CN117828790A - 耦合数值计算与机器学习的收口筒体结构优化方法 - Google Patents
耦合数值计算与机器学习的收口筒体结构优化方法 Download PDFInfo
- Publication number
- CN117828790A CN117828790A CN202410033211.9A CN202410033211A CN117828790A CN 117828790 A CN117828790 A CN 117828790A CN 202410033211 A CN202410033211 A CN 202410033211A CN 117828790 A CN117828790 A CN 117828790A
- Authority
- CN
- China
- Prior art keywords
- cylinder
- aluminum alloy
- closing
- parameters
- performance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004364 calculation method Methods 0.000 title claims abstract description 28
- 238000010801 machine learning Methods 0.000 title claims abstract description 18
- 230000008878 coupling Effects 0.000 title claims abstract description 14
- 238000010168 coupling process Methods 0.000 title claims abstract description 14
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 14
- 229910000838 Al alloy Inorganic materials 0.000 claims abstract description 88
- 239000000463 material Substances 0.000 claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 238000004088 simulation Methods 0.000 claims abstract description 26
- 238000013461 design Methods 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 4
- 239000003721 gunpowder Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000011149 active material Substances 0.000 claims description 3
- 238000005422 blasting Methods 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 239000003380 propellant Substances 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Landscapes
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明提供一种耦合数值计算与机器学习的收口筒体结构优化方法,涉及筒体结构分析领域,包括:步骤S1、确定影响铝合金药筒使用性能的关键材料性能参数与关键结构参数,以及它们对应的可调范围;步骤S2、建立铝合金收口筒体的有限元分析模型,开展数值仿真与准确度验证;步骤S3、对铝合金的材料性能及收口筒体的结构参数进行采样,并进行有限元数值计算,构建铝合金收口筒体结构‑性能数据库;步骤S4、对铝合金收口筒体结构‑性能数据库进行机器学习,确定映射关系,并进行铝合金收口筒体结构设计优化。该方法有效解决实验优化影响因素冗杂、仿真模拟计算量大等问题,从而加快弹壳及小口径炮弹等铝合金收口筒体的结构优化。
Description
技术领域
本发明涉及筒体结构分析技术领域,具体涉及一种耦合数值计算与机器学习的收口筒体结构优化方法。
背景技术
铝合金药筒是一种容纳发射药的轻质薄壁收口筒体,与传统的铜药筒、钢药筒相比,采用铝合金制成的药筒重量大幅减低,能够有效实现武器装备的轻量化需求。射击过程中,铝合金药筒需要承受高温高压气体的作用,同时发生膨胀变形与内膛紧密贴合,起到密闭燃气提高弹药发射速率、避免火药气体后泄侵蚀弹膛的作用;而铝合金药筒在高温高压作用下的变形与药筒的材料性能、结构等密切相关,材料强度和韧性的不匹配以及筒体壁厚、底厚、药筒与弹膛初始间隙等结构参数设计不合理均容易造成药筒局部无法承受射击过程中产生的瞬时冲击载荷,进而发生弹壳卡壳、断壳等故障。
