利用敏感参数数据库训练神经网络，构建固化变形的预报模型，以利用预报模型实现对复合材料网格结构的固化变形的高效率预报。另外，结合粒子群优化算法，可以实现对铺层阶差、筋条宽度和固化变形圆度的敏感工艺参数的高精度快速优化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种复合材料网格结构的固化变形预报及优化方法的流程图；
图2是本发明一实施例提供的一种网格节点模型和模具模型的示意图；
图3是本发明一实施例提供的一种筋条宽度模具模型的示意图；
图4是本发明一实施例提供的一种复合材料网格结构的固化变形圆度的仿真模型示意图；
图5是本发明一实施例提供的一种网格节点模型构建过程示意图；
图6是本发明一实施例提供的一种模拟节点压实过程的载荷设置图；
图7是本发明一实施例提供的一种网格节点的铺层阶差模拟结果图；
图8是本发明一实施例提供的一种计算设备的硬件架构图；
图9是本发明一实施例提供的一种复合材料网格结构的固化变形预报及优化装置结构图。
具体实施方式
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，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的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。
请参考图1，本发明实施例提供了一种复合材料网格结构的固化变形预报及优化方法，该方法包括：
步骤100，获取利用仿真模型建立的与固化变形相关的敏感参数数据库；其中，敏感参数数据库的每一条数据样本至少含有网格节点铺层阶差的敏感工艺参数、筋条宽度的敏感工艺参数和网格结构固化变形圆度的敏感工艺参数；
步骤102，利用敏感参数数据库对预先构建的神经网络进行训练，得到预报模型；
步骤104，基于预报模型和粒子群优化算法，对铺层阶差、筋条宽度和固化变形圆度的敏感工艺参数进行优化。
本发明实施例中，由于复合材料网格结构的工艺流程比较复杂，通过对网格节点铺层阶差、筋条宽度和网格结构固化变形圆度依次进行仿真，来建立与复合材料网格结构的固化变形相关的敏感参数数据库；通过利用敏感参数数据库训练神经网络，构建固化变形的预报模型，以利用预报模型实现对复合材料网格结构的固化变形的高效率预报。另外，结合粒子群优化算法，可以实现对铺层阶差、筋条宽度和固化变形圆度的敏感工艺参数的高精度快速优化。
针对步骤100：
在一些实施方式中，敏感参数数据库是通过如下方式构建的：
利用ABAQUS有限元仿真软件对复合材料的网格节点和模具进行有限元建模，并对建模得到的网格节点模型进行节点压实模拟，得到网格节点的铺层阶差仿真模型；
基于铺层阶差仿真模型，构建筋条宽度仿真模型；
基于筋条宽度仿真模型，构建网格结构的固化变形圆度仿真模型；
确定铺层阶差的敏感工艺参数、筋条宽度的敏感工艺参数和固化变形圆度的敏感工艺参数；
生成每一条数据样本时，均执行：
调整铺层阶差仿真模型的敏感工艺参数，得到网格节点的铺层阶差；
基于当前铺层阶差仿真模型，调整筋条宽度仿真模型的敏感工艺参数，得到筋条宽度；
基于当前筋条宽度仿真模型，调整固化变形圆度仿真模型的敏感工艺参数，得到固化变形圆度；
利用铺层阶差仿真模型的敏感工艺参数、铺层阶差、筋条宽度仿真模型的敏感工艺参数、筋条宽度、固化变形圆度仿真模型的敏感工艺参数和固化变形圆度，生成一条数据样本。
在本实施例中，复合材料网格结构的工艺流程比较复杂，与固化变形相关的工艺参数至少包括网格节点的铺层阶差和筋条宽度，因此对网格节点的铺层阶差、筋条宽度和网格结构依次进行建模，并模拟生成铺层阶差、筋条宽度和网格结构的工艺过程，以此来得到如图2、图3和图4所示的铺层阶差仿真模型、筋条宽度仿真模型和固化变形圆度仿真模型。图3是网格结构模具的一部分，为了简化模型提升效率，所以没有建完整的整个模具，模具中的凹槽是放筋条的。
由于固化变形圆度与铺层阶差和筋条宽度有关，因此，铺层阶差的敏感工艺参数、筋条宽度的敏感工艺参数也会作为固化变形圆度仿真模型的自变量。
本实施例为了提高建模精度，采用精细化建模，接下来对铺层阶差仿真模型的建模过程进行说明。
在一些实施方式中，网格节点模型是通过如下方式构建的：
确定复合材料最小纤维单元的弹性模量和泊松比，以构建数字单元链；
基于预先确定的线性阵列，对数字单元链进行单向性排布，得到数字单元纤维束；
基于数字单元纤维束的尺寸，构建复合材料的树脂基体模型；
利用嵌入单元法，将数字单元纤维束嵌入树脂基体模型中，得到预浸料模型；
利用预浸料模型从两个方向交叠铺层，得到预设高度的网格节点模型。
