异型网架结构分级优化方法及其工程应用

异型网架结构具有受力复杂、形体变化大和结构参数相关性强等特点,导致该类结构的优化分析一直是研究的难点。从异型网架结构的几何特征和受力特点出发,以异型网架结构重量最轻为优化目标,提出适合于异型网架结构的分级优化模型,即第一级基于网架结构的局部约束,进行满足杆件强度和稳定的截面优化;第二级基于网架结构的整体约束,完成结构位移和整体稳定等优化。将离散变量优化和相对差商法进行结合,给出了适应于异型网架结构分级优化的计算方法。基于上述研究成果,应用ANSYS软件及其参数化语言,编制了异型网架结构的分级优化程序。以某实际工程为研究对象,通过与网架设计通用软件MST的计算结果比较,表明并验证了该文异型网架结构分级优化方法的有效性和实用性。     

一种基于信息熵的分布参数结构传感器/激励器优化布置方法

针对用基于有限元方法的离散坐标体系研究传感器优化布置、所得仅为结构真实动力响应近似解直接影响传感器优化布置结果问题,提出基于贝叶斯统计系统识别方法与信息熵理论的分布参数结构传感器优化布置方法。以结构模型修正为目的,用贝叶斯统计系统识别方法识别结构模型参数最优值及不确定性程度,利用信息熵定量表征结构模型参数识别结果的不确定性程度;再将传感器优化布置问题转化为连续数值优化问题,以传感器位置为优化变量,通过遗传算法极小化模型参数识别结果的不确定性(即信息熵)识别传感器的最优布置位置;获得最大结构响应信息量,即识别结构模型参数的不确定性最小。通过双墩带弹性支撑的三跨连续梁桥数值仿真研究对该方法进行验证。     

基于全局灵敏度分析的某自动装填机构轻量化设计

针对某自动装填机构轻量化设计中出现参数多、模型计算量大等问题,提出将全局灵敏度分析与代理模型技术相结合的优化策略。通过基于Morris轨迹的全局灵敏度分析从32个系统参数中确定14个关键参数,基于拉丁超立方采样技术及径向基函数神经网络技术(Radial basis function neural networks, RBF NN)建立系统响应关于关键参数的代理模型,用多岛遗传算法对系统参数进行优化求解,致机构重量下降21.8%。数值检验结果表明仅含关键参数的代理模型预测精度较高,证明该方法在多参数复杂系统结构轻量化设计中的有效性。     

基于RBF神经网络的色空间转换模型

研究了RBF神经网络的结构及算法,应用RBF神经网络建立了打印机的色空间转换模型.根据实验数据,对网络结构进行了优化,通过比较不同参数时网络的性能,确定最优网络参数.最后对所建模型进行了仿真验证,验证结果表明,预测数据与实测数据的色差较小,说明该模型具有实用价值.     

用复模态综合和优化方法求解结构局部动力修改逆问题

本文提出一种结构局部动力修改逆问题的求解方法。该方法利用复模态综合建立结构在广义坐标下的动力学模型,然后在广义坐标下导出以局部结构参数为未知量的逆特征方程,最后用优化方法求出结构修改参数。数值算例表明,本文方法精度能满足工程设计要求。     

基于改进高斯径向基函数响应面方法的蜂窝板模型修正

用等效板理论计算蜂窝板等效结构参数建立基准有限元模型, 对基准模型中结构参数施加摄动量建立待修正有限元模型。根据均匀设计方法将等效参数分为不同水平的参数组, 分别计算各参数组对应的模态频率响应, 然后建立基于一次式-高斯组合径向基函数(Linear-Gaussian RBF)的响应面模型。引入变异算子的改进粒子群算法修正响应面模型, 将搜索到的参数摄动量(优化解)代入待修正模型, 得到修正后模型。通过比较基准模型与修正前后模型的结构参数和模态频率响应的接近程度, 证实了修正方法的有效性。基于响应面的模型修正避免了迭代中重复调用有限元计算, 可提高分析效率。      

基于整车多学科性能提升的轮胎优化设计

为了提升整车路噪、平顺性以及疲劳耐久综合性能，构造了序列近似多目标优化方法，结合虚拟试验场(virtual proving ground, VPG)技术对轮胎参数进行了优化设计。采用径向基函数代理模型建立了CDTire轮胎模型关键物理参数与整车多学科性能VPG仿真输出响应的显式数学关系，基于多目标粒子群优化算法与自适应补点方法持续更新代理模型迭代求解逐步逼近真实Pareto前沿。通过设计变量分类建立2步法优化模型，求解匹配轮胎模型参数后，车辆关键测点的全频段噪声均方根、最大振动加速度均值及疲劳损伤均值分别降低了1.6%,10.4%及3.8%,优化效果显著。     