因此,结合实际发射工况,针对铝合金性能对铝合金药筒结构进行设计优化,能够有效避免射击过程的不良事件出现。目前,设计优化铝合金药筒结构的方法以大量实验以及经验教训为主,但药筒结构复杂、成形工艺繁琐,难以鉴别结构和工艺对药筒使用性能的影响;有限元数值计算能够在一定程度上弥补通过实验手段以及经验教训优化药筒结构的不足,但通过有限元方法逐个优化结构参数工作量庞大,难以针对不同发射工况以及材料性能对药筒结构进行灵活设计。
发明内容
针对以上现有技术存在的问题,本发明的目的在于提供一种耦合数值计算与机器学习的收口筒体结构优化方法,该方法针对实验优化影响因素冗杂、仿真模拟计算量大等问题,提供结合有限元分析和数据驱动的铝合金药筒设计优化方法,用于加快弹壳及小口径炮弹的铝合金药筒等收口筒体的结构优化。
本发明的目的通过以下技术方案实现:
一种耦合数值计算与机器学习的收口筒体结构优化方法,包括:
步骤S1、确定影响铝合金药筒使用性能的关键材料性能参数与关键结构参数,以及它们对应的可调范围;
步骤S2、建立铝合金收口筒体的有限元分析模型,开展数值仿真计算,并结合实验验证数值计算准确度;
步骤S3、基于正交试验法对铝合金的材料性能及收口筒体(铝合金药筒)的结构参数进行采样,并进行有限元数值计算,构建铝合金收口筒体结构-性能数据库;
步骤S4、对获得的铝合金收口筒体结构-性能数据库进行机器学习,确定各参数间的映射关系,并进行铝合金收口筒体结构设计优化。
基于上述方案的进一步优化,所述步骤S1中关键材料性能参数包括铝合金屈服强度与失效应变,关键材料性能参数的可调范围为现役材料性能的±10%;关键结构参数包括收口筒体壁厚与底厚,关键结构参数的可调范围为现役筒体壁厚与底厚的±15%。
基于上述方案的进一步优化,所述步骤S2具体为:
步骤S21、采用参数化建模方法建立铝合金收口筒体的有限元分析模型:收口筒体有限元分析模型包括药筒与部分身管,首先,根据铝合金收口筒体的实际尺寸,在ABAQUS软件中建立筒体和身管的轴向截面,并绕轴向旋转截面生成四分之一模型;然后,采用六面体结构网格单元进行网格划分,对几何过度处的网格进行细化;之后,根据ABAQUS软件自动生成的建模执行日志文件(*.rpy)、创建Python脚本程序文件(*.py);最后,将步骤S1中确定的关键材料性能参数(即铝合金屈服强度与失效应变)及关键结构参数(即收口筒体壁厚与底厚)使用变量代替、形成Python脚本语言,完成收口筒体有限元分析模型的参数化建模;
步骤S22、根据实际工况设置收口筒体的边界条件、进行有限元数值模拟:约束身管的所有自由度,药筒外壁面与身管内壁面设置为面面接触;采用分段分布的形式将压力加载到药筒内表面,以模拟火药燃爆过程中膛压变化;
步骤S23、基于射击试验结果对收口筒体有限元模型的准确度进行标定:提取药筒内壁底部、腰部和喉部处的变化曲线,即变形随时间变化的曲线,并将其(即变化曲线)与射击试验后测得的变形量进行对比,获得相对误差Wx:
式中:Mn表示模拟结果所得的值(即模拟值),Mt表示试验后测试值(即试验值);
当相对误差Wx小于10%,收口筒体有限元模型的准确度满足需求,完成模型建立;否则,返回步骤S21中进行网格细化,以提高模型的计算准确度。
基于上述方案的进一步优化,所述步骤S3具体为:
步骤S31、在关键材料性能参数(即铝合金屈服强度与失效应变)与关键结构参数(即收口筒体壁厚与底厚)中的每个参数区五个位级,并通过L25(54)正交表,生成铝合金收口筒体仿真模拟方案;
步骤S32、根据步骤S31中得到的模拟方案进行有限元数值模拟,分析模拟方法对应的力学响应,计算收口筒体的质量g与结构破坏系数δ;当结构未发生破坏时,δ=0,当结构发生破坏时,δ=1;
步骤S33、以关键材料性能参数(即铝合金屈服强度与失效应变)与关键结构参数(即收口筒体壁厚与底厚)作为模型输入参数,以收口筒体的质量g与结构破坏系数δ作为模型输出结果,建立铝合金收口筒体结构-性能数据库。
基于上述方案的进一步优化,所述步骤S4具体为:
步骤S41、对铝合金收口筒体结构-性能数据进行预处理,并采用分层划分法将其划分为训练数据集与测试数据集;
步骤S42、构建铝合金收口筒体的结构-性能神经网络;
步骤S43、根据训练完成的铝合金收口筒体的结构-性能神经网络模型,以铝合金筒体结构未发生破坏且质量最小为优化目标,实现对铝合金筒体的结构优化。
基于上述方案的进一步优化,所述步骤S41中训练数据集与测试数据集的比例关系为4:1。
基于上述方案的进一步优化,所述步骤S41中预处理为归一化处理,具体为:
式中:Xn为归一化后的数据,X为原始数据,Xmax、Xmin分别为原始数据中的最大值和最小值;
通过归一化处理使得数据保持在[0,1]内。
基于上述方案的进一步优化,所述步骤S42具体为:
