一种基于图像特征学习的曲线加筋结构布局智能设计方法与流程

本发明属于工程薄壁加筋结构设计领域，尤其涉及一种基于图像特征学习的曲线加筋结构布局智能设计方法。

背景技术：

曲线加筋布局设计由于具有更大的结构设计空间，会使得加筋结构的刚度分布、加载路径更加灵活，提高结构的承载效率，因此成为运载火箭、飞机、船舶等工程领域的研究热点。然而相对于传统的直线加筋结构，曲线加筋结构的路径表征函数更加复杂，导致设计变量爆炸式增长，进而严重地制约了曲线加筋结构布局优化设计，尤其对于设计变量数目动态变化的曲线加筋结构，基于传统代理模型的结构优化设计方法更加难以开展。

技术实现要素：

针对曲线加筋结构布局优化设计中出现的诸多难点，本发明提出一种基于图像特征学习的曲线加筋结构布局智能设计方法，通过搭建深度学习网络提取曲线路径布局图像的结构特征，进一步优化曲线加筋结构布局设计，解决了传统优化方法所面临的困难，并为相关领域提供一种有效可行的方法。

为了达到上述目的，本发明采用的技术方案如下：

一种基于图像特征学习的曲线加筋结构布局智能设计方法，包括以下步骤：

步骤100：选取曲线加筋路径函数生成图像集，输入自编码网络进行无监督学习训练，完成曲筋图像结构特征的提取，包括以下子步骤：

步骤101：选取路径函数b(t)，并确定加筋薄壁结构路径函数设计变量，如式(1.1)所示；

b(t)＝(1-t)²ps(xs,ys)+2t(1-t)pm(xm,ym)+t²pe(xe,ye),t∈[0,1](1.1)

其中，b(t)为路径函数，t为路径函数控制变量，ps(xs，ys)为路径起点坐标，pm(xm，ym)为路径内一点坐标，pe(xe，ye)为路径终点坐标；

步骤102：对曲线加筋结构路径函数进行限定，具体的：根据结构不同边界类型组合确定路径函数类型，并对曲线加筋结构路径函数的设计域空间进行约束；

步骤103：生成曲线加筋结构布局的图像集，具体的：确定每张曲线加筋结构图像的大小m*n，生成无监督学习训练所用的训练图像集n0；

步骤104：搭建对曲线加筋结构布局图像的解码网络模型e和编码网络模型d；

步骤105：将图像解码网络模型e和编码网络模型d进行组合，形成自编码网络模型；

步骤106：将曲线加筋布局图像集n0输入自编码网络模型；

步骤107：完成自编码网络模型对曲线加筋图像集n0的训练过程；

步骤108：提取自编码网络模型训练后的解码网络模型e；

步骤200：建立曲线加筋结构力学响应的分析模型，形成用于有监督学习训练的数据集，进一步输入由步骤108解码网络模型和全连接层搭建的卷积神经网络模型，完成曲线加筋结构力学响应的学习，包括以下子步骤：

步骤201：根据曲线路径函数b(t)建立曲线加筋结构模型；

步骤202：设置结构位移载荷边界条件，进行结构力学响应分析；

步骤203：生成用于学习模型训练及检验的训练集、测试集图像，具体的：确定每张曲线加筋结构图像的大小m*n，根据图像对应结构力学响应，生成用于有监督学习模型训练及检验的训练集n1、检验集n2；另外设置用于模型优劣的评价标准，如式(1.2)所示，选取均方根(％rmse)作为模型的误差评估；

其中，n为样本数量，yi为结构响应值，为模型预测值；

步骤204；由步骤108的解码网络模型e和两个全连接层搭建卷积神经网络模型f；

步骤205：将含力学响应标签的训练集n1输入卷积神经网络模型f中进行训练；

步骤206：根据检验集n2对卷积神经网络模型f的准确性进行判定，完成卷积神经网络对曲线加筋结构力学响应的训练过程；

步骤300：基于步骤206对曲线加筋结构力学响应预测的卷积神经网络模型f，利用演化类算法完成曲线加筋结构布局的优化设计，包括以下子步骤：

步骤301：搭建演化类算法优化框架，优化迭代起始首先生成初始曲线加筋图像集ng；

步骤302：将图像集ng输入由步骤206提取的卷积神经网络模型f中；

步骤303：利用演化类算法在所建立的卷积神经网络模型f上寻优获得新样本点k；

步骤304：由获得的样本点k建立曲线加筋结构模型，并通过力学响应分析进行标记；

步骤305：将新样本点k补充到训练图像集ng形成图像集ng+k，进一步输入步骤206中的卷积神经网络模型f进行重新训练；

步骤306：将重新训练的卷积神经网络模型代替步骤302中的卷积神经网络模型f，继续开展演化类算法的优化过程；

步骤307：判断当前优化过程是否达到算法收敛条件，如果收敛，输出最优设计变量，否则，返回执行步骤301，其中所述的收敛条件为达到优化算法的最大迭代次数。

进一步，所述的步骤101中，选取的路径函数需要约束函数曲率不能过大且函数中间路径不能超出平板设计区域，包括但不限于与样条函数。

进一步，所述的步骤103中，所述图像集中结构图像像素大小不固定，可根据具体研究结构的复杂性自行调整。

进一步，所述的步骤104和步骤105中，搭建自编码网络模型所用的网络结构及超参数均设置可根据具体的研究问题自行调整。

进一步，所述的步骤202中，结构的力学响应包括静力、动力或结构屈曲等响应特征，所用到的分析方法可以是有限元分析法、边界元分析法、等几何分析法和无网格法等类似分析方法。

