三维编织复合材料几何建模及数值分析

论文根据三维编织复合材料的结构特点,把整体结构分为内部单胞、表面单胞和角单胞三种类型的子单胞,考虑空间纤维束的相互扭结和挤压所造成的纤维束的弯曲和截面变形,针对每种类型的子单胞,建立了相应的几何分析模型.引入周期性位移边界条件,建立了材料的弹性性能预报模型,得到了三维编织复合材料的工程弹性常数.通过数值比较可以看出,论文所给出的数值计算结果与实验结果吻合较好,从而验证了本文模型的有效性.     

基于ED-LSTM的智能汽车神经网络横向动力学建模与控制

车辆动力学建模过程中通常会进行简化和假设, 导致模型在某些工况下无法准确反映车辆的实际动态特性, 影响控制精度甚至安全性. 鉴于此, 该文提出了一种基于数据驱动的非线性建模与控制方法, 建立了新型神经网络车辆横向动力学多步预测模型, 实现了智能汽车对参考轨迹的跟踪控制. 首先, 在分析车辆单轨模型并考虑轮胎非线性和纵向负载转移的基础上, 基于编码器?解码器结构设计神经网络横向动力学模型. 其中, 使用串行排列来扩展微分方程描述不完全的动力学信息, 隐藏层神经元学习车辆的高度非线性和强耦合特性, 进而提高模型全局计算精度. 利用所构建的数据集进行模型训练和测试, 结果表明, 相比于物理模型, 所提出的模型在不同路面附着系数条件下均具有更高的建模精度, 具有隐式预测路面摩擦条件能力. 其次, 利用提出的模型设计轨迹跟踪控制算法, 根据车辆稳态转向假设, 计算所需的前轮转向角和稳态质心侧偏角, 将稳态质心侧偏角纳入基于路径误差的转向反馈中, 实现参考轨迹跟踪控制. 最后, 使用CarSim/Simulink联合仿真及HIL实验测试进行不同工况试验的对比分析, 对所提出的基于神经网络模型的控制算法进行评价, 结果表明, 该模型能够实现智能汽车在高速下精确的跟踪控制效果, 并具有良好的横向稳定性.