步骤S421、根据输入数据,确定输入层节点数、隐含层节点数、隐含层层数以及输出层节点数,给定学习速率与激励函数f(x):
步骤S422、训练铝合金收口筒体结构-性能神经网络模型,并根据测试数据集对训练完成的模型的泛化误差E进行测试:
式中:p(x)表示全集χ中x出现的概率(x可以是一个数据点,也可以是一个数据点的集合);y表示预测值,y表示目标值;
步骤S423、调整隐含层节点数与层数,筛选出泛化误差最小时的神经网络结构;
步骤S424、基于均方根误差与R2-score的评估标准对步骤S423筛选、训练完成的神经网络模型进行测试和评估,具体为:
式中:h(xj)表示神经网络测试值的第j个数据,h(xj)表示神经网络训练值的第j个数据;m表示训练样本数;
式中:表示数据均值。
以下是本发明方案所具备的技术效果:
本申请方法通过有效结合有限元分析与数据驱动算法进行数据相关性分析,通过以铝合金屈服强度与失效应变为关键材料性能参数、以及以收口筒体壁厚与底厚为关键结构参数,配合收口筒体的质量与结构破坏系数,从而构建铝合金收口筒体材料性能、结构与筒体质量、结构破坏之间的映射关系,进而实现不同材料性能下铝合金收口筒体结构的针对性优化。该方法能够有效避免实验优化影响因素冗杂、仿真模拟计算量大等问题,从而实现高效、快速、精确的完成铝合金收口筒体的结构优化,在保证成本的同时、确保铝合金收口筒体制备的弹壳或小口径炮弹壳体能够承受射击过程中产生的瞬时冲击载荷。
附图说明
图1为本申请实施例中铝合金收口筒体结构优化方法的流程图。
图2为本发明实施例中铝合金收口筒体的有限元模型示意图。
图3为本发明实施例中铝合金收口筒体有限元模拟结果示意图。
图4为本发明实施例中铝合金收口筒体结构优化结果示意图。
具体实施方式
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,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。
实施例:
参照下图1所示:一种耦合数值计算与机器学习的收口筒体结构优化方法,包括:
步骤S1、确定影响铝合金药筒使用性能的关键材料性能参数与关键结构参数,以及它们对应的可调范围;
关键材料性能参数包括铝合金屈服强度与失效应变,关键材料性能参数的可调范围为现役材料性能的±10%,本实施例中:以某型铝合金收口筒体材料为例,其屈服强度的范围为[540MPa,660MPa],失效应变范围为[6%,12%]。以药筒服役时应力/应变集中、裂纹萌生等薄弱区域的结构特征作为可优化结构参数,包括收口筒体壁厚与底厚,且关键结构参数的可调范围为现役筒体壁厚与底厚的±15%,本实施例中,收口筒体壁厚范围为[1mm,2mm],收口筒体底厚为[12mm,18mm]。
步骤S2、建立铝合金收口筒体的有限元分析模型,参见图2所示,开展数值仿真计算,并结合实验验证数值计算准确度,具体为:
步骤S21、采用参数化建模方法建立铝合金收口筒体的有限元分析模型:收口筒体有限元分析模型包括药筒与部分身管,首先,根据铝合金收口筒体的实际尺寸,在ABAQUS软件中建立筒体和身管的轴向截面,并绕轴向旋转截面生成四分之一模型;然后,采用六面体结构网格单元进行网格划分,对几何过度处的网格进行细化,单元个数大概为60万个;之后,根据ABAQUS软件自动生成的建模执行日志文件(*.rpy),创建Python脚本程序文件(*.py);最后,将步骤S1中确定的关键材料性能参数,即铝合金屈服强度与失效应变与关键结构参数即收口筒体壁厚与底厚使用变量代替,形成Python脚本语言,完成收口筒体有限元分析模型的参数化建模;
步骤S22、根据实际工况设置收口筒体的边界条件,进行有限元数值模拟:约束身管的所有自由度,药筒外壁面与身管内壁面设置为面面接触,切向摩擦系数设置为0.3;采用分段分布的形式将380MPa压力加载到药筒内表面,以模拟火药燃爆过程中膛压变化;
步骤S23、基于射击试验结果对收口筒体有限元模型的准确度进行标定:提取药筒内壁底部、腰部和喉部处的变化曲线,即变形随时间变化的曲线,并将其(即变化曲线)与射击试验后测得的变形量进行对比,获得相对误差Wx:
式中:Mn表示模拟结果所得的值(即模拟值),Mt表示试验后测试值(即试验值);
当相对误差Wx小于10%,收口筒体有限元模型的准确度满足需求,完成模型建立,本实施例中,相对误差为4.8%;否则,返回步骤S21中进行网格细化,以提高模型的计算准确度。
步骤S3、基于正交试验法对铝合金的材料性能及收口筒体(铝合金药筒)的结构参数进行采样,并进行有限元数值计算,其结果如图3所示,构建铝合金收口筒体结构-性能数据库,具体为:
步骤S31、在关键材料性能参数,即铝合金屈服强度与失效应变与关键结构参数,即收口筒体壁厚与底厚中的每个参数区五个位级,并通过L25(54)正交表,生成铝合金收口筒体仿真模拟方案;
