【技術實現步驟摘要】
本專利技術涉及結構件設計，尤其涉及一種基于深度學習的復合材料管件抗彎剛度預測方法及其系統與終端。
技術介紹
1、由于復合材料具有高比強度、比剛度、耐腐蝕等優異的性能，越來越多的傳統金屬合金構件被復合材料所代替，相應地在制造業向著智能化方向發展的時候，機械臂作為主流地制造生產機器業開始朝著輕量化發展，以提高工作效率并降低能耗。
2、管件作為機械臂常用的連桿結構件，利用復合材料替代時，由于復合材料的各向異性特點使得其精準設計變得更加復雜。目前主要依靠有限元方法進行模擬設計，但其需要消耗較大的算力。
3、因此，現有技術還有待于改進和發展。
技術實現思路
1、鑒于上述現有技術的不足，本專利技術的目的在于提供一種基于深度學習的復合材料管件抗彎剛度預測方法及其系統與終端，旨在解決現有管件抗彎剛度預測方法需要消耗較大算力的問題。
2、本專利技術的技術方案如下：
3、一種基于深度學習的復合材料管件抗彎剛度預測方法，包括步驟：
4、構建層鋪復合材料管件的有限元模型；
5、在懸臂梁條件下利用所述有限元模型測試所述層鋪復合材料管件的抗彎性能，搭建基本數據集；
6、將所述基本數據集進行標準化預處理和分割處理，得到標準數據集；
7、構建神經網絡模型，并利用所述標準數據集對所述神經網絡模型進行訓練，得到管件抗彎剛度預測模型；
8、向所述管件抗彎剛度預測模型中輸入層鋪復合材料管件參數，輸出層鋪復合材料管件
9、所述的基于深度學習的復合材料管件抗彎剛度預測方法，其中，所述構建層鋪復合材料管件的有限元模型的步驟，包括：
10、在有限元軟件中設置單層材料的基本屬性，構建多層材料模型，并設置各層的角度；
11、設置管件的幾何數據，利用所述多層材料模型建立復合材料管件，并劃分好網格單元，完成層鋪復合材料管件的有限元模型的構建。
12、所述的基于深度學習的復合材料管件抗彎剛度預測方法，其中，所述基本屬性包括楊氏模量、剪切模量、泊松比、質量密度。
13、所述的基于深度學習的復合材料管件抗彎剛度預測方法，其中，所述在懸臂梁條件下利用所述有限元模型測試所述層鋪復合材料管件的抗彎性能，搭建基本數據集的步驟，包括：
14、將層鋪數據和管件幾何數據組合，以預定步長掃描各個參數區間，得到多組關于層鋪數據和管件幾何數據的自變量數據；
15、將所述層鋪復合材料管件一端添加固定約束，另一端施加靜載荷，對每組所述自變量數據進行有限元仿真，記錄各組自變量數據對應的所述層鋪復合材料管件的最大撓度，搭建包含層鋪復合材料管件層鋪數據、管件幾何數據和抗彎剛度的基本數據集。
16、所述的基于深度學習的復合材料管件抗彎剛度預測方法，其中，將所述基本數據集進行標準化預處理的表達式為
17、其中，x表示輸入數據，xmean表示數據的均值，xstd表示數據的方差。
18、所述的基于深度學習的復合材料管件抗彎剛度預測方法，其中，所述構建神經網絡模型的步驟，包括：構建基于長短期記憶模型結合全連接神經網絡模型，并設置訓練參數；
19、其中，所述訓練參數包括批處理大小、訓練輪次、驗證頻率、學習率。
20、所述的基于深度學習的復合材料管件抗彎剛度預測方法，其中，利用所述標準數據集對所述神經網絡模型進行訓練，得到管件抗彎剛度預測模型的步驟，包括：
21、所述神經網絡模型的輸入數據x＝[x1，x2]，其中x1對應復合材料的層鋪數據，x2對應管件的幾何數據；
22、x1通過lstm層，則x1輸入處理層的公式為l(x1)＝lstm(x1，m)，其中lstm(x1，m)表示lstm網絡的正向傳播函數，m表示lstm層的內核數；
23、x2通過全連接層，則x2輸入處理層的公式為f1(x2)＝dense(x2；w1，b1)，其中w1，b1分別為全連接層的權重和偏置參數；
24、將x1和x2按特征維度進行拼接，公式為c(x)＝concat(x1，x2)，其中concat表示拼接處理函數；
25、將拼接后的數據輸入兩層全連接層中進行處理得到管件抗彎剛度預測模型；其中將拼接后的數據輸入兩層全連接層中進行處理的公式為f2(x)＝dense(dense(x；w2，b2)；w3，b3)，w2，w3分別表示兩層全連接的權重，b2，b3分別表示兩層全連接的偏置；
26、神經網絡訓練所材料的損失函數為其中y，分別表示為預測值和真實值，n表示訓練用樣本總量。
27、所述的基于深度學習的復合材料管件抗彎剛度預測方法，其中，所述層鋪復合材料管件參數包括長度、半徑、厚度、層鋪角。
28、一種用于實現所述基于深度學習的復合材料管件抗彎剛度預測方法的復合材料管件抗彎剛度預測系統，包括：
29、第一模型構建模塊，用于構建層鋪復合材料管件的有限元模型；
