一种基于神经网络的梁大变形的受力点预测方法与流程

文档序号：18835050发布日期：2019-10-09 04:58阅读：276来源：国知局

本发明涉及刚性梁大变形的受力点预测研究，特别是涉及基于神经网络的梁大变形的受力点预测方法。

背景技术：

梁按照结构力学属性可分为：静定梁和超静定梁，静定梁有简支梁、外伸梁，悬臂梁、多跨静定梁(房屋建筑工程中很少用，路桥工程中有使用)；超静定梁有单跨固端梁、多跨连续梁。梁广泛应用于各类工程应用中，例如汽车中的纵梁、龙门吊中的轨道梁、飞机中的大梁和机翼梁等，许多研究人员针对这些梁也做了大量的研究工作。实际工程应用中的梁经常受未知外力作用而发生难以恢复原状的塑性变形，由于这些破坏造成的修复和重建的成本较大，甚至有可能危害到人的生命安全。因此，要达到正确的设计这些结构的抗冲击载荷是至关重要的。为了实现设计目标，准确地预测冲击载荷也是至关重要的。另外，根据预测得到的抗冲击载荷除了可以更好修复梁的变形，还可以给设计者提供重要的设计依据。

技术实现要素：

技术问题：本发明的目的是针对实际工程应用中静定梁或超静定梁所受冲击载荷问题，准确地预测梁所受到的冲击载荷，以用来正确的设计这些工程梁，并保证其结构强度和安全性。其次，针对以往工程中存在的梁破坏变形，却无法判断其受到的破坏载荷和受力点位置的问题，本发明所提供的方法解决了此问题，可以有效判断出梁变形所受到的破坏载荷和受力点位置。除此之外，针对一般情况下的变形预测算法所采用的样本容量较少、预测精度低等问题。本发明中提供了一种正向训练扩展样本的新方法。针对以上问题，本发明提出一种基于神经网络的梁大变形的受力点预测方法。

技术方案：本发明所涉及的一种基于神经网络的梁大变形的受力点预测方法，其具体技术方案实现如下：

步骤一、建立有限元模型并分析(s1)，通过对已知梁有限元模型施加已知位置和大小的力，使梁产生塑性变形，通过有限元分析获得梁变形后的形状特征曲线；具体步骤如下：

(1)模型创建：对梁的有限元分析模型添加初始约束，通对梁施加已知作用位置和大小的力，使梁产生塑性变形，对梁进行显示动力学分析；

(2)模型材料参数的设置：根据选择模型材料，设置其模型的几何尺寸参数和材料性能参数；

(3)分析步设置：将梁模型所受作用力设置为四个分析步，第一个分析步为作用力加载阶段，第二个分析步为作用力加载稳定阶段，第三个分析步为作用力的释放阶段，第四个分析步为作用力完全释放后的梁模型发生塑性变形的回弹阶段；

(4)网格划分：将梁模型按一定间距划分为网格；

(5)载荷加载：对梁模型中任选点施加集中载荷，作为一个模型样本；

(6)提交运算：在有限元软件中新建job文件，并提交运算得出梁模型发生塑性变形的形状特征曲线；

步骤二、特征曲线形状的表达式拟合(s2)，将梁变形后的形状特征曲线用多项式表达式进行拟合；具体步骤如下：

(1)建立笛卡尔坐标系：选择梁的一端面的中心点作为坐标系原点o，建立笛卡尔坐标系；

(2)提取样本点：对每一个样本，按横坐标等距提取变形后曲线上的坐标点；

(3)设定拟合的确定性系数r-square数值范围在0.9～1之间，再确定多项式最高次幂；

(4)曲线函数拟合：根据提取出的坐标点，使用多项式函数对变形后的特征曲线进行拟合；

步骤三、数据预处理(s3)，对力的位置、大小和拟合后的多项式系数数据进行归一化处理；具体步骤如下：采用mapminmax函数分别对力的位置、大小和拟合后的多项式系数数据进行归一化处理；

步骤四、建立学习样本神经网络模型(s4)，用归一化处理后的力的位置与大小作为学习样本神经网络的输入，用归一化处理后的多项式表达式系数作为学习样本神经网络的输出，建立学习样本神经网络模型；具体步骤如下：

(1)输入训练：输入已经处理好的模型样本数据进行神经网络训练，此时构建的是力的位置、大小作为输入层和多项式表达式系数作为输出层之间的关系模型；

(2)构建bp神经网络，设置网络参数：神经网络层数设置为4层，输入层数1个，隐含层数2个，输出层数1个，所设置的神经网络的输入层为力的位置坐标参数量fx、fy、fz和力的载荷参数量px、py、pz，两层隐含层的传递函数为tansig和longsig，输出层是多项式表达式系数ai；