步骤S32、根据步骤S31中得到的模拟方案进行有限元数值模拟,分析模拟方法对应的力学响应,计算收口筒体的质量g(采用本领域的常规计算方法计算收口筒体的质量,本实施例中不做过多论述)与结构破坏系数δ;当结构未发生破坏时,δ=0,当结构发生破坏时,δ=1;
步骤S33、以关键材料性能参数(即铝合金屈服强度与失效应变)与关键结构参数(即收口筒体壁厚与底厚)作为模型输入参数,以收口筒体的质量g与结构破坏系数δ作为模型输出结果,建立铝合金收口筒体结构-性能数据库。
步骤S4、对获得的铝合金收口筒体结构-性能数据库进行机器学习,确定各参数间的映射关系,并进行铝合金收口筒体结构设计优化,具体为:
步骤S41、对铝合金收口筒体结构-性能数据进行预处理,即进行归一化处理:
式中:Xn为归一化后的数据,X为原始数据,Xmax、Xmin分别为原始数据中的最大值和最小值;
通过归一化处理使得数据保持在[0,1]内。
并采用分层划分法将其划分为80%的训练数据集与20%的测试数据集;
步骤S42、构建铝合金收口筒体的结构-性能神经网络,具体为:
具体为:
步骤S421、根据输入数据,确定输入层节点数、隐含层节点数、隐含层层数以及输出层节点数,本实施例中:输入层节点数为4、隐含层节点数为5、隐含层层数为2、输出层节点数为2,给定学习速率(本实施例中学习速率为0.5)与激励函数f(x):
步骤S422、训练铝合金收口筒体结构-性能神经网络模型,并根据测试数据集对训练完成的模型的泛化误差E进行测试:
式中:p(x)表示全集χ中x出现的概率(x可以是一个数据点、也可以是一个数据点的集合);表示预测值,y表示目标值;
步骤S423、调整隐含层节点数与层数,筛选出泛化误差最小时的神经网络结构;
步骤S424、基于均方根误差与R2-score的评估标准对步骤S423筛选、训练完成的神经网络模型进行测试和评估,具体为:
式中:表示神经网络测试值的第j个数据,h(xj)表示神经网络训练值的第j个数据;m表示训练样本数;
式中:表示数据均值。
步骤S43、根据训练完成的铝合金收口筒体的结构-性能神经网络模型,以铝合金筒体结构未发生破坏且质量最小为优化目标,实现对铝合金筒体的结构优化。
参见图4所示:优化后的铝合金药筒质量轻且在给定工况下未发生破坏,满足药筒在超高压冲击工况下可靠工作的技术需求。
Claims (7)
1.一种耦合数值计算与机器学习的收口筒体结构优化方法,其特征在于:包括:
步骤S1、确定影响铝合金药筒使用性能的关键材料性能参数与关键结构参数,以及它们对应的可调范围;
步骤S2、建立铝合金收口筒体的有限元分析模型,开展数值仿真计算,并结合实验验证数值计算准确度;
步骤S3、基于正交试验法对铝合金的材料性能及收口筒体(铝合金药筒)的结构参数进行采样,并进行有限元数值计算,构建铝合金收口筒体结构-性能数据库;
步骤S4、对获得的铝合金收口筒体结构-性能数据库进行机器学习,确定各参数间的映射关系,并进行铝合金收口筒体结构设计优化。
2.根据权利要求1所述的一种耦合数值计算与机器学习的收口筒体结构优化方法,其特征在于:所述步骤S1中关键材料性能参数包括铝合金屈服强度与失效应变,关键材料性能参数的可调范围为现役材料性能的±10%;关键结构参数包括收口筒体壁厚与底厚,关键结构参数的可调范围为现役筒体壁厚与底厚的±15%。
3.根据权利要求1或2所述的一种耦合数值计算与机器学习的收口筒体结构优化方法,其特征在于:所述步骤S2具体为:
步骤S21、采用参数化建模方法建立铝合金收口筒体的有限元分析模型:收口筒体有限元分析模型包括药筒与部分身管,首先,根据铝合金收口筒体的实际尺寸,在ABAQUS软件中建立筒体和身管的轴向截面,并绕轴向旋转截面生成四分之一模型;然后,采用六面体结构网格单元进行网格划分,对几何过度处的网格进行细化;之后,根据ABAQUS软件自动生成的建模执行日志文件、创建Python脚本程序文件;最后,将步骤S1中确定的关键材料性能参数及关键结构参数使用变量代替,形成Python脚本语言,完成收口筒体有限元分析模型的参数化建模;
步骤S22、根据实际工况设置收口筒体的边界条件,进行有限元数值模拟:约束身管的所有自由度,药筒外壁面与身管内壁面设置为面面接触;采用分段分布的形式将压力加载到药筒内表面以模拟火药燃爆过程中膛压变化;
步骤S23、基于射击试验结果对收口筒体有限元模型的准确度进行标定:提取药筒内壁底部、腰部和喉部处的变化曲线,即变形随时间变化的曲线,并将其与射击试验后测得的变形量进行对比,获得相对误差Wx:
式中:Mn表示模拟结果所得的值,Mt表示试验后测试值;
当相对误差Wx小于10%,收口筒体有限元模型的准确度满足需求,完成模型建立;否则,返回步骤S21中进行网格细化、以提高模型的计算准确度。
4.根据权利要求1~3任一项所述的一种耦合数值计算与机器学习的收口筒体结构优化方法,其特征在于:所述步骤S3具体为:
步骤S31、在关键材料性能参数与关键结构参数中的每个参数区五个位级、并通过L25(54)正交表,生成铝合金收口筒体仿真模拟方案;