30、數據搭建模塊，用于測試所述層鋪復合材料管件的抗彎性能并搭建基本數據集；
31、數據處理模塊，用于對所述基本數據集進行處理；
32、第二模型構建模塊，用于構建神經網絡模型并進行訓練；
33、數據輸出模塊，用于輸出層鋪復合材料管件的抗彎剛度。
34、一種終端，所述終端包括存儲器、處理器以及存儲在所述存儲器上并可在所述處理器上運行的程序，所述程序被所述處理器執行時實現如所述基于深度學習的復合材料管件抗彎剛度預測方法的步驟。
35、有益效果：本專利技術提供一種基于深度學習的復合材料管件抗彎剛度預測方法及其系統與終端，基于深度學習的復合材料管件抗彎剛度預測方法包括步驟：構建層鋪復合材料管件的有限元模型；在懸臂梁條件下利用所述有限元模型測試所述層鋪復合材料管件的抗彎性能，搭建基本數據集；將所述基本數據集進行標準化預處理和分割處理，得到標準數據集；構建神經網絡模型，并利用所述標準數據集對所述神經網絡模型進行訓練，得到管件抗彎剛度預測模型；向所述管件抗彎剛度預測模型中輸入層鋪復合材料管件參數，輸出層鋪復合材料管件的抗彎剛度。本專利技術通過模擬復合材料管件仿真獲取所屬數據，對數據進行預處理，將預處理后的數據分為層鋪數據、管件幾何數據以及抗彎剛度，將層鋪數據、管件幾何數據作為自變量，抗彎剛度作為應變量，制作樣本數據集，構建管件抗彎剛度預測模型，這樣通過基本數據可以推算出復合材料管件抗彎剛度，實現復合材料管件的低成本和快速準確地設計。相對于傳統的管件逆向設計基于有限元分析的流程，本專利技術中所采用的神經網絡模型可以只經過一次訓練后重復利用，而有限元必須每次設計都重新建模，并且操作人員具有一定門檻，而本專利技術所構建的神經網絡模型訓練好后，只需要簡單地調用即可實現多次管件的逆向設計，大大提高了設計效率，并降低了算力消耗。
本文檔來自技高網...【技術保護點】
1.一種基于深度學習的復合材料管件抗彎剛度預測方法，其特征在于，包括步驟：
2.根據權利要求1所述的基于深度學習的復合材料管件抗彎剛度預測方法，其特征在于，所述構建層鋪復合材料管件的有限元模型的步驟，包括：
3.根據權利要求2所述的基于深度學習的復合材料管件抗彎剛度預測方法，其特征在于，所述基本屬性包括楊氏模量、剪切模量、泊松比、質量密度。
4.根據權利要求1所述的基于深度學習的復合材料管件抗彎剛度預測方法，其特征在于，所述在懸臂梁條件下利用所述有限元模型測試所述層鋪復合材料管件的抗彎性能，搭建基本數據集的步驟，包括：
5.根據權利要求1所述的基于深度學習的復合材料管件抗彎剛度預測方法，其特征在于，將所述基本數據集進行標準化預處理的表達式為其中，X表示輸入數據，Xmeam表示數據的均值，Xstd表示數據的方差。
6.根據權利要求1所述的基于深度學習的復合材料管件抗彎剛度預測方法，其特征在于，所述構建神經網絡模型的步驟，包括：構建基于長短期記憶模型結合全連接神經網絡模型，并設置訓練參數；
7.根據權利要求1所述
8.根據權利要求1所述的基于深度學習的復合材料管件抗彎剛度預測方法，其特征在于，所述層鋪復合材料管件參數包括長度、半徑、厚度、層鋪角。
9.一種用于實現如權利要求1-8任一項所述的基于深度學習的復合材料管件抗彎剛度預測方法的復合材料管件抗彎剛度預測系統，其特征在于，包括：
10.一種終端，其特征在于，所述終端包括存儲器、處理器以及存儲在所述存儲器上并可在所述處理器上運行的程序，所述程序被所述處理器執行時實現如權利要求1-8任一項所述基于深度學習的復合材料管件抗彎剛度預測方法的步驟。
...【技術特征摘要】
1.一種基于深度學習的復合材料管件抗彎剛度預測方法，其特征在于，包括步驟：
2.根據權利要求1所述的基于深度學習的復合材料管件抗彎剛度預測方法，其特征在于，所述構建層鋪復合材料管件的有限元模型的步驟，包括：
3.根據權利要求2所述的基于深度學習的復合材料管件抗彎剛度預測方法，其特征在于，所述基本屬性包括楊氏模量、剪切模量、泊松比、質量密度。
4.根據權利要求1所述的基于深度學習的復合材料管件抗彎剛度預測方法，其特征在于，所述在懸臂梁條件下利用所述有限元模型測試所述層鋪復合材料管件的抗彎性能，搭建基本數據集的步驟，包括：
5.根據權利要求1所述的基于深度學習的復合材料管件抗彎剛度預測方法，其特征在于，將所述基本數據集進行標準化預處理的表達式為其中，x表示輸入數據，xmeam表示數據的均值，xstd表示數據的方差。
6.根據權利要求1所述的基于深度學習的復合材料管...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。