进一步，所述的步骤203中，生成的训练集、测试集中的样本数量的设定可根据研究问题自行调整，采用的模型误差评估需要具有全局性，包括但不局限于％rsme。

进一步，所述的步骤205中，卷积神经网络模型随着训练步数的增加误差会逐渐地收敛，训练步数的设置可根据整体优化问题复杂性及模型收敛速度的综合优化效率自行调整。

进一步，所述的步骤301中的演化类算法包括：遗传算法，模拟退火算法，人工神经网络算法，粒子群算法以及蚁群算法等类似优化方法。

进一步，所述的步骤301至步骤307过程，需要对固定数目筋条和可变数目筋条分别进行优化，在可变数目筋条结构开展优化布局设计过程中，由于步骤100和步骤200形成的卷积神经网络已对曲筋图像完成结构特征力学响应的学习过程，无需额外生成可变筋条的训练集，只需基于可变筋条的程序代码重新开展步骤301至步骤307的优化过程，即可实现筋条数目动态可变的曲线加筋布局优化设计。

本发明的有益效果是：提出一种基于图像特征学习的曲线加筋结构布局智能设计方法，搭建了由曲线路径表征图像到结构力学响应预测的卷积神经网络模型，进一步将该模型应用在曲线加筋结构布局的优化设计中。相较于传统的代理模型优化方法，基于曲线加筋图像的深度学习网络模型具有更好的结构响应预测效果，且以此开展的曲线布局优化得到可行的最优解。本发明有望成为工程结构中涉及部件布局优化设计问题的最具潜力的方法之一。

附图说明

图1为本发明实施例提供的基于图像特征学习的曲线加筋布局智能设计方法的实现流程图；

图2为图像特征学习网络的结构图；图2(a)为对图像进行编码及解码的自编码网络模型结构；图2(b)为将自编码中的编码部分网络与全连接网络连接而成的卷积神经网络模型，图中的数值变化表示输入图像经过逐层处理的图像大小变化；

图3为自编码网络模型训练过程的收敛图；

图4为对输入的曲线加筋图片经过自编码20000步自学习训练后的效果展示图；图4(a)为曲线加筋结构输入图像，图4(b)为经过自编码网络模型学习训练后的输出图像；

图5为算例边界条件示意图；图中数值代表载荷大小；

图6为固定筋条数目图像样本集的质量轻量化优化过程；

图7为可变筋条数目图像样本集的质量轻量化优化过程。

具体实施方式

为使本发明解决的技术问题、采用的技术方案和达到的技术效果更为详尽，下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了本发明相关的部分而非全部内容。

图1为本发明实例提供的针对曲线加筋结构布局的图像特征学习智能设计方法实现流程图。本发明中涉及的图像以及深度学习网络均是基于python语言的tensorflow环境生成的，本发明实施例提供曲线加筋结构布局智能设计的图像特征学习过程包括：

步骤100：选取二次贝塞尔样条函数作为加筋路径函数，根据加筋薄壁结构设计域空间对路径函数的设计变量进行约束，生成用于无监督学习训练的图像集，进一步输入由多个卷积层和池化层搭建的自编码网络，经过训练得到对图像结构特征提取的自编码网络模型，包括以下子步骤：

步骤101：基于二次贝塞尔样条函数，确定加筋路径函数控制参数，具体如式(1.1)所示，其中b(t)为路径函数，t为路径函数控制变量，ps(xs，ys)路径起点坐标，pm(xm，ym)为路径内一点坐标，pe(xe，ye)为路径终点坐标；

b(t)＝(1-t)²ps(xs,ys)+2t(1-t)pm(xm,ym)+t²pe(xe,ye),t∈[0,1](1.1)

步骤102：根据曲线加筋路径起点和终点所在的不同边界组合，确定六种加筋路径类型，选取四种类型进行组合得到由20个变量控制的曲线加筋结构，再根据加筋薄壁结构的设计空间对加筋变量进行约束限定；

步骤103：基于曲线路径函数类型的生成10000张表征路径布局的图像集n0，并且设置每张图像大小为64*64；

步骤104：由三个卷积层和三个池化层搭建图像解码网络模型e，由三个卷积搭建图像编码网络模型d，组合形成图像自学习的自编码网络模型，具体网络模型结构如图2(a)所示；

