基于可靠性的车辆防护组件优化

在传统的优化流程中,不考虑设计变量的不确定性将引起设计目标的性能波动,甚至设计失败。为提高军用车辆底部防护能力,针对一种车辆防护组件进行了可靠性优化。在爆炸防护优化中引入多目标可靠性优化,通过实验设计和灵敏度分析筛选设计变量,再构建并选择准确度最高的代理模型,运用多目标遗传算法完成防护组件的可靠性优化。实验和数值模拟结果表明,优化后的防护组件满足防护性和轻量化的要求,且设计的可靠性得到了提升,可为后续防护组件设计生产提供参考。     

负泊松比蜂窝材料抗爆炸特性及优化设计研究

为了深入研究车辆底部防护组件爆炸冲击下的结构响应，提高防护型车辆的抗爆炸冲击性能，建立了某车辆底部防护组件在爆炸冲击下的有限元模型，并进行爆炸冲击台架试验验证了有限元模拟的可靠性；将内凹六边形负泊松比蜂窝材料作为防护组件的夹芯部分，分析负泊松比蜂窝材料在爆炸冲击下的变形模式，并对比了同等质量的其他3种防护组件的抗爆炸冲击性能。结果表明，含有负泊松比蜂窝夹芯的防护组件具有更优的抗爆性能。建立了以内凹六边形负泊松比蜂窝胞元尺寸参数为设计变量的多目标优化问题的数学模型，采用多目标遗传算法获得胞元几何参数的最优方案，有效降低了防护组件基板的最大挠度和最大动能。     

航天器天线桁架结构多目标优化设计

针对有附加结构的卫星天线桁架结构,提出了一种实现结构多目标优化的综合设计方法。首先,探讨了附加结构刚度对桁架结构动力学特性的影响,以便建立精确的有限元模型,为进行优化设计奠定基础。之后,交替采用代理模型方法和人机交互方式进行结构拓扑构型设计。其中代理模型是采用优化拉丁超立方法进行试验设计,结合径向基函数近似方法生成的。最后,应用NSGA-II全局优化方法实现以重量最小化和频率最大化的多目标优化设计,并根据分层图定量可视化地从Pareto前端和Pareto最优解集中筛选最优设计方案。优化结果表明,相对于初始方案可以在基频几乎不变的情况下,重量减小29.66%。该方法有利于提高设计效率,降低全局优化的复杂度,同时能够得到满足设计要求的设计方案,适用于多目标结构优化设计。     

遗传算法优化的神经网络在SINS/GPS中的应用

在不增加辅助系统的情况下,针对捷联惯性导航/全球定位组合导航系统(SINS/GPS)在GPS信号不可用时,其定位精度产生较大退化的问题,提出了遗传算法优化的径向基函数神经网络辅助组合导航系统定位的方法。当GPS信号可用时,采用遗传算法对径向基函数神经网络进行优化训练;当GPS信号不可用时,利用遗传算法优化后的径向基函数神经网络预测卡尔曼滤波器量测输入中的速度误差信息,使得卡尔曼滤波器能够继续工作并提供速度校正量。跑车实验表明,通过对速度进行误差补偿能够有效地修正位置误差,以GPS信号断开180 s的结果作分析,纯SINS模式的东向和北向位置误差分别为35.1 m和38.8 m,而本文所提方法的误差分别为10.5 m和7.2 m,其定位精度提高较为显著。     

基于近似模型的非线性区间数优化方法及其应用

在不确定优化中,非线性区间数优化方法由于需要嵌套优化,造成计算效率低下而阻碍其应用于工程实际.本文提出了一种基于径向基函数近似模型的求解方法,以提高非线性区间数优化方法的计算效率.该方法利用拉丁超立方实验设计方法采样,建立目标函数和各约束的径向基函数近似模型.利用近似模型代替嵌套优化中的真实模型,再用非线性区间数优化方法进行求解,从而提高了非线性区间数优化方法的计算效率,使得该算法在工程应用方面成为可能.用一个测试函数验证了该方法的可行性,最后将方法应用于车身薄壁梁的耐撞性优化.     

