参数寻优有限元融合机器学习修正的结构热变形建模方法

本发明属于工程结构变形监测领域，具体涉及一种参数寻优有限元融合机器学习修正的结构热变形建模方法。

背景技术：

1、大型复杂航空航天复合材料等工程结构，比如星载大型可展开天线，在实际服役过程中由于高低温变化或者非均匀的温度分布会产生热力耦合，将引发复杂的结构热变形，严重影响结构功能和安全。亟需对复杂航空航天结构进行在线实时变形监测，以保障结构安全和可靠运行。

2、研究结构在线变形监测算法首先需要有效的建模方法，以对热载荷下的结构进行有限元热变形建模，从而分析结构在热变形下的变形模式、应力应变分布，指导在线变形监测技术研究。现有常规有限元建模技术主要根据结构材料型号查阅手册或者通过标准试验试验设定经验材料参数，同时对热载荷以及边界条件进行经验假设，构建热载荷下结构热变形有限元模型。

3、然而由于航空航天复合材料结构形式复杂，特别是蜂窝、夹芯等复合材料结构，由多种属性不同的材料组成，结构材料特性分散性大。而且由于制造工艺的不确定性，复合材料结构不同区域的力学性能有所差异，材料参数无法通过查阅手册得到或者试样标定。同时，结构在实际服役过程中，温度、载荷、边界条件复杂，通常采用一些假设对其进行简化。上述问题导致在复合材料结构现有有限元方法建模过程中，复合材料结构边界条件、材料参数等难以准确定义，无法构建真实的模型，通过有限元模型得到的位移和应变仿真结果不准。

4、因此需要对有限元模型进行修正，使其能够更好的反映真实情况下复合材料结构的热变形以及应力应变情况，为后续复杂结构变形重构算法提供支撑。

技术实现思路

1、针对于上述现有技术的不足，本发明的目的在于提供一种参数寻优有限元融合机器学习修正的结构热变形建模方法，以解决现有技术中由于大型复杂航空航天复合材料等结构分散性大，材料参数、边界条件准确确定难，热变形下有限元建模误差大的问题。

2、为达到上述目的，本发明采用的技术方案如下：

3、本发明的一种参数寻优有限元融合机器学习修正的结构热变形建模方法，步骤如下：

4、(1)构建热载荷作用下的航空航天复合材料结构有限元模型；进行真实热载荷下的结构热变形试验，采用位移传感器采集结构热变形过程中结构表面关键点的位移变化数据；

5、(2)采用参数敏感性分析方法计算航空航天复合材料结构有限元模型参数主效应值，选取主效应值最大的参数作为待优化的参数；

6、(3)采用多变量遗传算法对待优化的模型参数进行迭代优化；

7、(4)进行真实热载荷下的结构热变形试验，结构热变形过程中通过应变传感器监测结构表面关键点处的三向应变数据；通过温度传感器监测结构表面关键位置的温度数据；基于温度数据和三向应变数据构建代理模型训练样本；

8、(5)构建多层感知器应变输出代理模型，通过训练样本对代理模型进行训练；

9、(6)建立复杂结构热变形下热载荷-形变位移-三向应变优化模型。

10、进一步地，所述步骤(1)中基于有限元仿真商用软件构建热载荷作用下的航空航天复合材料结构有限元模型，实现真实热载荷下的有限元模型仿真分析；进行真实热载荷下的结构热变形试验，监测结构表面m个关键点的位移变化数据，按照确定时间间隔采集的t组数据，数据大小为t×m。

11、进一步地，所述步骤(2)中采用一次一个变量法进行分析，分析的航空航天复合材料结构有限元模型参数包括结构材料参数、结构载荷条件参数以及边界条件参数，最终确定n个待优化的有限元模型参数。

12、进一步地，所述步骤(3)中采用多变量遗传算法进行模型参数迭代优化过程如下：

13、(31)采用最优拉丁超立方设计方法初始化待优化的n个有限元模型参数；

14、(32)基于初始化参数调用有限元模型计算，提取位移结果，计算优化目标函数值，计算公式如下：

15、

16、式中，rms为优化目标函数值，m为关键点的数量，δui为位移变化数据；

17、(33)判断目标函数值是否小于设定的阈值，若小于阈值，则结束优化；若大于阈值，则采用面向多变量的多岛遗传算法对参数进行选择、交叉以及变异操作，重复步骤(32)和(33)。

18、进一步地，所述步骤(4)中通过温度传感器监测结构表面h个关键位置的温度数据，结构表面k个关键点处的三向应变数据表示在k个位置，每个位置0°、45°、90°三个方向的应变数据，共3×k个数据；构建训练样本的输入为3×k+h长度的向量，按照k个有限元仿真0°方向的应变数据，k个有限元仿真45°方向的应变数据，k个有限元仿真90°方向的应变数据，h个温度数据依次排列；训练样本分为三类，分别为0°、45°、90°三个方向应变输出，分别记为d0，d45，d90；其中d0为1×k的监测0°方向的应变数据，d45为1×k的监测45°方向的应变数据，d90为1×k的监测90°方向的应变数据；从t组数据中共构建d0中t个样本，d45中t个样本，d90中t个样本，构建的样本为构建代理模型训练样本。

