一种板壳加强筋生成式设计方法

本技术涉及机械结构，尤其涉及一种板壳加强筋生成式设计方法。

背景技术：

1、加筋板(壳)结构通常由薄壁板(壳)与加强筋组成，是一种常见的工程结构设计方法，用于增加结构的强度和刚度。因其质量轻和结构效率高等特点而广泛应用于航空、船以及建筑等工程中。加强筋优化设计包括加强筋的引入、位置及方向确定和加强筋截面尺寸设计等，其中加筋的位置和界面尺寸优化设计是加强筋设计的重点。

2、传统设计方法中，设计人员根据工程经验设置板壳的加筋位置，这种根据经验或半经验公式的方法所设计出的板壳加筋结构的性能并非最优，并且设计结果容易受到设计人员主观因素的影响。板壳加强筋生成式设计方法以结构整体应变能最小化作为板壳加强筋优化的设计目标，能够很好地消除设计人员经验对板壳加强筋优化结果的影响。

3、然而，在板壳加强筋生成式设计过程中，各生成步之间具有很强的耦合关联性，该耦合关联性在很大程度上影响了板壳加强筋设计结果的精度和可靠性。现有相关研究中，将加强筋生成过程中生成步间的耦合关联性作独立事件处理，如下式：

4、wop(x1,x2,x3,......xn)＝lop(x1)·lop(x2)·lop(x3)......lop(xn)所示，其中，xi表示加强筋第i步单步生成步，lop(xi)表示加强筋第i步最优单步生成步，“·”表示最优单步生成步的序列组合，wop(x1,x2...)表示最优生成步序列。易看出上式成立的条件为各生成步间无耦合关联性影响。

5、基于上述问题，现有技术中尚未提出有效的解决方案。

6、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、鉴于现有技术的上述缺点、不足，本技术提供一种板壳加强筋生成式设计方法，针对在板壳加强筋设计过程中，传统设计方法得到的板壳加强筋布局的性能在很大程度上受到设计人员主观因素的影响；以及，在板壳加强筋生成式设计过程中，加强筋生成步间强关联性对设计结果最优性的影响这两个问题，源于加强筋生成步的马尔科夫过程特征启发，本技术将深度强化学习引入到板壳加强筋生成式设计问题的求解中，以消除板壳加强筋生成步间耦合关联性对最优板壳加强筋布局设计结果可靠性的影响，并以最小化机构整体应变能为目标函数，结合板壳约束及受力等工况，实现板壳加强筋在目标函数的引导下的生成式设计，得到一种实用且高效的板壳加强筋布局。

2、本发明提供了一种板壳加强筋生成式设计方法，包括：

3、搭建板壳加强筋仿真环境，构建有限元板壳加筋理论模型并对所述有限元板壳加筋理论模型进行有限元数值模拟；

4、根据所述有限元板壳加筋理论模型的边界约束和载荷结合优化目标，设置目标函数、约束条件以及加强筋生成起始点的数量与位置；

5、运用python构建深度强化学习仿真环境，调用abaqus代码文件，以生成板壳结构中的加强筋并进行加强筋参数的数值计算；

6、采用matlab构建深度强化学习智能体模型，并根据所述目标函数选择加强筋的生成方向，通过学习仿真环境得到奖励函数，输出动作的概率分布；

7、通过所述板壳加强筋仿真环境与所述深度强化学习智能体模型的交互，并通过深度强化学习算法训练并得到符合所述优化目标的板壳加强筋生成角度的策略，以最小化板壳强筋结构整体应变能，输出板壳加强筋优化布局。

8、在本发明的一个实施例中，搭建板壳加强筋仿真环境，构建有限元板壳加筋理论模型并对所述有限元板壳加筋理论模型进行有限元数值模拟，包括：

9、搭建有限元板壳加筋理论模型，设定板壳材料及物理性能，并对所述有限元板壳加筋理论模型添加边界约束和载荷；

10、设置加强筋的参数，所述参数包括加强筋截面的形状、尺寸、材料及基准面；

11、根据所述有限元板壳加筋理论模型以及工况复杂度对所述有限元板壳加筋理论模型进行网格划分，并对所述有限元板壳加筋理论模型进行有限元数值模拟。

12、在本发明的一个实施例中，所述板壳理论模型的边界约束为左边界铰链约束，所述载荷分布为右边界两顶点集中受力。

13、在本发明的一个实施例中，所述目标函数为最小化板壳加筋结构整体应变能；所述约束条件为板壳加筋结构整体质量与体力；所述加强筋生成起始点的数量与位置为根据所述有限元板壳加筋理论模型的边界约束和载荷受力的复杂程度选择的。