在本实施例中，可以参考图5，为了提高建模精度，提高大尺寸复合材料网格结构铺层阶差的预报精度，需要采用精细化建模。由于复合材料分为纤维部分和基体部分，需要分别对纤维部分和基体部分进行建模，而在构建数字单元纤维束时，需要先对最小纤维单元，即数字单元链进行建模。在本实施例中，数字单元链使用M40J碳纤维的参数，弹性模量设置为230GPa，泊松比设置为0.28；然后，基于预先确定的线性阵列，对数字单元链进行单向性排布，生成数字单元纤维束；接着，基于真实复合材料的基体和数字单元纤维束的尺寸，构建长方体树脂基体模型。
可以理解，在得到数字单元纤维束和树脂基体模型后，需要对数字单元纤维束和树脂基体模型进行有限元网格划分，数字单元链采用具有弯曲刚度的B31梁单元，树脂基体模型采用C3D8R六面体单元。
接着，基于嵌入单元法，将数字单元纤维束嵌入树脂基体模型中，可以得到预浸料模型。需要说明的是，数字单元纤维束与树脂基体模型合成预浸料模型，不是简单的叠加，需要利用嵌入单元法模拟复合材料的复合工艺，以提高建模精度。在本发明实施例中，有限元仿真软件为ABAQUS软件，可以利用ABAQUS软件的Embed约束进行数字单元嵌入。
在本实施例中，生成的预浸料模型的厚度为0.2mm，宽为6mm，长度为40mm。继续参考图5中的右侧图，利用预浸料模型从两个方向交叠铺层，每一个方向分别铺层40个预浸料模型，得到网格节点模型，节点交叠区域总共为80层预浸料模型。可以理解，网格节点模型的预设高度不同，每一个方向铺层的预浸料模型数量不同，可以根据实际需求设定预浸料模型铺层数量。
至此，完成了对复合材料网格节点的虚拟有限元建模。可以看到，本实施例的建模方法十分精细，大大提高了建模精度，以进一步提高大尺寸复合材料网格结构铺层阶差的预报精度。
在一些实施方式中，步骤“基于数字单元纤维束的尺寸，构建复合材料的树脂基体模型”，可以包括：
获取复合材料的松弛实验结果，以确定树脂基体的平衡模量、松弛模量和松弛时间，得到树脂基体模型的模量松弛表达式；
获取复合材料的压实实验结果，以确定树脂基体的屈服应力和非线性塑性本构参数，得到树脂基体模型的非线性塑性表达式；
基于模量松弛表达式、非线性塑性表达式以及数字单元纤维束的尺寸，构建树脂基体模型。
在本实施例中，要实现基于数字单元法的节点压实过程模拟，需要先通过复合材料的松弛实验，确定树脂基体的平衡模量、松弛模量和松弛时间，构建用以表征基体粘性的模量松弛表达式。以及通过复合材料的压实实验，确定树脂基体的屈服应力和非线性塑性本构参数，来构建用以表征基体塑性的非线性塑性表达式。那么，基于模量松弛表达式、非线性塑性表达式以及数字单元纤维束的尺寸，就可以构建树脂基体模型。
在一些实施方式中，模量松弛表达式为：
式中，为随时间变化的弹性模量，/>为树脂基体的平衡模量，/>和/>分别为第i个Prony级数展开式的松弛模量和松弛时间，/>为Prony级数展开式的数量；
非线性塑性表达式为：
式中，为瞬时应力，/>为屈服应力，A和m为非线性塑性本构参数，/>为塑性应变。
因此，通过对基体形状、材质粘性和塑性进行精细模拟，可以构建精细化的树脂基体模型，进一步可以提高大尺寸复合材料网格结构铺层阶差的预报精度。
在一些实施方式中，模具是通过如下方式进行有限元建模的：
基于网格节点模型的尺寸，确定模具模型的凹槽深度、凹槽长宽和倒角半径；
获取模具的拉伸实验结果，以确定模具模型的材料参数，构建模具模型的超弹性本构模型；
基于凹槽深度、凹槽长宽、倒角半径、预先确定的热膨胀系数和超弹性本构模型，构建模具模型。
可以参考图2中的模具模型，为了将网格节点模型放入模具模型进行节点压实，需要设计模具模型的凹槽深度、凹槽长宽和倒角半径，这是影响网格节点的铺层阶差的工艺参数。在本实施例中，网格节点模型压实后的节点区域厚度约为8mm，因此凹槽深度设为12mm，在模具凹槽与网格节点模型之间有0.5mm工艺间隙，以基于网格节点模型的尺寸，确定模具模型的凹槽长宽，且确定模具的倒角半径为4mm。本实施例中的热膨胀系数设置为0.00026。
要实现基于数字单元法的节点压实过程模拟，需要先通过实际模具的拉伸实验，确定模具模型的材料参数，来构建模具模型的超弹性本构模型。
在一些实施方式中，超弹性本构模型是通过如下公式表示的：
式中，W为应变能，为主方向伸长率，C10和C01为材料参数。
在本实施例中，材料参数C10确定为，C01确定为/>。
在一些实施方式中，步骤“对建模得到的网格节点模型进行节点压实模拟”可以包括：
在将网格节点模型放入模具模型后，基于复合材料网格结构的实际压实过程的受力情况，向网格节点模型顶部施加均布压力；
向模具模型施加30℃-180℃递增的正温度载荷，以模拟模具模型加热膨胀对网格节点模型施加压力；
向网格节点模型施加沿铺层方向的应力场，以模拟机器的铺缠张力；
对模具模型底面和网格节点模型施加设定位移约束后，模拟节点压实过程。