RBF神经网络在显示器色空间转换中的应用

目的研究RBF神经网络对显示器色彩空间转换预测准确性的方法。方法通过编程借助Measure Tool软件自动测量获取建模和测试数据,通过反复测试选择建模合适的函数和参数,最后用RBF神经网络模型进行仿真实验,以获取较好的RGB转换到Lab色空间的转换模型。结果 RBF神经网络模型测试得到的色块平均色差达到0.75,最大色差达到19.7。结论该方法建模简单方便,网络训练速度快,转换精度高,对显示器色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

真空电弧炉炉体提升机构的ANSYS优化设计

本文结合我所实际样机VCF-3T悬臂式真空电弧炉,对炉体提升机构进行建模分析,把实际受力模型简化为力学模型,对主要承力部件(如立柱)受力分析,得到立柱应力最大部位及应力值。再对实际设备模型进行简化,建立有限元模型,将模型受力分析的应力云图与实际计算得到的数值进行对比,检验现有有限元模型的正确性。在此基础上,结合电弧炉结构尺寸间的关系,将现有几何模型参数化,得到参数化的电弧炉有限元模型。利用有限元分析中的优化模块,在模型满足强度、刚度等条件的基础上,对立柱、炉体的半径和厚度进行优化,使机械结构达到质量最轻、充分发挥材料的性能。同时,将VB语言运用于ANSYS调用分析界面,实现直观的人机界面系统,在产品系列化设计中,减少重复建模的工作量。文中采用的参数优化方法是结构优化设计理论方法的一个重要发展,将其运用到结构设计中具有重要的实用价值。     

基于遗传算法的复合材料层合板削层结构铺层优化

针对应力变化较大的碳纤维增强复合材料层合板,提出削层结构铺层分级优化模式。通过将结构分解为若干子铺层并对各子铺层的位置、尺寸、铺层数以及铺层顺序进行优化,得到了满足强度和可制造性要求且质量最小的结构设计方案。该模式的第1、2级优化利用参考层对各子铺层位置及尺寸进行优化,第3级优化通过引入3次样条插值参数化方法对各子铺层层数和铺层顺序进行优化。参考层的引入可减少设计变量的数量,3次样条插值参数化方法可解决以铺层角为设计变量时设计变量数目不确定的问题。利用有限元方法对结构进行力学分析计算,并依据Tsai-Wu准则确定结构强度。在第2、3级优化中利用遗传算法对优化问题进行求解。算例计算表明:削层结构铺层分级优化模式结果合理可信。与均匀铺层方法结果比较可知:削层结构可有效减少结构质量。     

基于神经网络焊接数值模拟研究及工艺参数优化

在有限元分析的基础上,利用RBF神经网络针对汽车后桥壳焊接过程中的工艺问题及焊接残余应力的影响进行了研究,利用正交试验找出焊接工艺参数的主要因素,利用MATLAB软件提供的径向基函数工具箱设计神经网络训练样本,采用有限元分析软件ANSYS对汽车后桥壳体焊接过程进行了模拟分析,分析结果与神经网络预测结果进行比较,得到不同焊接工艺参数组合下的最大残余应力值,获得提高焊接质量的优化焊接工艺参数．     

A Hybrid Method for Structural System Reliability‐Based Design Optimization and its Application to Trusses

Most research studies on structural optimum design have focused on single‐objective optimization of deterministic structures, while little study has been carried out to address multi‐objective optimization of random structures. Statistical parameters and redundancy allocation problems should be considered in structural optimization. In order to address these problems, this paper presents a hybrid method for structural system reliability‐based design optimization (SRBDO) and applies it to trusses. The hybrid method integrates the concepts of the finite element method, radial basis function (RBF) neural networks, and genetic algorithms. The finite element method was used to compute structural responses under random loads. The RBF neural networks were employed to approximate structural responses for the purpose of replacing the structural limit state functions. The system reliabilities were calculated by Monte Carlo simulation method together with the trained RBF neural networks. The optimal parameters were obtained by genetic algorithms, where the system reliabilities were converted into penalty functions in order to address the constrained optimization. The hybrid method applied to trusses was demonstrated by two examples which were a typical 10‐bar truss and a steel truss girder structure. Detailed discussions and parameter analysis for the failure sequences such as web‐bucking failure and beam‐bending failure in the SRBDO were given. This hybrid method provides a new idea for SRBDO of trusses. Copyright © 2015 John Wiley & Sons, Ltd.     

光纤陀螺刻度因子的建模方法

针对低精度光纤陀螺(FOG)刻度因子线性度较差的问题,提出了采用径向基函数(RBF)神经网络对刻度因子进行建模的方法,以减小光纤陀螺输出误差。通过测量数据对 RBF 神经网络进行训练,获得神经网络参数,根据神经网络结构和参数可以得到非线性刻度因子的解析表达式,将其作为刻度因子的模型,来提高 FOG 的精度。同时将 RBF 神经网络对刻度因子进行建模的结果与传统的建模结果进行了比较,验证了采用 RBF 神经网络对低精度刻度因子建模是非常有效的。     