步骤S32、根据步骤S31中得到的模拟方案进行有限元数值模拟,分析模拟方法对应的力学响应,计算收口筒体的质量g与结构破坏系数δ;当结构未发生破坏时,δ=0,当结构发生破坏时,δ=1;
步骤S33、以关键材料性能参数与关键结构参数作为模型输入参数,以收口筒体的质量g与结构破坏系数δ作为模型输出结果,建立铝合金收口筒体结构-性能数据库。
5.根据权利要求1~3任一项所述的一种耦合数值计算与机器学习的收口筒体结构优化方法,其特征在于:所述步骤S4具体为:
步骤S41、对铝合金收口筒体结构-性能数据进行预处理,并采用分层划分法将其划分为训练数据集与测试数据集;
步骤S42、构建铝合金收口筒体的结构-性能神经网络;
步骤S43、根据训练完成的铝合金收口筒体的结构-性能神经网络模型,以铝合金筒体结构未发生破坏且质量最小为优化目标,实现对铝合金筒体的结构优化。
6.根据权利要求5所述的一种耦合数值计算与机器学习的收口筒体结构优化方法,其特征在于:所述步骤S41中预处理为归一化处理,具体为:
式中:Xn为归一化后的数据,X为原始数据,Xmax、Xmin分别为原始数据中的最大值和最小值;
通过归一化处理使得数据保持在[0,1]内。
7.根据权利要求5所述的一种耦合数值计算与机器学习的收口筒体结构优化方法,其特征在于:所述步骤S42具体为:
步骤S421、根据输入数据,确定输入层节点数、隐含层节点数、隐含层层数以及输出层节点数,给定学习速率与激励函数f(x):
步骤S422、训练铝合金收口筒体结构-性能神经网络模型,并根据测试数据集对训练完成的模型的泛化误差E进行测试:
式中:p(x)表示全集χ中x出现的概率;表示预测值,y表示目标值;
步骤S423、调整隐含层节点数与层数,筛选出泛化误差最小时的神经网络结构;
步骤S424、基于均方根误差与R2-score的评估标准对步骤S423筛选、训练完成的神经网络模型进行测试和评估,具体为:
式中:表示神经网络测试值的第j个数据,h(xj)表示神经网络训练值的第j个数据;m表示训练样本数;
式中:表示数据均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410033211.9A CN117828790A (zh) | 2024-01-08 | 2024-01-08 | 耦合数值计算与机器学习的收口筒体结构优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410033211.9A CN117828790A (zh) | 2024-01-08 | 2024-01-08 | 耦合数值计算与机器学习的收口筒体结构优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117828790A true CN117828790A (zh) | 2024-04-05 |
Family
ID=90505971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410033211.9A Pending CN117828790A (zh) | 2024-01-08 | 2024-01-08 | 耦合数值计算与机器学习的收口筒体结构优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117828790A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446601A (zh) * | 2018-10-12 | 2019-03-08 | 南京理工大学 | 一种弹丸起始扰动的不确定优化方法 |
CN116306108A (zh) * | 2023-02-16 | 2023-06-23 | 中国科学院力学研究所 | 一种基于自适应机器学习的聚能装药药型罩结构优化方法 |
WO2023168916A1 (zh) * | 2022-03-08 | 2023-09-14 | 太原理工大学 | 一种基于不锈钢极薄带退火工艺神经网络模型优化方法 |
-
2024
- 2024-01-08 CN CN202410033211.9A patent/CN117828790A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446601A (zh) * | 2018-10-12 | 2019-03-08 | 南京理工大学 | 一种弹丸起始扰动的不确定优化方法 |
WO2023168916A1 (zh) * | 2022-03-08 | 2023-09-14 | 太原理工大学 | 一种基于不锈钢极薄带退火工艺神经网络模型优化方法 |
CN116306108A (zh) * | 2023-02-16 | 2023-06-23 | 中国科学院力学研究所 | 一种基于自适应机器学习的聚能装药药型罩结构优化方法 |
Non-Patent Citations (2)
Title |
---|