在本实施例中，可以参考图2，将网格节点模型放入模具模型，之后在ABAQUS中进行节点压实过程模拟。模拟过程的载荷设置如图6所示，网格结构在热压罐中受到空气压力、模具压力和机器缠绕张力，在本实施例中先对网格节点模型顶部施加0.4MPa均布压力，同时通过对模具模型施加30℃-180℃递增的正温度载荷，由于模具会加热膨胀，从而对网格节点模型施加压力。同时由于机器缠绕过程会产生50N张力，因此对网格节点模型的缠绕方向施加等效沿铺层方向的40.6MPa应力场。最后，约束模具模型底面与周向位移，模拟在节点压实过程中的模具固定场景，同时通过对网格节点模型端部施加缠绕方向位移约束，来模拟网格节点在节点压实过程中只能上下动的场景。
节点压实过程模拟完成后，得到如图7所示的网格节点的铺层阶差模拟结果。由于在85℃时压实过程基本完成，因此图7的模拟结果为85℃时的网格节点模型，可以看到随着节点周围单向带被压实，在节点两个方向单向带交叠位置逐渐形成铺层阶差，通过获取顶部纤维带中间凸起相较于两边平缓线条的高度差，可以得到网格节点的铺层阶差预报结果。
接下来从验证模拟结果的正确性，对三种不同筋条高度的网格结构铺层阶差测量结果与模拟结果进行对比如表1所示，模拟结果与实验所得铺层阶差基本一致，最大误差不超过12.5%，说明了模拟结果的正确性，并且相同载荷下，随着铺层厚度增大，节点的铺层阶差也随之变大。因此，本发明实施例实现了大尺寸复合材料网格结构铺层阶差的高精度预报，可以为大尺寸复合材料网格结构的铺层阶差抑制提供方法指导。
表1 不同工艺参数铺层阶差扫描结果与模拟结果对比
在确定了铺层阶差仿真模型之后，可以基于铺层阶差仿真模型，可以看到铺层阶差仿真模型中交叉的单项带即为筋条，可以基于铺层阶差仿真模型，构建筋条宽度仿真模型，然后，基于铺层阶差仿真模型和筋条宽度仿真模型，构建网格结构的固化变形圆度仿真模型。
在本发明实施例中，铺层阶差的敏感工艺参数包括模具的圆角半径和节点压实模拟中的铺缠张力；筋条宽度分为螺旋筋外壁宽度、螺旋筋内壁宽度、环向筋外壁宽度和环向筋内壁宽度；筋条宽度的敏感工艺参数包括模具中螺旋筋凹槽宽度和环向筋凹槽宽度；固化变形圆度的敏感工艺参数包括升温速率、树脂沉降、固化温度、生成网格结构时的铺缠张力和模具补偿。
在本实施例中，敏感工艺参数的确定是通过对铺层阶差仿真模型、筋条宽度仿真模型和固化变形圆度仿真模型的工艺参数进行测试，确定出对铺层阶差、筋条宽度和固化变形圆度影响较大的工艺参数，以此来避免输入神经网络的工艺参数自变量太多且不够准确，而造成的固化变形预报效率较差的问题。
针对步骤102：
在一些实施方式中，神经网络包括第一感知机网络、第二感知机网络和第三感知机网络；
步骤102可以包括：
针对每一条数据样本，均执行：
将当前数据样本中铺层阶差的敏感工艺参数输入第一感知机网络，得到铺层阶差的预测值，利用当前数据样本中该敏感工艺参数对应的铺层阶差与铺层阶差的预测值计算损失函数，以对第一感知机网络的网络参数进行调整；
将当前数据样本中铺层阶差的敏感工艺参数、筋条宽度的敏感工艺参数、和铺层阶差的预测值输入第二感知机网络，得到筋条宽度的预测值，并基于筋条宽度的预测值和当前数据样本中的筋条宽度，对第二感知机网络的网络参数进行调整；
将当前数据样本中铺层阶差的敏感工艺参数、筋条宽度的敏感工艺参数、固化变形圆度的敏感工艺参数、铺层阶差的预测值和筋条宽度的预测值输入第三感知机网络，得到固化变形圆度的预测值，并基于固化变形圆度的预测值和当前数据样本中的固化变形圆度，对第三感知机网络的网络参数进行调整；
直至得到符合要求的预报模型。
在本实施例中，预报模型中通过包括三个子模型，用于依次对铺层阶差、筋条宽度和固化变形圆度进行预测，并且固化变形圆度的预测模型的输入不仅包括固化变形圆度的敏感工艺参数，还包括铺层阶差的敏感工艺参数、筋条宽度的敏感工艺参数以及铺层阶差和筋条宽度的预测值。因此，本发明实施例可以基于铺层阶差仿真模型、筋条宽度仿真模型和固化变形圆度仿真模型，对复合材料网格结构固化变形进行多模型多参数分析，不仅可以提高对固化变形的预报精度，而且可以提高预报速度。
在本实施例中，神经网络用于实现回归问题，采用如下式所示的平方误差损失函数：
式中，为第i组数据样本的预测结果，/>为第i组数据样本的实际仿真结果，m为数据样本数量，/>为L2正则化项的正则化惩罚系数，W为神经网络之间的连接权重。
针对步骤104：
在一些实施方式中，步骤104可以包括：
利用粒子群优化算法对预报模型进行优化，确定固化变形圆度最小时对应的固化变形圆度的敏感工艺参数、筋条宽度的敏感工艺参数和铺层阶差的敏感工艺参数。