19、进一步地，所述步骤(5)中多层感知器应变输出代理模型由三个子模型组成，分别用于0°、45°、90°三向应变输出，分别记为子模型m0，m45，m90；三个子模型的结构相同，输入层神经元个数为k*3+h，输出层神经元个数为k，子模型的隐含层数目为4，每层神经元个数不小于k，隐含层神经元激活函数为relu函数；

20、子模型m0输入为3×k+h长度的向量，输出为1×k的0°应变数据向量；子模型m45输入为3×k+h长度的向量，输出为1×k的45°应变数据向量；子模型m90输入为3×k+h长度的向量，输出为1×k的90°应变数据向量；

21、子模型m0，m45，m90均采用he初始化方法对网络权值参数进行初始化；损失函数选取均方误差损失函数；并用adam算法优化网络参数，采用数据d0训练子模型m0，数据d45训练子模型m45，数据d90训练子模型m90。

22、进一步地，所述步骤(6)中建立复杂结构热变形下热载荷-形变位移-三向应变优化模型，以步骤(1)中热载荷作用下的航空航天复合材料结构有限元模型为优化对象，步骤(2)-(5)为具体优化过程，实现对热载荷作用下的航空航天复合材料结构有限元模型的优化，最终建立复杂结构热变形下热载荷-形变位移-三向应变优化模型。

23、本发明的有益效果：

24、本发明采用实测位移数据对复合材料结构热变形有限元模型的边界条件、材料参数进行多参量遗传算法优化，提升热变形下形变位移仿真准确性；进一步实测结构关键实测点三向应变数据构建多层感知器应变输出代理模型，最终建立复杂结构热变形下热载荷-形变位移-三向应变优化模型，可以准确的实现复杂结构在热载荷下的热变形分析，在工程结构变形监测领域具有广泛的应用前景。

技术特征：

1.一种参数寻优有限元融合机器学习修正的结构热变形建模方法，其特征在于，步骤如下：

2.根据权利要求1所述的参数寻优有限元融合机器学习修正的结构热变形建模方法，其特征在于，所述步骤(1)中基于有限元仿真商用软件构建热载荷作用下的航空航天复合材料结构有限元模型，实现真实热载荷下的有限元模型仿真分析；进行真实热载荷下的结构热变形试验，监测结构表面m个关键点的位移变化数据，按照确定时间间隔采集的t组数据，数据大小为t×m。

3.根据权利要求1所述的参数寻优有限元融合机器学习修正的结构热变形建模方法，其特征在于，所述步骤(2)中采用一次一个变量法进行分析，分析的航空航天复合材料结构有限元模型参数包括结构材料参数、结构载荷条件参数以及边界条件参数，最终确定n个待优化的有限元模型参数。

4.根据权利要求1所述的参数寻优有限元融合机器学习修正的结构热变形建模方法，其特征在于，所述步骤(3)中采用多变量遗传算法进行模型参数迭代优化过程如下：

5.根据权利要求1所述的参数寻优有限元融合机器学习修正的结构热变形建模方法，其特征在于，所述步骤(4)中通过温度传感器监测结构表面h个关键位置的温度数据，结构表面k个关键点处的三向应变数据表示在k个位置，每个位置0°、45°、90°三个方向的应变数据，共3×k个数据；构建训练样本的输入为3×k+h长度的向量，按照k个有限元仿真0°方向的应变数据，k个有限元仿真45°方向的应变数据，k个有限元仿真90°方向的应变数据，h个温度数据依次排列；训练样本分为三类，分别为0°、45°、90°三个方向应变输出，分别记为d0，d45，d90；其中d0为1×k的监测0°方向的应变数据，d45为1×k的监测45°方向的应变数据，d90为1×k的监测90°方向的应变数据；从t组数据中共构建d0中t个样本，d45中t个样本，d90中t个样本，构建的样本为构建代理模型训练样本。

6.根据权利要求1所述的参数寻优有限元融合机器学习修正的结构热变形建模方法，其特征在于，所述步骤(5)中多层感知器应变输出代理模型由三个子模型组成，分别用于0°、45°、90°三向应变输出，分别记为子模型m0，m45，m90；三个子模型的结构相同，输入层神经元个数为k*3+h，输出层神经元个数为k，子模型的隐含层数目为4，每层神经元个数不小于k，隐含层神经元激活函数为relu函数；

技术总结
本发明公开了一种参数寻优有限元融合机器学习修正的结构热变形建模方法，包括：采用位移传感器采集结构热变形过程中结构表面关键点的位移变化数据；采用参数敏感性分析方法计算航空航天复合材料结构有限元模型参数主效应值，选取主效应值最大的参数作为待优化的参数；采用多变量遗传算法对待优化的模型参数进行迭代优化；基于温度数据和三向应变数据构建代理模型训练样本；构建多层感知器应变输出代理模型，通过训练样本对代理模型进行训练；建立复杂结构热变形下热载荷‑形变位移‑三向应变优化模型。本发明可以准确的实现复杂结构在热载荷下的热变形分析，在工程结构变形监测领域具有广泛的应用前景。

技术研发人员：袁慎芳,陈健,王晨,黄天翔,沈星,段文鹏,王樱,操卫忠,孙为民,汪奕,芮棽,黄欣婷
受保护的技术使用者：南京航空航天大学
技术研发日：
技术公布日：2024/1/16