基于数据学习的结构静力学性能预测方法

• 作者: 赵航 童水光 朱郑州
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 数据学习 代理模型 神经网络 有限元分析 性能预测
• 年，卷（期）: 2022,（4）
• 所属期刊栏目: 数据库&大数据&数据科学|Database & Big Data & Data Science
• 页码范围: 140-143
• 页数: 4页
• 分类号: TP183
• 语种: 中文
• DOI: 10.11896/jsjkx.210300238

摘要

针对目前机械结构优化中建立预测模型代价较高的问题,提出了一种基于数据学习的结构静力学性能预测方法.以悬臂梁为研究对象,建立有限元仿真模型以获取位移场数据,构建边界条件-位移场代理模型,预测结果表明位移场分布趋势与实际一致,载荷为1000 N和1600 N时最大位移相对误差分别为-0.02％和-0.47％.文中讨论了均布力大小和集中力作用位置对位移场预测结果的影响,结果表明,随着载荷幅值增加,预测误差有所增加.相比均布力,集中力载荷下的预测误差更大,且加载位置靠近边缘处的误差更大.反演问题分别将位移场作为输入,将均布力大小和集中力位置作为输出构建位移场-边界条件代理模型,载荷为1000 N和1600 N时的预测误差分别为0.15％和-0.48％,在5 mm和10 mm处的载荷位置预测误差分别为0.38％和-1.84％,实现了对力边界条件的高精度预测.所提方法从数据学习角度出发,可为机械结构的静力学性能预测提供一种新的思路.