为了减少试验时间、提高效率，分别采用种群个数为40、50、60、70进行对比试验，结果表明，当种群数为60时，固化变形的寻优结果最佳。又根据在确定种群数目时的试验结果进行分析可得，收敛过程大概在15~30之间就已经基本寻优到最佳值，无需再增加最大迭代次数，因为增加最大迭代次数虽然有可能会提高算法的可靠性，但同时也大大增加了粒子群算法的复杂度和计算时间。通过种群数目的收敛过程图可以发现，把30设置为最大迭代次数已经可以满足要求。粒子群优化算法最终的种群数目设置为60，最大迭代次数设置为30。
在本实施例中，通过粒子群优化算法可以确定当固化变形圆度最小时对应的固化变形圆度的敏感工艺参数、筋条宽度的敏感工艺参数和铺层阶差的敏感工艺参数，以此来实现大尺寸复合材料网格结构固化变形的高通量预报及快速优化。
如图8、图9所示，本发明实施例提供了一种复合材料网格结构的固化变形预报及优化装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图8所示，为本发明实施例提供的一种复合材料网格结构的固化变形预报及优化装置所在计算设备的一种硬件架构图。除了图8所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的计算设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图9所示，作为一个逻辑意义上的装置，是通过其所在计算设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。本实施例提供的一种复合材料网格结构的固化变形预报及优化装置，装置包括：
获取单元901，用于获取利用仿真模型建立的与固化变形相关的敏感参数数据库；其中，敏感参数数据库的每一条数据样本至少含有网格节点铺层阶差的敏感工艺参数、筋条宽度的敏感工艺参数和网格结构固化变形圆度的敏感工艺参数；
训练单元902，用于利用敏感参数数据库对预先构建的神经网络进行训练，得到预报模型；
优化单元903，用于基于预报模型和粒子群优化算法，对铺层阶差、筋条宽度和固化变形圆度的工艺参数进行优化。
在本发明一个实施例中，获取单元901中的敏感参数数据库是通过如下方式构建的：
利用ABAQUS有限元仿真软件对复合材料的网格节点和模具进行有限元建模，并对建模得到的网格节点模型进行节点压实模拟，得到网格节点的铺层阶差仿真模型；
基于铺层阶差仿真模型，构建筋条宽度仿真模型；
基于筋条宽度仿真模型，构建网格结构的固化变形圆度仿真模型；
确定铺层阶差的敏感工艺参数、筋条宽度的敏感工艺参数和固化变形圆度的敏感工艺参数；
生成每一条数据样本时，均执行：
调整铺层阶差仿真模型的敏感工艺参数，得到网格节点的铺层阶差；
基于当前铺层阶差仿真模型，调整筋条宽度仿真模型的敏感工艺参数，得到筋条宽度；
基于当前筋条宽度仿真模型，调整固化变形圆度仿真模型的敏感工艺参数，得到固化变形圆度；
利用铺层阶差仿真模型的敏感工艺参数、铺层阶差、筋条宽度仿真模型的敏感工艺参数、筋条宽度、固化变形圆度仿真模型的敏感工艺参数和固化变形圆度，生成一条数据样本。
在本发明一个实施例中，获取单元901中铺层阶差的敏感工艺参数包括模具的圆角半径和节点压实模拟中的铺缠张力；筋条宽度分为螺旋筋外壁宽度、螺旋筋内壁宽度、环向筋外壁宽度和环向筋内壁宽度；筋条宽度的敏感工艺参数包括模具中螺旋筋凹槽宽度和环向筋凹槽宽度；固化变形圆度的敏感工艺参数包括升温速率、树脂沉降、固化温度、生成网格结构时的铺缠张力和模具补偿。
在本发明一个实施例中，获取单元901中网格节点模型是通过如下方式构建的：
确定复合材料最小纤维单元的弹性模量和泊松比，以构建数字单元链；
基于预先确定的线性阵列，对数字单元链进行单向性排布，得到数字单元纤维束；
基于数字单元纤维束的尺寸，构建复合材料的树脂基体模型；
利用嵌入单元法，将数字单元纤维束嵌入树脂基体模型中，得到预浸料模型；
利用预浸料模型从两个方向交叠铺层，得到预设高度的网格节点模型。
在本发明一个实施例中，获取单元901在执行基于数字单元纤维束的尺寸，构建复合材料的树脂基体模型时，用于：
获取复合材料的松弛实验结果，以确定树脂基体的平衡模量、松弛模量和松弛时间，得到树脂基体模型的模量松弛表达式；
获取复合材料的压实实验结果，以确定树脂基体的屈服应力和非线性塑性本构参数，得到树脂基体模型的非线性塑性表达式；
基于模量松弛表达式、非线性塑性表达式以及数字单元纤维束的尺寸，构建树脂基体模型。
在本发明一个实施例中，获取单元901中模具是通过如下方式进行有限元建模的：
基于网格节点模型的尺寸，确定模具模型的凹槽深度、凹槽长宽和倒角半径；
获取模具的拉伸实验结果，以确定模具模型的材料参数，构建模具模型的超弹性本构模型；
基于凹槽深度、凹槽长宽、倒角半径、预先确定的热膨胀系数和超弹性本构模型，构建模具模型。
在本发明一个实施例中，获取单元901在执行对建模得到的网格节点模型进行节点压实模拟时，用于执行：