(3)设置训练参数，并对网络进行训练：设置最大训练次数n1，设置训练精度要求ε1，设置最小梯度d1；

步骤五、学习样本神经网络训练并达到训练精度要求(s5)；具体步骤如下：

(1)对建立好的学习样本神经网络进行反复训练，并不断调整网络参数对学习样本神经网络进行训练；

(2)根据训练结果，当学习样本神经网络训练精度δ1低于训练精度要求ε1时，停止训练；

步骤六、扩充样本容量(s6)，使用训练合格的学习样本神经网络进行样本的深度学习，扩充模型样本容量；具体步骤如下：

(1)使用拉丁超立方实验设计方法，设计学习样本神经网络的输入样本数量为na；

(2)将使用拉丁超立方实验设计方法设计出的输入样本全部输入到训练合格的学习样本神经网络中，得到对应的输出层样本，保存扩充后的样本数据；

步骤七、建立预测神经网络模型(s7)，使用扩充后的样本，用其多项式表达式系数作为预测神经网络的输入，用梁所受力的位置与大小作为预测神经网络的输出，建立预测神经网络模型；具体步骤如下：

(1)输入训练：输入扩充样本数据，此时构建的是多项式表达式系数作为输入层和力的位置、大小作为输出层之间的关系模型；

(2)构建bp神经网络，设置网络参数：神经网络层数设置为4层，输入层数1个，隐含层数2个，两层隐含层的传递函数为tansig和tansig，输出层数1个，所设置的神经网络的输入层是多项式表达式系数ai，输出层为力的位置坐标参数量fx、fy、fz和力的载荷参数量px、py、pz；

(3)设置训练参数，并对网络进行训练：设置最大训练次数n2，设置训练精度要求ε2，设置最小梯度d2；

步骤八、预测神经网络训练并达到训练精度要求(s8)；具体步骤如下：

(1)对建立好的预测神经网络进行反复训练，并不断调整网络参数对预测神经网络进行训练；

(2)根据训练结果，当预测神经网络训练精度δ2低于训练精度要求ε2时，停止训练；

步骤九、预测梁大变形的受力的位置与大小(s9)；具体步骤如下：

(1)输入变形后的梁形状的多项式表达式系数，对多项式表达式系数进行归一化处理后输入到预测神经网络中，输出预测值；

(2)将神经网络预测的预测值与原始数据进行比较验证，设定预测的位置和载荷的误差ε3，当位置相对误差δp和载荷相对误差δf均小于设定误差ε3，预测算法的精确性得到验证，否则调整神经网络参数再次进行训练，直至达到误差要求。

发明效果：

(1)采用上述方案，对实际工程中应用的静定梁或超静定梁进行简化后，通过训练合格的神经网络，在预测神经网络中输入梁任意变形曲线的多项式表达式的系数，即可快速得到梁的受力位置和大小，解决了一般情况下只解决变形而未解决梁变形受力的问题；

(2)本发明通过学习神经网络的正向训练，增大了预测神经网络样本的容量，使预测神经网络的训练样本数量增大，从而使预测神经网络的训练可以达到较好的精度，解决了一般情况下样本容量小、样本不足的问题；

(3)本发明提出的预测算法为处理梁产生非线性或塑性变形的受力点求解问题，提供了一种新的思路和方法；

(4)本发明方法可以有效快速地预测梁的受力点位置和载荷大小，提高的计算效率，对于实际工程中的梁大变形预测具有一定指导的意义。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，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是本发明的一种基于神经网络的梁大变形的受力点预测方法技术流程图；

图2是本发明的学习样本的神经网络模型示意图；

图3是本发明的受力点预测的神经网络模型示意图；

图4是本发明详细的一种基于神经网络的梁大变形的受力点预测流程图；

附图标记说明：

s1—建立有限元模型并分析；s2—特征曲线形状的表达式拟合；s3—数据预处理；s4—建立学习样本神经网络模型；s5—学习样本神经网络训练并达到训练精度要求；s6—扩充样本容量；s7—建立预测神经网络模型；s8—预测神经网络训练并达到训练精度要求；s9—预测梁大变形的受力点；a—输入层；b—隐含层；c—输出层；fx—载荷在x轴上的分量；fy—载荷在y轴上的分量；fz—载荷在z轴上的分量；px—受力位置对应的x坐标值；py—受力位置对应的y坐标值；pz—受力位置对应的z坐标值；ai—多项式系数值。

具体实施方式

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

下面结合附图和实施例对本发明进行详细的描述。

如图1所示是一种基于神经网络的梁大变形的受力点预测方法，该预测方法具体实施步骤如下：

步骤一、建立有限元模型并分析(s1)，通过对已知梁有限元模型施加已知位置和大小的力，

使梁产生塑性变形，通过有限元分析获得梁变形后的形状特征曲线；具体步骤如下：