基于PTCNN的结构布局优化问题研究

对结构优化中的难点布局优化问题，基于交叉学科的优势，运用脉冲暂态混沌神经网络（PTCNN）的方法，对一个新型布局优化模型进行了寻优计算。在PTCNN算法中应用脉冲混沌动力自然解决了杆件的恢复和删除问题；利用神经网络的多神经元并行构成特点，通过参数调整方法解决了不同数量级变量问的耦合问题。因此PTCNN不仅是模型的寻优算法，更成为布局优化的一部分。此外构造了一个应力关联系数σ_AI，使面积变量随杆中应力大小按比例自适应下降。算例结果表明，基于PTCNN方法解决结构布局优化问题，有效且具有自适应性，布局优化效果明显。     

基于卷积神经网络和松鼠优化算法的机翼结构混合优化设计#br#

针对大展弦比机翼的结构轻量化优化设计,提出了一种高效的布局和尺寸混合优化方法．在CFD/CSD气动弹性计算的基础上,对不同的结构变量进行统一编码,使用一维卷积神经网络建立代理模型,并使用松鼠优化算法建立了混合优化模型进行搜索寻优．以某型太阳能无人机的机翼结构优化为例,优化结果表明翼肋的布局变量和翼梁的尺寸变量之间存在着耦合关系,使用松鼠优化算法相比于遗传算法节省了35 %~45 %的计算成本,且混合优化后的结构比原始结构减重4.1 %,验证了该方法的有效性．     

结构动力模型修正方法的比较研究及评估

在实际工程中,由结构动力模型得到的计算值与通过试验获得 的测量值间往往存在偏差，为了能够精确预测结构的动力响应，依 据测量信息修正存在的动力模型是非常必要的.对现有几种有效的用 于结构动力模型修正的理论方法(包括基于敏感性分析的矩阵型法、 基于神经网络算法的参数型法和基于遗传优化算法的方法)做了详细 的综述;介绍了这些方法的步骤和研究进展;并分析了这些动力模型 修正方法在工程运用中存在的一些实际问题，如不完整的模态测量值、 模型修正的鲁棒性、模型修正的计算效率和收敛性等.最后，通过对 一实际的五层钢框架的动力模型修正，比较了这几种方法的优缺点， 提出了今后需要解决的问题.     

数据驱动梯度结构材料弹塑性本构

梯度结构材料因其优异的力学性能被广泛应用于工程结构中。本文整合塑性理论和人工神经网络技术,发展了一种构建梯度结构材料弹塑性本构模型的新方法。该方法基于梯度结构材料不同位置的微结构,构建不同代表性体积单元,进而生成应力应变数据,应用生成的数据训练人工神经网络,建立基于神经网络的材料本构模型。应用该方法,本文开展了针对实际工程结构件的计算,算例结果表明,该方法可快速计算梯度功能复合材料在循环载荷反向载荷状态下的宏观响应,且较为准确。该方法为模拟含复杂梯度结构材料的结构件弹塑性力学响应提供了新的工具。     

工程结构优化的进化策略-高斯过程协同优化方法

针对采用仿生全局优化方法进行复杂工程结构优化时数值计算量浩大导致的计算代价过高的公开问题,将自适应协方差矩阵进化策略(CMAES)全局优化算法、高斯过程(GP)机器学习技术与有限元方法相结合,提出了基于自适应协方差矩阵进化策略-高斯过程协同优化算法(CMAES-GP)的结构优化方法。该方法利用全局寻优性好且寻优效率高的CMAES算法进行全局最优搜索,当搜索进入局部寻优阶段时,采用回归性能优秀的GP模型对适应度函数进行动态拟合,进而利用GP模型替代有限元分析进行个体适应度评价,以减小局部寻优阶段的有限元重分析次数,从而实现有效降低工程结构优化计算代价的目的。算例研究表明,与传统结构优化方法相比较,本文方法具有全局性好、计算效率高的优点。     

空间太阳望远镜主构架的力学分析与优化

基干航天器结构设计的特殊性，用有限元软件MSC．NASTRAN对空间太阳望远镜主构架进行了力学分析。根据敏度分析方法和优化计算要求，建立了满足结构频率和振型条件、追求重量最轻的优化模型。结合工程优化的特点，提出多种拓扑结构方案，并对主构架进行了拓扑型式比较与选优、形状优化和尺寸优化，最后对多变量优化设计的初值问题进行了探讨。经优化计算及工程处理，使主构架的总重量减少了36％，力学校验和热分析表明优化结构满足整星设计要求。     