高压捕获翼前缘型线优化和分析

为分析翼前缘形状变化对高压捕获翼构型气动性能的影响,基于一种锥体组合捕获翼概念构型,采用幂次函数和余弦函数组合形式对翼前缘型线进行了参数化设计,在比较了多项式和径向基函数两种代理模型的拟合精度基础上,以飞行马赫数7,飞行攻角0° 为计算条件,结合使用均匀实验设计方法、计算流体力学、径向基函数代理模型方法和遗传算法,选择升阻比最大化为目标开展了数值优化,最后基于优化结果进行了单参数的灵敏度分析. 优化结果表明,相对于基准外形而言,优化后构型升力系数增大了约8.1%,阻力系数减小了约12.2%,升阻比提高了约23.4%. 此外,灵敏度分析结果表明升阻比与5 个设计参数均呈非线性关系,其中展向角度对升阻比影响最大,其次为幂次曲线的比例参数,其余3 个参数对升阻比的影响相对较弱.      

基于径向基函数神经网络的磨粒识别系统

应用磨粒形状特征参数、颜色特征参数和表面纹理特征参数对磨粒形态进行量化表征，并以此为输入矢量，引入径向基函数神经网络对磨损微粒进行自动分类识别，建立了适用于磨粒识别的径向基函数神经网络模型，并给出了具体算法．应用实例表明，径向基函数神经网络的收敛速度和识别率优于传统的BP神经网络．     

大跨桥梁参数识别响应面方法中的近似函数及样本选取

以某大跨斜拉桥实验室物理模型设计参数与动力特性之间复杂的隐式关系为对象,分析响应面模型中近似函数和试验样本对回归模型精度的影响。首先推导多项式和径向基函数响应面模型的建模方法,然后基于斜拉桥三维空间模型的有限元动力分析,比较分析完全二阶多项式与几种径向基函数模型在设计域和扩展设计域内以及噪声污染情况下的回归精度。最后对几种少量样本的试验设计方法和响应面试验设计方法进行了分析。结果表明,径向基函数模型各方面性能优于多项式模型,响应面实验设计方法优于其他方法,少量样本可采用D优化设计,较多样本情况下以中心复合设计较佳。     

无网格法驱动径向基函数前置卷积神经网络

卷积神经网络通过卷积核的移动加权提取样本点的局部特征,而无网格法基于节点信息构造具有核近似特点的形函数进行离散建模,两者的内在相似性为采用卷积神经网络加速无网格计算过程提供了有利条件．但是基于传统卷积神经网络的改进无网格法包含较为繁琐耗时的非线性参数求解．为了克服这一问题,本文充分利用无网格法能够灵活构建数据样本的优点,提出了一种径向基函数前置卷积神经网络模型．该网络通过径向基函数的前置,提前激活输入数据,实现了非线性变换和数据特征维度跃升,随后再将数据传入传统卷积层得到输出．由于所提网络模型具备线性求解的特点,能够有效提升预测精度与计算效率．在数值算例中,通过对比无网格法直接计算结果、传统卷积神经网络和所提的径向基函数前置卷积神经网络预测结果,系统验证了所提网络模型的有效性．     

基于动力学响应的多组件系统布局优化方法

针对圆形安装板上多组件布局问题,以组件系统静平衡性为约束,以系统在随机振动下的动力学响应为优化目标,建立了多组件系统的动力学布局优化模型。针对所建立的优化模型,提出采用序列二次规划方法和改进遗传算法相结合的策略进行多约束条件下的组件布局优化。最后,对两个典型算例进行了动力学优化计算,结果表明,本文所建立的优化模型在多约束的情况下可提高组件系统的动力学性能,满足静力学和动力学性能要求。     

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.     

Predicting the critical heat flux in concentric-tube open thermosiphon: a method based on support vector machine optimized by chaotic particle swarm optimization algorithm

This study presents a method based on support vector machine (SVM) optimized by chaotic particle swarm optimization algorithm (CPSO) for the prediction of the critical heat flux (CHF) in concentric-tube open thermosiphon. In this process, the parameters C, ε and δ² of SVM have been determined by the CPSO. As for a comparision, the traditional back propagation neural network (BPNN), radial basis function neural network (RBFNN), general regression neural network (GRNN) are also used to predict the CHF for the same experimental results under a variety of operating conditions. The MER and RMSE of SVM–CPSO model are about 45% of the BPNN model, about 60% of the RBFNN model, and about 80% of GRNN model. The simulation results demonstrate that the SVM–CPSO method can get better accuracy.     