付强: "半可燃药筒火炮密封结构多目标优化设计", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 2012, 15 July 2012 (2012-07-15), pages 032 - 56 * |
郭浩然;季茂荣;郭涛;武双章;: "基于BP神经网络遗传算法的药型罩优化", 中国矿业, no. 04, 15 April 2016 (2016-04-15), pages 108 - 111 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107992693B (zh) | 一种气缸盖可靠性寿命评价方法 | |
CN112487683B (zh) | 一种考虑残余应力影响的结构件高周疲劳寿命预测方法 | |
CN113591234B (zh) | 一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法 | |
CN110956004B (zh) | 多经验公式与bp神经网络模型融合的混凝土侵彻深度预测算法 | |
CN113987681A (zh) | 缺口-尺寸效应下耦合应变能梯度的结构疲劳寿命评估方法 | |
Jing et al. | Research on fatigue reliability assessment of engine cylinder head based on neural network | |
CN117828790A (zh) | 耦合数值计算与机器学习的收口筒体结构优化方法 | |
CN113283039B (zh) | 一种发动机排气系统优化方法、装置、介质及电子设备 | |
Tianle et al. | Warhead power assessment based on double hierarchy hesitant fuzzy linguistic term sets theory and gained and lost dominance score method | |
CN107256304B (zh) | 一种枪弹弹头发射强度可靠性评估方法 | |
CN115762653B (zh) | 基于进化算法和深度学习的燃料燃烧机理优化方法 | |
CN117034699A (zh) | 一种基于拉伸试验的金属疲劳s-n曲线预测方法 | |
Mahmud et al. | On the need to adopt strain-based probabilistic approach in predicting fatigue life | |
CN116050663A (zh) | 基于gd-dnn模型的岩爆烈度等级预测方法 | |
Li et al. | Design methods for the lethality of fragmentation warhead based on a multi-objective optimization algorithm | |
Wilson et al. | Implementation of MCEER TR 14-0006 blast load curves in LS-DYNA and benchmark to commonly practiced blast loading application methods | |
WO2024113485A1 (zh) | 一种子弹侵彻钢板场景下钢板强度参数的分析方法及装置 | |
CN114861358B (zh) | 一种考虑表面完整性状态的轮盘模拟件设计方法 | |
Grbović et al. | Influence of Corrosion on Parameters of Fracture Mechanics of Aluminium Alloys 2024-T351 and 7075-T651 | |
CN114626263B (zh) | 一种基于晶体塑性的高温合金材料短裂纹扩展数值模拟方法 | |
CN114925559B (zh) | 一种直升机尾传动轴被击穿后剩余承载能力评估方法 | |
CN116822153B (zh) | 一种基于灰色关联度的加速任务试车损伤等效评价方法 | |
Fašun et al. | A Fracture-Mechanics-Based Approach to the Analysis of the Structural Integrity of a Howitzer Cannon Barrel | |
CN110727999A (zh) | 一种基于应力及场强分析的优化设计轮盘模拟件的方法 | |
CN117171943A (zh) | 一种考虑缺陷分布规律的焊接接头疲劳寿命可靠性分析方法 |
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 |