大型结构自适应学习率RBF神经网络滑模分散控制研究

为了有效处理土木工程结构分散振动控制中子系统间相互影响力和外界荷载不确定性的影响,提出了自适应学习率RBF神经网络滑模分散控制算法（DALRBFSMC）。首先利用Lyapunov稳定性理论设计了仅依赖于子系统位移和速度响应反馈信息的滑模分散控制律,在此基础上,结合RBF神经网络理论和经典梯度下降法,引入Lyapunov函数,推导了调整RBF网络权值的自适应学习率,进而得到能实时调节滑模分散控制律切换增益项的自适应学习率RBF神经网络滑模分散控制算法（DALRBFSMC）。同时,针对子系统不同划分方式及子控制器之间存在重叠,提出了多种分散控制设计策略。对ASCE 9层Benchmark模型进行多种分散控制和集中控制设计。仿真分析结果表明,该分散控制算法适用于不同的分散控制策略,重叠分散控制策略较传统集中控制策略而言有更好的控制效果;同时能使分散控制系统内各作动器均处于功效最大状态。     

基于RBF神经网络的镍基TiN纳米复合镀层显微硬度预测

针对神经网络在预测复合镀层性能方面的应用情况,以及传统的BP神经网络存在缺陷;通过对RBF神经网络的基本原理和特点的研究,建立了利用RBF神经网络对Ni-TiN纳米复合镀层显微硬度进行预测的模型。通过实验数据验证了所建立的RBF神经网络模型具有很高的精确度,其最小相对误差可达0.62%,而且所建立的预测模型具有优化工艺参数的功能,对复合镀层的其它性能进行预测具有指导意义。     

基于BP和RBF神经网络对静电纺丝工艺参数的优化研究

针对静电纺丝在制备过程中易受到如聚合物含量、电压、推进速度和接收距离等工艺参数影响的问题,提出一种静电纺丝工艺参数的优化方法,以提升纳米纤维制备效率。以聚乳酸纳米纤维膜为研究对象,采用纤维直径为性能评价指标,设计实验获得训练和测试样本,借助BP(Back Propagation)和RBF(Radial Basis Function)神经网络构建不同工艺参数下的预测模型。结果表明：BP和RBF神经网络模型均能较好的对纤维直径进行预测,但RBF神经网络模型预测精度更高,其平均绝对误差(MAE)为12.125 nm,相对误差不超过7%。RBF神经网络建立的预测模型具有更高的稳定性,模型泛化能力更好,综合预测性能更加优越。所建立的模型可以帮助研究人员制备具有确定纤维直径的静电纺丝纳米纤维膜,实现对工艺参数的优化。     

基于多目标遗传算法的实验目标车底盘结构优化

在实际道路上开展实验目标车碰撞试验是智能汽车开发过程中的重要测试手段之一.为保证智能汽车的安全性,实验目标车的底盘必须具有抵抗较大碾压冲击的能力.由于实验目标车底盘的碾压过程涉及接触非线性和几何非线性等问题,仅基于仿真分析对其进行结构设计和优化存在较大困难.为此,首先采用显式非线性有限元法对实验目标车底盘的抗碾压性能进...     

基于保性能自适应RBF神经网络的MR半主动非线性鲁棒分散控制

该文针对模型参数不确定的非线性结构半主动分散控制问题进行研究。首先,采用退化Bouc-Wen滞回模型模拟层间恢复力,并考虑模型参数(质量、刚度和阻尼)不确定及子系统间的耦合项,建立了子控制系统误差状态方程;在此基础上,设计了由保性能控制项和自适应逼近控制项构成的子控制器,其中,保性能控制项通过求解转化为线性矩阵不等式的保性能控制问题得到,逼近控制项通过RBF神经网络自适应控制律确定,同时利用Lyapunov稳定性理论对其稳定性及权值有界性进行证明;从而建立了适用于不确定结构非线性振动控制的保性能自适应RBF神经网络鲁棒分散控制(GCARBF)算法。最后,对一8层非线性结构进行MR半主动分散控制设计及0.3 g~0.8 g地震下仿真分析,结果表明了所提算法的有效性与优越性。     

水声信号预测的神经网络方法

水声信号的局部可预测性在水声信号处理中具有重要作用,它是解决非平稳信号检测问题的基础。基于非线性时间序列局部可预测性原理,采用人工神经网络技术,研究了水声信号的神经网络预测,讨论了预测模型的建立和网络结构参数的设计。分别采用BP网络和RBF网络对实际舰船水声信号进行预测,通过对仿真数据和实际舰船辐射噪声数据预测的结果分析,得出了两种网络预测模型的误差分布,提出了减小预测误差的有效方法。为今后进一步开展水声信号预测研究奠定了基础。     

基于OLS算法的RBF神经网络在大坝安全监测中的应用

文章介绍了RBF网络的基本原理以及网络中心选取OLS算法（正交最小二乘法）,并将该方法应用于大坝渗流安全监测资料的分析预报上,应用结果表明：该神经网路可以很好地克服BP神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷,具有较快的运算速度、较强的非线性映射能力和较好的预报功能。