结构分析和设计中神经网络计算研究评述

综述了工程结构分析和设计中神经网络计算研究的现状与趋势,指出了进一步发展神经计算的策略及方向。研究结果表明神经网络计算是工程结构分析中一种很有发展潜力的新方法。     

基于改进山本法的浅埋隧道支护结构受力特性研究

隧道支护结构计算时常假定为正圆形，但与工程实际存在差异。本研究结合谢家烋围岩压力计算理论，改进日本山本法支护结构计算模型，提出一种山岭浅埋隧道三心圆支护结构计算模型。应用于某红黏土隧道支护结构，将改进山本法计算结果与山本法、隧道设计规范电算结果和现场实测值比对。研究结果表明：改进山本法所得围岩压力和支护结构轴力结果与实测数据最接近，最大误差12.9%,且趋于安全；改进山本法所得弯矩结果显示拱脚处弯矩最大，与现场结构破坏形式相符；根据计算结果确定荷载集中部位，制定专项加固方案，保证隧道施工和运营安全。研究成果可为优化类圆形隧道断面理论提供参考，为隧道支护结构计算提供一种新方法。     

基于代理模型的箭体连接结构极值响应分析与优化

螺栓法兰连接结构在航空航天等工程领域中广泛应用，其力学性能在不同工况和装配情况下十分复杂。由于拉压刚度差异，含连接结构的箭体动力学响应呈现明显的非线性特征。因此，考虑不同连接参数及工况下的连接非线性动力学响应，对结构优化设计有着重要意义。本文针对以双线性弹簧表征螺栓法兰连接非线性的箭体等效动力学模型，基于径向基函数(RBF)神经网络和响应面法分别建立其连接面处的极值响应代理模型，对比发现RBF神经网络模型在较高精度上可以实现对动响应极值的预测及分析；同时分析了不同载荷参数及刚度变化对连接结构动响应极值的影响；最后，利用RBF神经网络代理模型，开展了连接面加速度极值响应与螺栓弹簧力最小化为目标的连接结构参数优化。     

涡激响应尾流双振子模型的参数反演方法

尾流双振子模型是研究圆柱结构涡激振动响应的重要模型,模型参数的准确确定对悬浮隧道设计理论具有重要意义.首先通过降阶法将多变量二阶非线性常微分方程组的尾流双振子模型变换为一阶方程组.然后给出一种新型的圆柱结构水槽试验设计方案,其中试验模型的刚度能够较好反映悬浮隧道等实际工程结构的刚度,基于相机动态捕捉和视频识别计算机程序,获取圆柱结构在水平和竖直方向的位移试验数据.基于试验结果和龙格-库塔方法求解一阶方程组,采用BP神经网络智能算法对模型参数进行反演,同时利用遗传算法对神经元的初始权值和阈值进行优化,所得结果平均误差仅为5.50％,优于遗传算法和未优化的BP神经网络模型.结果表明,基于遗传算法优化的BP神经网络智能算法能够精确实现尾流双振子模型的参数确定,为圆柱结构涡激振动响应分析提供理论基础.     

基于Fourier-TOuNN的鲁棒性拓扑优化设计

为推广拓扑优化设计方法的工程应用,需要在设计过程中考虑结构鲁棒性以应对实际工程荷载的随机性。本文基于神经网络提出了鲁棒性结构拓扑优化设计的高效方法。该方法通过优化Fourier-TOuNN神经网络的权值更新描述结构拓扑的密度变量,并引入随机荷载下结构柔顺度平均值和标准差的加权总和作为目标函数,从而定义了随机荷载下的结构鲁棒性优化问题。利用神经网络的自动反向微分功能,实现了优化过程中灵敏度的直接求解。借助Fourier-TOuNN细部尺寸可控特性,可在结构中生成细小支撑以抵抗随机荷载。数值算例表明,采用本文提出的方法可以高效地获得鲁棒性稳健的优化设计结果。     

结构系统可靠性优化设计的神经网络方法

针对具有非正态随机参数的可靠性(优化)设计，提出了随机摄动-Edgeworth级数方法，采用该方法将可靠性概率约束转化为等价的确定型约束，可以迅速准确地获得优化设计信息。针对具有多失效模式的结构系统可靠性优化设计，提出了随机模拟一神经网络方法(MCS—NN)，将随机模拟方法与神经网络技术有机结合，为结构系统可靠性优化设计提供了一种新方法。     