在将网格节点模型放入模具模型后，基于复合材料网格结构的实际压实过程的受力情况，向网格节点模型顶部施加均布压力；
向模具模型施加30℃-180℃递增的正温度载荷，以模拟模具模型加热膨胀对网格节点模型施加压力；
向网格节点模型施加沿铺层方向的应力场，以模拟机器的铺缠张力；
对模具模型底面和网格节点模型施加设定位移约束后，模拟节点压实过程。
在本发明一个实施例中，训练单元902中神经网络包括第一感知机网络、第二感知机网络和第三感知机网络；
训练单元902用于执行：
针对每一条数据样本，均执行：
将当前数据样本中铺层阶差的敏感工艺参数输入第一感知机网络，得到铺层阶差的预测值，利用当前数据样本中该敏感工艺参数对应的铺层阶差与铺层阶差的预测值计算损失函数，以对第一感知机网络的网络参数进行调整；
将当前数据样本中铺层阶差的敏感工艺参数、筋条宽度的敏感工艺参数、和铺层阶差的预测值输入第二感知机网络，得到筋条宽度的预测值，并基于筋条宽度的预测值和当前数据样本中的筋条宽度，对第二感知机网络的网络参数进行调整；
将当前数据样本中铺层阶差的敏感工艺参数、筋条宽度的敏感工艺参数、固化变形圆度的敏感工艺参数、铺层阶差的预测值和筋条宽度的预测值输入第三感知机网络，得到固化变形圆度的预测值，并基于固化变形圆度的预测值和当前数据样本中的固化变形圆度，对第三感知机网络的网络参数进行调整；
直至得到符合要求的预报模型。
在本发明一个实施例中，优化单元903用于执行：
利用粒子群优化算法对预报模型进行优化，确定固化变形圆度最小时对应的固化变形圆度的敏感工艺参数、筋条宽度的敏感工艺参数和铺层阶差的敏感工艺参数。
可以理解的是，本发明实施例示意的结构并不构成对一种复合材料网格结构的固化变形预报及优化装置的具体限定。在本发明的另一些实施例中，一种复合材料网格结构的固化变形预报及优化装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明实施例还提供了一种计算设备，包括存储器和处理器，存储器中存储有计算机程序，处理器执行计算机程序时，实现本发明任一实施例中的一种复合材料网格结构的固化变形预报及优化方法。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序在被处理器执行时，使处理器执行本发明任一实施例中的一种复合材料网格结构的固化变形预报及优化方法。
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机（或CPU或MPU）读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘（如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW）、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
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，而非对其限制；尽管参照前述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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种复合材料网格结构的固化变形预报及优化方法，其特征在于，包括：
获取利用仿真模型建立的与固化变形相关的敏感参数数据库；其中，所述敏感参数数据库的每一条数据样本至少含有网格节点铺层阶差的敏感工艺参数、筋条宽度的敏感工艺参数和网格结构固化变形圆度的敏感工艺参数；
利用所述敏感参数数据库对预先构建的神经网络进行训练，得到预报模型；
基于所述预报模型和粒子群优化算法，对所述铺层阶差、所述筋条宽度和所述固化变形圆度的敏感工艺参数进行优化；
所述敏感参数数据库是通过如下方式构建的：
利用ABAQUS有限元仿真软件对复合材料的网格节点和模具进行有限元建模，并对建模得到的网格节点模型进行节点压实模拟，得到网格节点的铺层阶差仿真模型；
基于所述铺层阶差仿真模型，构建筋条宽度仿真模型；
基于所述筋条宽度仿真模型，构建网格结构的固化变形圆度仿真模型；
确定铺层阶差的敏感工艺参数、筋条宽度的敏感工艺参数和固化变形圆度的敏感工艺参数；
生成每一条数据样本时，均执行：
调整所述铺层阶差仿真模型的敏感工艺参数，得到网格节点的铺层阶差；
基于当前铺层阶差仿真模型，调整所述筋条宽度仿真模型的敏感工艺参数，得到筋条宽度；
基于当前筋条宽度仿真模型，调整所述固化变形圆度仿真模型的敏感工艺参数，得到固化变形圆度；
利用所述铺层阶差仿真模型的敏感工艺参数、所述铺层阶差、所述筋条宽度仿真模型的敏感工艺参数、所述筋条宽度、所述固化变形圆度仿真模型的敏感工艺参数和所述固化变形圆度，生成一条数据样本；