14、在本发明的一个实施例中，采用matlab构建深度强化学习智能体模型，并根据所述目标函数选择加强筋的生成方向，通过学习仿真环境得到奖励函数，输出动作的概率分布，包括：

15、构建深度强化学习智能体模型，设定训练参数；

16、设置所述深度强化学习智能体模型的观测状态及动作空间；

17、根据所述有限元板壳加筋理论模型的边界约束和载荷，设置奖励函数以及奖励函数的传递效率；所述奖励函数为最小化结构整体应变能；

18、选取时变贪心策略为动作选取策略，以输出训练时的动作概率。

19、在本发明的一个实施例中，所述训练参数包括所述深度强化学习智能体模型的隐藏层层数与神经元数、神经网络层激活函数、学习率、归一化方式、正则率、神经网络训练算法、神经网络训练、更新频率以及单次训练调用样本量。

20、在本发明的一个实施例中，设置所述深度强化学习智能体模型的观测状态及动作空间，包括：

21、设置所述深度强化学习智能体模型的观测状态为当前加强筋生成起点的网格节点号、当前结构应变能与上一状态应变能差值、当前结构质量与上一状态质量差值；

22、设置所述深度强化学习智能体模型的动作空间为以当前网格节点为中心点的预设角度。

23、在本发明的一个实施例中，选取时变贪心策略为动作选取策略，以输出训练时的动作概率，包括：

24、当时，随机选择加强筋生成方向；

25、当时，选择预测网络输出的达到预设q值的加强筋生成方向；

26、其中，pe为0～1之间随机数，ts为智能体训练次数。

27、在本发明的一个实施例中，所述深度强化学习算法的表达式为：

28、p(st+1|st)＝p(st+1|ht)；

29、其中，s1,…,st为当前板壳加强筋的状态序列；st为当前板壳加强筋模型状态，包括：加强筋的网格节点号、当前模型整体应变能、当前模型整体质量，st+1为板壳加强筋生成后的模型状态，包括：下一时刻加强筋的网格节点号、下一时刻的模型整体应变能、下一时刻的模型整体质量，ht＝{s1,s2,s3,…,st}(ht包含了之前的所有状态)为此前所有板壳加强筋模型的状态的历史。

30、在本发明的一个实施例中，所述奖励函数的表达式为：

31、r(s,a)＝f(s,a,s′)；

32、其中，r表示奖励，s是当前板壳加强筋的状态，包括：当前加强筋的网格节点号、当前模型整体应变能、当前模型整体质量；a是智能体选择的板壳加强筋生成方向的角度，包括：0°、45°、90°、135°、180°、225°、270°、315°，s'为智能体在执行动作a后转移到的新的板壳加强筋的状态，即加强筋生成后的网格节点号、加强筋生成后模型的整体应变能、加强筋生成后模型的整体质量，f()函数是以加强筋生成前后应变能变化量为自变量的奖励函数，它可以根据加强筋生成前后模型应变能变化程度的多少对智能体的行为进行奖励或惩罚。

33、本技术的上述技术方案相比现有技术具有以下优点：

34、本技术所述的一种板壳加强筋生成式设计方法，提出以板壳加强筋生成式设计方法代替传统设计方法，来克服传统设计方法所设计出的板壳加筋布局性能并非最优，并且很大程度上依赖于设计人员的主观经验的缺点。同时，源于板壳加强筋生成步的马尔科夫过程特征启发，提出将深度强化学习引入到板壳加强筋生成式设计问题的求解中，来消除板壳加强筋生成步间耦合关联性对最优板壳加强筋布局设计结果可靠性的影响。以最小化结构整体应变能为目标函数，结合板壳边界约束及载荷分布等工况，在增加的总质量和总体积的约束下，运用深度强化学习，实现板壳加强筋的生成式设计，得到一种实用且高效的板壳加强筋布局。