基于模式联想的结构布局优化方法

本文把结构布局优化问题分为两个阶段，即基于模式联想的方案优选和基于数值模型的几何优化和参数优化。提出运用模式联想方法产生出多个结构布局方案然后优选出一个或多个可行性实用的方案，再由基于数值模型的几何优化和参数优化方法获得优化的结构布局。运用人工神经网络技术，通过对大量已成功的结构布局实例的实习，获得具有知识和经验的神经网络系统，然后使用网络可对某个输入集实现模式联想，产生初步布局，进而结合人工智能     

基于深度学习的跨分辨率结构拓扑优化设计方法

在传统拓扑优化设计中,随着结构单元增加,迭代计算过程消耗了大量的时间.本文提出了一种基于深度学习的方法来加速拓扑优化设计过程,缩短了结构拓扑优化设计的迭代过程,并生成了高分辨率拓扑优化结构.利用深度学习方法,在低分辨率中间构型与高分辨率拓扑构型之间创建高维映射关系,利用独立、连续和映射(ICM)方法建立深度学习网络所需要的数据集,训练神经网络以实现加速过程,将结构拓扑优化设计问题转化为图像处理中的风格迁移问题.通过引入条件生成对抗式神经网络CGAN (Conditional Generative and Adversar-ial Network)解决了跨分辨率拓扑优化问题,实验验证了优化过程效率的提高,该方法具有良好的泛化性能,研究模型在其他结构优化设计中具有可推广性.     

GA based meta-modeling of BPN architecture for constrained approximate optimization

Artificial neural networks (ANN) have been extensively used as global approximation tools in the context of approximate optimization. ANN traditionally minimizes the absolute difference between target outputs and approximate outputs, thereby resulting in approximate optimal solutions being sometimes actually infeasible when it is used as a meta-model for inequality constraint functions. The paper explores the development of the modified back-propagation neural network (BPN) based meta-model that ensures the constraint feasibility of approximate optimal solution. The BPN architecture is optimized via genetic algorithm (GA) to determine integer/continuous decision parameters such as the number of hidden layers, the number of neurons in a hidden layer, and interconnection weights between layers in the network. The verification of the proposed approach is examined by adopting a number of standard structural problems and an optical disk drive (ODD) suspension problem. Finally, GA based approximate optimization of suspension with optical flying head (OFH) is conducted to enhance the shock resistance capability in addition to dynamic characteristics.     

基于多目标优化NSGA2改进算法的结构动力学模型确认

传统结构动力学模型确认方法通常采用单目标优化,存在精度不足和稳定性差等缺点,难以满足实际工程需求。基于此,提出一种采用神经网络作为代理模型,建立以马氏距离和鲁棒性为不确定性量化指标的多目标优化模型,并将NSGA2多目标进化算法用于求解。针对NSGA2存在无法有效识别伪非支配解、计算效率低和解集质量较差等设计缺陷,提出一种基于支配强度的NSGA2改进算法INSGA2-DS。INSGA2-DS将支配强度引入非支配排序,采用新型拥挤距离公式和自适应精英保留策略,以提高收敛效率和解集质量。GARTEUR飞机算例的仿真结果表明,INSGA2-DS求解复杂工程问题时具有更好的收敛性和分布性,而考虑鲁棒性的结构动力学模型确认方法可以获得同时满足多种目标要求的Pareto解集,提高了模型确认的精度和稳定性。     

随机神经网络优化方法及其计算机仿真

研究了结构优化问题求解的随机神经网络方法,可较好地克服Hopfield网络方法容量陷入局部解的缺点,针对实例,对随机神经网络和Hopfield网络进行了动态仿真,直观地给出了两种网络的动态并行运行,能量函数的动态变化过程及两种网络的全局性的差异,同时也仿真出了网络并行运行至稳定优化解的时间。     

Hopkinson拉杆平板挂钩试件结构智能协同优化

与霍普金森拉杆装置中常用的螺纹、胶粘等固定连接方式相比，平板挂钩试件具有连接形式简单、可实现快速组装等优势。针对平板挂钩试件在拉伸过程中因结构几何效应引起的数据测量误差问题，基于影响拉伸试件测量精度的指标:应力平衡达到时间、变形均匀程度、过渡段相对变形以及非轴向力水平，采用正交试验设计、反向传播（back propagation，BP）神经网络与遗传算法相结合的多目标智能协同优化算法对平板挂钩试件的结构参数进行优化，得到了平板挂钩试件最优的结构参数组合，有限元模拟和实验验证了最优结构参数的有效性。该研究结果可为基于平板挂钩试件的霍普金森拉伸实验的数据可靠性分析提供参考。