所述神经网络包括第一感知机网络、第二感知机网络和第三感知机网络；
所述利用所述敏感参数数据库对预先构建的神经网络进行训练，得到预报模型，包括：
针对每一条数据样本，均执行：
将当前数据样本中铺层阶差的敏感工艺参数输入所述第一感知机网络，得到铺层阶差的预测值，利用当前数据样本中该敏感工艺参数对应的铺层阶差与所述预测值计算损失函数，以对所述第一感知机网络的网络参数进行调整；
将当前数据样本中铺层阶差的敏感工艺参数、筋条宽度的敏感工艺参数、和铺层阶差的预测值输入所述第二感知机网络，得到筋条宽度的预测值，并基于筋条宽度的预测值和当前数据样本中的筋条宽度，对所述第二感知机网络的网络参数进行调整；
将当前数据样本中铺层阶差的敏感工艺参数、筋条宽度的敏感工艺参数、固化变形圆度的敏感工艺参数、铺层阶差的预测值和筋条宽度的预测值输入所述第三感知机网络，得到固化变形圆度的预测值，并基于固化变形圆度的预测值和当前数据样本中的固化变形圆度，对所述第三感知机网络的网络参数进行调整；
直至得到符合要求的预报模型。
2.根据权利要求1所述的方法，其特征在于，所述铺层阶差的敏感工艺参数包括模具的圆角半径和节点压实模拟中的铺缠张力；所述筋条宽度分为螺旋筋外壁宽度、螺旋筋内壁宽度、环向筋外壁宽度和环向筋内壁宽度；所述筋条宽度的敏感工艺参数包括模具中螺旋筋凹槽宽度和环向筋凹槽宽度；所述固化变形圆度的敏感工艺参数包括升温速率、树脂沉降、固化温度、生成网格结构时的铺缠张力和模具补偿。
3.根据权利要求1所述的方法，其特征在于，网格节点模型是通过如下方式构建的：
确定复合材料最小纤维单元的弹性模量和泊松比，以构建数字单元链；
基于预先确定的线性阵列，对所述数字单元链进行单向性排布，得到数字单元纤维束；
基于所述数字单元纤维束的尺寸，构建所述复合材料的树脂基体模型；
利用嵌入单元法，将所述数字单元纤维束嵌入所述树脂基体模型中，得到预浸料模型；
利用所述预浸料模型从两个方向交叠铺层，得到预设高度的网格节点模型。
4.根据权利要求3所述的方法，其特征在于，所述基于所述数字单元纤维束的尺寸，构建所述复合材料的树脂基体模型，包括：
获取所述复合材料的松弛实验结果，以确定树脂基体的平衡模量、松弛模量和松弛时间，得到所述树脂基体模型的模量松弛表达式；
获取所述复合材料的压实实验结果，以确定树脂基体的屈服应力和非线性塑性本构参数，得到所述树脂基体模型的非线性塑性表达式；
基于所述模量松弛表达式、所述非线性塑性表达式以及所述数字单元纤维束的尺寸，构建树脂基体模型。
5.根据权利要求1所述的方法，其特征在于，模具是通过如下方式进行有限元建模的：
基于所述网格节点模型的尺寸，确定模具模型的凹槽深度、凹槽长宽和倒角半径；
获取模具的拉伸实验结果，以确定模具模型的材料参数，构建所述模具模型的超弹性本构模型；
基于所述凹槽深度、所述凹槽长宽、所述倒角半径、预先确定的热膨胀系数和所述超弹性本构模型，构建所述模具模型。
6.根据权利要求1所述的方法，其特征在于，所述对建模得到的网格节点模型进行节点压实模拟，包括：
在将网格节点模型放入模具模型后，基于复合材料网格结构的实际压实过程的受力情况，向所述网格节点模型顶部施加均布压力；
向所述模具模型施加30℃-180℃递增的正温度载荷，以模拟所述模具模型加热膨胀对所述网格节点模型施加压力；
向所述网格节点模型施加沿铺层方向的应力场，以模拟机器的铺缠张力；
对所述模具模型底面和所述网格节点模型施加设定位移约束后，模拟节点压实过程。
7.根据权利要求1所述的方法，其特征在于，所述基于所述预报模型和粒子群优化算法，对所述铺层阶差、所述筋条宽度和所述固化变形圆度的敏感工艺参数进行优化，包括：
利用粒子群优化算法对所述预报模型进行优化，确定所述固化变形圆度最小时对应的所述固化变形圆度的敏感工艺参数、所述筋条宽度的敏感工艺参数和所述铺层阶差的敏感工艺参数。
8.一种复合材料网格结构的固化变形预报及优化装置，其特征在于，包括：
获取单元，用于获取利用仿真模型建立的与固化变形相关的敏感参数数据库；其中，所述敏感参数数据库的每一条数据样本至少含有网格节点铺层阶差的敏感工艺参数、筋条宽度的敏感工艺参数和网格结构固化变形圆度的敏感工艺参数；
训练单元，用于利用所述敏感参数数据库对预先构建的神经网络进行训练，得到预报模型；
优化单元，用于基于所述预报模型和粒子群优化算法，对所述铺层阶差、所述筋条宽度和所述固化变形圆度的工艺参数进行优化；
获取单元中的敏感参数数据库是通过如下方式构建的：
利用ABAQUS有限元仿真软件对复合材料的网格节点和模具进行有限元建模，并对建模得到的网格节点模型进行节点压实模拟，得到网格节点的铺层阶差仿真模型；
基于铺层阶差仿真模型，构建筋条宽度仿真模型；