步骤105：调整自编码网络模型中的超参数，例如：学习率0.001、卷积核大小3*3、数据输入批量100、训练步数20000等，并确定loss函数类型，如式(1.3)所示，其中n为数据训练输入批量，o⁽ⁿ⁾为自编码网络输入图像，y⁽ⁿ⁾为自编码网络输出图像；

步骤106：将步骤103中的10000张曲线加筋图像集n0进行分批次输入步骤105中的自编码网络模型训练；

步骤107：完成图像训练过程，训练过程如图3所示，经过20000步的自编码网络模型训练，图像自学习的训练效果如图4所示；

步骤108：提取自编码网络模型训练后的解码网络模型e；

步骤200：根据曲线路径类型函数创建有限元模型，进行结构线性屈曲分析得到用于有监督学习训练的数据集，进一步输入由步骤108解码网络模型和两个全连接层搭建的卷积神经网络模型，经过训练完成由结构质量、屈曲特征值响应的学习过程，包括以下子步骤：

步骤201：根据步骤101确定的曲线加筋路径函数，通过abaqus商用软件建立变筋条数目、固定筋条数目的有限元数值模型。本例中的加筋薄壁结构的尺寸为629.6*731.2mm的平板，蒙皮厚度为1.5mm，加筋肋的高度和宽度分别为18.0mm和2.4mm，结构材料为铝2139，其弹性模量为72.50gpa，泊松比为0.3，密度为2.8e-6kg/mm³。

步骤202：如图5所示，设置四边简支位移边界条件，设置轴剪组合载荷边界条件，四边施加单位1剪力，上下边施加单位1轴力，左右边施加不均匀轴力，如式(1.4)和式(1.5)所示，其中pleft为左边轴力，pright为右边轴力，l为曲线加筋板的高度，进一步完成曲线加筋结构的有限元线性屈曲分析；

步骤203：在设计域空间中采用拉丁超立方方法独立采样5次，生成5组250张含标签(质量、屈曲特征值)的曲线加筋结构图像，选一组图像集作为训练集n1，其他四组作为测试集进行交叉检验n2，选取均方根误差(％rmse)作为模型的误差评估，如式(1.2)所示,其中n为样本数量，yi为结构响应值，为模型预测值；

步骤204；由步骤108提取的解码网络模型e和两层全连接层搭建卷积神经网络模型；

步骤205：将含有标签的训练集喂入卷积神经网络模型训练，设置学习率0.005、数据输入批量100、训练步数1000，训练过程仅对最后两个全连接层中的参数进行训练调整；

步骤206：完成多组图像集的训练过程，并提取训练后的卷积神经网络模型；

步骤300：基于步骤206对曲线加筋结构质量、屈曲特征值预测的卷积网络模型，利用遗传优化算法，选取曲线加筋结构屈曲特征值不大于8.40作为约束条件，开展结构质量轻量化曲线加筋布局优化设计，包括以下子步骤：

步骤301：搭建遗传算法优化框架，优化迭代起始首先设置初始种群数150个，遗传代数15代，最大优化次数50次，生成初始种群曲线加筋图像集ng，其中每张图像大小为64*64；

步骤302：将初始种群生成的图像集ng输入由步骤206中提取的卷积神经网络；

步骤303：利用卷积神经网络模型开展基于遗传算法的曲线加筋结构布局优化设计，寻优获得新的样本点k；

步骤304：由获得的样本点k建立有限元模型，并进行结构线性屈曲分析检验，完成对样本点图像的标记；

步骤305：由获得的样本点k生成64*64大小的图像，并补充到训练图像集，进一步将扩充后的图像集ng+k输入步骤206中的卷积神经网络进行重新训练；

步骤306：将重新训练后的卷积神经网络模型代入步骤302中的卷积神经网络模型f继续进行遗传算法优化；

步骤307：判断遗传算法优化过程是否达到最大迭代次数收敛，如果收敛，输出最优设计变量及结构屈曲特征值，否则，返回执行步骤305。

针对薄壁曲线加筋结构布局设计问题，本发明设计了曲线加筋路径表征图像特征学习方法，充分地挖掘了结构图像中的结构信息，搭建的卷积神经网络模型对结构质量及屈曲特征值响应的预测均方根误差均在5％左右，极大程度地保证了曲线加筋结构布局设计问题中的模型精度。利用卷积神经网络模型开展基于遗传算法的曲线加筋结构质量轻量化设计，对比样本中的最轻质量0.133，基于卷积神经网络的质量轻量化最优结果为0.100，减重比例达到24.8％，另外开展可变筋条的质量轻量化最优结果为0.0954，减重比例28.3％。本发明是基于结构图像特征提取的深度学习方法，相较于传统代理模型优化方法，显著地提高多变量复杂结构优化问题中的模型精度，并且获得了结构力学承载效率更高的曲线加筋布局设计。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部技术特征进行等同替换，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范围。