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。     

Correlation of viscosity in nanofluids using genetic algorithm-neural network (GA-NN)

An accurate and efficient artificial neural network based on genetic algorithm (GA) is developed for predicting of nanofluids viscosity. The genetic algorithm (GA) is used to optimize the neural network parameters. The experimental viscosity in eight nanofluids in the range 238.15–343.15 K with the nanoparticle volume fraction up to 9.4% was used. The obtained results show that the GA-NN model has a good agreement with the experimental data with absolute deviation 2.48% and high correlation coefficient (R ≥ 0.98). The Results also reveals that GA-NN model outperforms to the conventional neural nets in predicting the viscosity of nanofluids with the overall percentage improvement of 39%. Furthermore, the results have also been compared with Einstein, Batchelor and Masoumi et al. models. The findings demonstrate that this model is an efficient method and have better accuracy.     

Some methods of training radial basis neural networks in solving the Navier‐Stokes equations

The purpose of this research is to analyze the application of neural networks and specific features of training radial basis functions for solving 2‐dimensional Navier‐Stokes equations. The authors developed an algorithm for solving hydrodynamic equations with representation of their solution by the method of weighted residuals upon the general neural network approximation throughout the entire computational domain. The article deals with testing of the developed algorithm through solving the 2‐dimensional Navier‐Stokes equations. Artificial neural networks are widely used for solving problems of mathematical physics; however, their use for modeling of hydrodynamic problems is very limited. At the same time, the problem of hydrodynamic modeling can be solved through neural network modeling, and our study demonstrates an example of its solution. The choice of neural networks based on radial basis functions is due to the ease of implementation and organization of the training process, the accuracy of the approximations, and smoothness of solutions. Radial basis neural networks in the solution of differential equations in partial derivatives allow obtaining a sufficiently accurate solution with a relatively small size of the neural network model. The authors propose to consider the neural network as an approximation of the unknown solution of the equation. The Gaussian distribution is used as the activation function.     

Intelligent design of waste heat recovery systems using thermoelectric generators and optimization tools

Optimal design of thermal systems that effectively use energy resources is one of the foremost challenges that researchers almost confront. Until now, several researches have been made to enhance the performance of major thermal systems. In this investigation, the authors try to make a conceptual design to maximize the electricity demand of Damavand power plant as the biggest thermal system in Middle East sited in Iran. The idea of designing is laid behind applying a number of thermoelectric modules within the condenser in order to recover the waste heat of the thermal systems. Besides, the authors have developed some intelligent tools to elaborate on the performance of their proposed model. Firstly, an artificial neural network has been utilized to estimate the potential power generation of the thermoelectric modules. At the second step, computational fluid dynamic solver, FLUENT is used to determine the variation of the temperature through the length of the thermoelectric module assembly. Based on the gained results, an intelligent multi-objective optimization algorithm called Pareto based mutable smart bee is developed to optimize the properties of the thermoelectric component.     

横截面参数化网格变形算法及耐撞性优化应用

薄壁梁结构是汽车等运载工具的主要承载构件，提高该类结构的耐撞性对乘员安全具有重要意义。然而，形状优化设计要求多组有限元模型与仿真分析，因此需要特定的建模技术或人工交互。本文提出了一种基于横截面形状的参数化网格变形方法，以实现已有有限元模型的有效重用。以给定有限元模型为输入，采用基于各向异性径向基函数网格变形方法，并结合骨架内嵌空间，可快速生成适用于仿真分析的有限元模型变体。以S形梁轴向冲击耐撞性设计为例，采用所提方法改变构件塑性铰区域的横截面形状，可快速（低于4 s）获取100组局部变形有限元模型，并采用代理模型技术和多目标遗传算法优化结构耐撞性。数值结果显示，构件耐撞性获显著提高，验证了所提参数化变形方法的有效性，展示了与一般形状优化框架的可集成性。     

有限空间爆炸静态压力的温度补偿方法

为改善压阻式压力传感器的温度漂移特性，构建了基于遗传算法和小波神经网络的压力传感器温度补偿模型。针对小波神经网络收敛速度慢且易陷入局部最优解的问题，采用遗传算法对小波神经网络的连接权值、伸缩参数和平移参数进行优化。基于压力传感器的标定数据，分别采用BP神经网络、小波神经网络和遗传小波神经网络对其进行温度补偿研究，结果表明:遗传小波神经网络兼容了小波分析的时频局部特性和神经网络的自学习能力，表现出良好的收敛速度和补偿精度，经补偿后传感器的输出值更接近于标定值，其最大误差由?17.44 kPa变至0.38 kPa，最大相对误差由?14.0%变至0.38%。将该模型应用于有限空间爆炸静态压力的温度补偿中，取得了较好的实际应用效果。