基于筋条宽度仿真模型，构建网格结构的固化变形圆度仿真模型；
确定铺层阶差的敏感工艺参数、筋条宽度的敏感工艺参数和固化变形圆度的敏感工艺参数；
生成每一条数据样本时，均执行：
调整铺层阶差仿真模型的敏感工艺参数，得到网格节点的铺层阶差；
基于当前铺层阶差仿真模型，调整筋条宽度仿真模型的敏感工艺参数，得到筋条宽度；
基于当前筋条宽度仿真模型，调整固化变形圆度仿真模型的敏感工艺参数，得到固化变形圆度；
利用铺层阶差仿真模型的敏感工艺参数、铺层阶差、筋条宽度仿真模型的敏感工艺参数、筋条宽度、固化变形圆度仿真模型的敏感工艺参数和固化变形圆度，生成一条数据样本；
训练单元中神经网络包括第一感知机网络、第二感知机网络和第三感知机网络；
训练单元用于执行：
针对每一条数据样本，均执行：
将当前数据样本中铺层阶差的敏感工艺参数输入第一感知机网络，得到铺层阶差的预测值，利用当前数据样本中该敏感工艺参数对应的铺层阶差与预测值计算损失函数，以对第一感知机网络的网络参数进行调整；
将当前数据样本中铺层阶差的敏感工艺参数、筋条宽度的敏感工艺参数、和铺层阶差的预测值输入第二感知机网络，得到筋条宽度的预测值，并基于筋条宽度的预测值和当前数据样本中的筋条宽度，对第二感知机网络的网络参数进行调整；
将当前数据样本中铺层阶差的敏感工艺参数、筋条宽度的敏感工艺参数、固化变形圆度的敏感工艺参数、铺层阶差的预测值和筋条宽度的预测值输入第三感知机网络，得到固化变形圆度的预测值，并基于固化变形圆度的预测值和当前数据样本中的固化变形圆度，对第三感知机网络的网络参数进行调整；
直至得到符合要求的预报模型。
9.一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410177705.4A CN117727408B (zh) | 2024-02-08 | 2024-02-08 | 复合材料网格结构的固化变形预报及优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410177705.4A CN117727408B (zh) | 2024-02-08 | 2024-02-08 | 复合材料网格结构的固化变形预报及优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117727408A CN117727408A (zh) | 2024-03-19 |
| CN117727408B true CN117727408B (zh) | 2024-04-16 |
Family
ID=90207397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410177705.4A Active CN117727408B (zh) | 2024-02-08 | 2024-02-08 | 复合材料网格结构的固化变形预报及优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117727408B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111563347A (zh) * | 2020-04-03 | 2020-08-21 | 江苏师范大学 | 一种纤维增强复合材料的注塑工艺参数优化方法 |
| CN115470669A (zh) * | 2022-08-29 | 2022-12-13 | 同济大学 | 一种复合材料结构固化变形预测方法、装置及存储介质 |
| CN117332630A (zh) * | 2023-09-12 | 2024-01-02 | 南京航空航天大学 | 一种监测数据驱动的复合材料成型参数优化方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10614361B2 (en) * | 2015-09-09 | 2020-04-07 | Intel Corporation | Cost-sensitive classification with deep learning using cost-aware pre-training |
-
2024
- 2024-02-08 CN CN202410177705.4A patent/CN117727408B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111563347A (zh) * | 2020-04-03 | 2020-08-21 | 江苏师范大学 | 一种纤维增强复合材料的注塑工艺参数优化方法 |
