针对传统确定性拓扑优化方法在处理载荷不确定性时可能导致结构应力敏感的问题,提出一种基于速度场水平集框架的结构应力最小化鲁棒性拓扑优化方法.首先,采用P范数函数对结构最大应力进行全局度量.进而通过多项式混沌展开法(polynomialc...针对传统确定性拓扑优化方法在处理载荷不确定性时可能导致结构应力敏感的问题,提出一种基于速度场水平集框架的结构应力最小化鲁棒性拓扑优化方法.首先,采用P范数函数对结构最大应力进行全局度量.进而通过多项式混沌展开法(polynomialchaosexpansion,PCE)建立载荷不确定性下结构最大应力随机响应的代理模型,并直接从PCE展开系数解析提取最大应力的均值与标准差,建立以二者线性组合最小化为目标的鲁棒性拓扑优化模型,从而兼顾应力性能的平均表现与波动程度.在优化过程中,采用速度场水平集方法描述结构边界的演化,结合直接微分法与伴随变量法,推导了全局最大应力统计矩对速度设计变量的解析灵敏度,为拓扑演化提供精确梯度信息,并引入全局收敛移动渐近线法(globally convergent method of moving asymptotes,GCMMA)实现设计变量的高效更新.为验证所提方法的有效性与稳定性,通过两个典型数值算例开展系统仿真,并结合蒙特卡罗模拟(Monte Carlo simulation,MCS)对优化结果进行对比分析.此外,还讨论了权重系数、载荷变异系数及体积约束限值对最终构型与应力性能的影响规律.展开更多
准确构建螺栓连接处的非线性滞回曲线模型对卫星承重结构的减振和安全性能评估至关重要。传统计算模型的时域分析方法需要大量时间成本,典型的数据驱动模型难以构建高精度的滞回模型。针对上述挑战,提出了一种新的残差改进的深度学习算...准确构建螺栓连接处的非线性滞回曲线模型对卫星承重结构的减振和安全性能评估至关重要。传统计算模型的时域分析方法需要大量时间成本,典型的数据驱动模型难以构建高精度的滞回模型。针对上述挑战,提出了一种新的残差改进的深度学习算法RIDLA(Residual Improvement Deep Learning Algorithm),用于构建螺栓连接处位移与力的滞回曲线模型。该算法充分利用长短期记忆(LSTM)神经网络拟合时间序列非线性关系的能力,通过实测响应与计算残差之间的交互迭代,构建了多级别的残差改进深度学习模型,从而实现了对螺栓连接处滞回模型的准确建模。使用某卫星承重结构的子部件循环加载实验数据验证了RIDLA方法的性能。结果表明RIDLA实现了对螺栓连接处的位移和力滞回曲线高度精确的预测。此外,RIDLA方法有可能应用于预测其他复杂非线性系统的动态响应。展开更多
文摘针对传统确定性拓扑优化方法在处理载荷不确定性时可能导致结构应力敏感的问题,提出一种基于速度场水平集框架的结构应力最小化鲁棒性拓扑优化方法.首先,采用P范数函数对结构最大应力进行全局度量.进而通过多项式混沌展开法(polynomialchaosexpansion,PCE)建立载荷不确定性下结构最大应力随机响应的代理模型,并直接从PCE展开系数解析提取最大应力的均值与标准差,建立以二者线性组合最小化为目标的鲁棒性拓扑优化模型,从而兼顾应力性能的平均表现与波动程度.在优化过程中,采用速度场水平集方法描述结构边界的演化,结合直接微分法与伴随变量法,推导了全局最大应力统计矩对速度设计变量的解析灵敏度,为拓扑演化提供精确梯度信息,并引入全局收敛移动渐近线法(globally convergent method of moving asymptotes,GCMMA)实现设计变量的高效更新.为验证所提方法的有效性与稳定性,通过两个典型数值算例开展系统仿真,并结合蒙特卡罗模拟(Monte Carlo simulation,MCS)对优化结果进行对比分析.此外,还讨论了权重系数、载荷变异系数及体积约束限值对最终构型与应力性能的影响规律.
文摘准确构建螺栓连接处的非线性滞回曲线模型对卫星承重结构的减振和安全性能评估至关重要。传统计算模型的时域分析方法需要大量时间成本,典型的数据驱动模型难以构建高精度的滞回模型。针对上述挑战,提出了一种新的残差改进的深度学习算法RIDLA(Residual Improvement Deep Learning Algorithm),用于构建螺栓连接处位移与力的滞回曲线模型。该算法充分利用长短期记忆(LSTM)神经网络拟合时间序列非线性关系的能力,通过实测响应与计算残差之间的交互迭代,构建了多级别的残差改进深度学习模型,从而实现了对螺栓连接处滞回模型的准确建模。使用某卫星承重结构的子部件循环加载实验数据验证了RIDLA方法的性能。结果表明RIDLA实现了对螺栓连接处的位移和力滞回曲线高度精确的预测。此外,RIDLA方法有可能应用于预测其他复杂非线性系统的动态响应。