| CN115470669A (zh) * | 2022-08-29 | 2022-12-13 | 同济大学 | 一种复合材料结构固化变形预测方法、装置及存储介质 |
| CN117332630A (zh) * | 2023-09-12 | 2024-01-02 | 南京航空航天大学 | 一种监测数据驱动的复合材料成型参数优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于X850预浸料体系的工型长桁层压件固化变形仿真技术研究;高龙飞;徐鹏;王世杰;栾英伟;李振友;;复合材料科学与工程;20200415(04);全文 * |
| 整体化复合材料结构分阶段固化变形预报方法及其实验验证;江天;徐吉峰;刘卫平;叶金蕊;贾丽杰;张博明;;复合材料学报;20130118(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117727408A (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106529055A (zh) | 一种基于应变模态振型相关性的模型修正方法 | |
| CN105787170B (zh) | 一种基于全因子试验的组合簧片式空间可展结构优化设计方法 | |
| CN103324798B (zh) | 基于区间响应面模型的随机模型修正方法 | |
| CN114919181B (zh) | 连续纤维3d打印过程动态模拟及打印件翘曲变形的预测方法 | |
| CN107862170B (zh) | 一种基于动态缩聚的有限元模型修正方法 | |
| Aguado et al. | A Simulation App based on reduced order modeling for manufacturing optimization of composite outlet guide vanes | |
| US11893326B2 (en) | Systems and methods for generating molded parts comprising reinforced composite materials | |
| CN110362912A (zh) | 介观结构优化方法 | |
| CN116720249A (zh) | 一种混凝土坝应力场构建方法 | |
| Huang et al. | Fundamental study and theoretical analysis in a constrained-surface stereolithography system | |
| CN117727408B (zh) | 复合材料网格结构的固化变形预报及优化方法 | |
| CN113505405B (zh) | 等效荷载获取方法、基于等效荷载的拓扑优化方法及系统 | |
| CN117318033B (zh) | 一种结合数据孪生的电网数据管理方法及系统 | |
| Zobeiry et al. | Theory-guided machine learning composites processing modelling for manufacturability assessment in preliminary design | |
| JP4378011B2 (ja) | 金型設計装置と金型形状の設計方法 | |
| CN117725806B (zh) | 复合材料网格结构的铺层阶差预报方法和装置 | |
| CN113255035B (zh) | 一种中小型桥梁监测数据的融合办法 | |
| CN116205108A (zh) | 一种桥式起重机应力历程获取方法及系统 | |
| Li et al. | An ANN-based short-term temperature forecast model for mass concrete cooling control | |
| CN117747033B (zh) | 复合材料网格结构数字化建模方法和建模装置 | |
| CN115563736A (zh) | 一种透平叶片电弧增材实时温度场预测方法 | |
| CN110955999B (zh) | 轮胎三维温度场仿真方法 | |
| JP2003344327A (ja) | 熱解析システム、熱解析方法およびその方法を実行するためのプログラム | |
| CN114549233A (zh) | 基于lgb算法与arima算法相结合的流动人口预测方法 | |
| CN113505929A (zh) | 基于嵌入物理约束深度学习技术的拓扑最优结构预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |