Please wait a minute...
 首页  期刊介绍 期刊订阅 联系我们 横山亮次奖 百年刊庆
 
最新录用  |  预出版  |  当期目录  |  过刊浏览  |  阅读排行  |  下载排行  |  引用排行  |  横山亮次奖  |  百年刊庆
清华大学学报(自然科学版)  2015, Vol. 55 Issue (7): 782-789    
  汽车工程 本期目录 | 过刊浏览 | 高级检索 |
基于代理模型的复合材料带加强筋板铺层优化
刘哲1, 金达锋1, 范志瑞2
1. 清华大学 汽车安全与节能国家重点实验室, 北京 100084;
2. 中北大学 机械与动力工程学院, 太原 030051
Laminate optimization of a composite stiffened panel based on surrogate model
LIU Zhe1, JIN Dafeng1, FAN Zhirui2
1. State Key Laboratory of Automotive Safety and Energy, Tsinghua University, Beijing 100084, China;
2. School of Mechanical and Power Engineering, North University of China, Taiyuan 030051, China
全文: PDF(1386 KB)  
输出: BibTeX | EndNote (RIS)      
摘要 该文基于遗传算法对复合材料带加强筋板中加强筋的铺层顺序进行了优化, 使结构在质量一定的情况下结构屈曲载荷最大。为了减少优化过程中有限元模型的调用次数, 引入径向基神经网络作为代理模型对结构屈曲载荷进行估计, 并且将铺层参数作为其输入以降低目标函数的非线性。由于设计空间形状不规则, 采用D-optimal实验设计方法确定训练径向基神经网络的采样点集。考虑到代理模型存在估计误差, 提出了加强代理模型在暂定最优区域估计精度的方法。算例表明: 以铺层参数为输入的径向基神经网络在建立代理模型方面具有较高的精度和效率; 代理模型的局部精度加强可进一步提高代理模型在暂定最优区域的精度。
服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
刘哲
金达锋
范志瑞
关键词 复合材料加强筋板优化遗传算法代理模型    
Abstract:This study optimized the stacking sequence of stiffeners in a composite stiffened panel to maximize the buckling load of the panel assuming a constant mass panel. The number of finite element models was reduced by using a radial basis function neural network (RBF) as the surragate model with the lamination parameters as inputs to estimate the buckling load. The lamination input parameters reduced the nonlinearities of the objective function. Due to the irregular shape of the design space, the D-optimal method was used to determine the sample points for training the RBF. The model errors were reduced by constructing a zoomed RBF to enhance the RBF accuracy near the provisional optimal laminate. A numerical example shows the accuracy and efficiency of the RBF with the lamination parameters as inputs and how the model accuracy is increased by the zoomed RBF near the optimal region.
Key wordscomposite    stiffened panel    optimization    genetic algorithm    surrogate model
收稿日期: 2014-08-07      出版日期: 2015-09-18
ZTFLH:  TB330.1  
通讯作者: 金达锋,副教授,E-mail:jindf@tsinghua.edu.cn     E-mail: jindf@tsinghua.edu.cn
引用本文:   
刘哲, 金达锋, 范志瑞. 基于代理模型的复合材料带加强筋板铺层优化[J]. 清华大学学报(自然科学版), 2015, 55(7): 782-789.
LIU Zhe, JIN Dafeng, FAN Zhirui. Laminate optimization of a composite stiffened panel based on surrogate model. Journal of Tsinghua University(Science and Technology), 2015, 55(7): 782-789.
链接本文:  
http://jst.tsinghuajournals.com/CN/  或          http://jst.tsinghuajournals.com/CN/Y2015/V55/I7/782
  图1 加强筋铺层优化流程图
  图2 铺层参数在设计空间内的分布图
  图3 带加强筋平板几何尺寸
  表1 T800/924C碳纤维环氧材料性能[12]
  图4 实验测得与有限元法得到的屈曲载荷分布对比图
  图5 实验设计所得采样点分布图
  图6 初始径向基神经网络误差分析结果
  表2 由初始径向基神经网络确定的暂定最优铺层的临近铺层参数及误差
  表3 由局部加强径向基神经网络确定的暂定最优铺层的临近铺层参数及误差
[1] Irisarri F X, Laurin F, Leroy F H, et al. Computational strategy for multiobjective optimization of composite stiffened panels [J]. Composite Structures, 2011, 93(3): 1158-1167.
[2] Marín L, Trias D, Badalló P, et al. Optimization of composite stiffened panels under mechanical and hygrothermal loads using neural networks and genetic algorithms [J]. Composite Structures, 2012, 94(11): 3321-3326.
[3] Faggiani A, Falzon B G. Optimization strategy for minimizing damage in postbuckling stiffened panels [J]. AIAA Journal, 2007, 45(10): 2520-2528.
[4] Rikards R, Abramovich H, Kalnins K, et al. Surrogate modeling in design optimization of stiffened composite shells [J]. Composite Structures, 2006, 73(2): 244-251.
[5] Blom A W, Setoodeh S, Hol J M A M, et al. Design of variable-stiffness conical shells for maximum fundamental eigenfrequency [J]. Computers & Structures, 2008, 86(9): 870-878.
[6] Wang G G, Dong Zuoming, Aitchison P. Adaptive response surface method: A global optimization scheme for approximation-based design problems [J]. Engineering Optimization, 2001, 33(6): 707-734.
[7] Abouhamze M, Shakeri M. Multi-objective stacking sequence optimization of laminated cylindrical panels using a genetic algorithm and neural networks [J]. Composite Structures, 2007, 81(2): 253-263.
[8] Apalak M K, Yildirim M, Ekici R. Layer optimisation for maximum fundamental frequency of laminated composite plates for different edge conditions [J]. Composites Science and Technology, 2008, 68(2): 537-550.
[9] Todoroki A, Ishikawa T. Design of experiments for stacking sequence optimizations with genetic algorithm using response surface approximation [J]. Composite Structures, 2004, 64(3): 349-357.
[10] Todoroki A, Sasai M. Stacking sequence optimizations using GA with zoomed response surface on lamination parameters [J]. Advanced Composite Materials, 2002, 11(3): 299-318.
[11] De Aguiar P F, Bourguignon B, Khots M S, et al. D-optimal designs [J]. Chemometrics and Intelligent Laboratory Systems, 1995, 30(2): 199-210.
[12] Falzon B G, Stevens K A, Davies G O. Postbuckling behaviour of a blade-stiffened composite panel loaded in uniaxial compression [J]. Composites Part A: Applied Science and Manufacturing, 2000, 31(5): 459-468.
[1] 李胜强, 谭铭, 张展博. 含黏性力最速降线问题的最优化解法及其在ADS设计中的应用[J]. 清华大学学报(自然科学版), 2018, 58(6): 563-569.
[2] 王琪, 周驰, 桂良进, 范子杰. 螺旋锥齿轮齿面加载性能多目标优化[J]. 清华大学学报(自然科学版), 2018, 58(6): 529-538.
[3] 薛春辉, 董玉杰. 自然循环熔盐球床堆中间换热器的优化设计[J]. 清华大学学报(自然科学版), 2018, 58(5): 445-449.
[4] 郑军, 李文庆. 基于双PSD的三维测量系统的标定方法[J]. 清华大学学报(自然科学版), 2018, 58(4): 411-416.
[5] 沈方瑶, 戴国骏, 代成雷, 郭鸿杰, 张桦. 基于特征关联模型的广告点击率预测[J]. 清华大学学报(自然科学版), 2018, 58(4): 374-379.
[6] 刘成颖, 吴昊, 王立平, 张智. 基于PSO优化LS-SVM的刀具磨损状态识别[J]. 清华大学学报(自然科学版), 2017, 57(9): 975-979.
[7] 梁彬, 龚伟刚, 游伟, 李赞, 石文昌. JavaScript优化编译执行模式下的动态污点分析技术[J]. 清华大学学报(自然科学版), 2017, 57(9): 932-938.
[8] 成荣, 王希远, 朱煜, 杨开明. 基于有限元方法的光刻机工件台线管组件结构优化[J]. 清华大学学报(自然科学版), 2017, 57(8): 798-802.
[9] 史清宇, 曹雄, 李积元, 陈高强, 刘瞿. FSP制备碳纤维增强铝基复合材料的强韧化机理[J]. 清华大学学报(自然科学版), 2017, 57(8): 792-797.
[10] 黄丽达, 陈建国, 袁宏永, 王岩. 基于博弈论的天然气管网恐怖袭击脆弱性分析[J]. 清华大学学报(自然科学版), 2017, 57(6): 609-613.
[11] 计自飞, 王兵, 张会强. 组合循环推进系统燃料消耗模型及优化分析[J]. 清华大学学报(自然科学版), 2017, 57(5): 516-520.
[12] 谢海明, 林成涛, 刘涛, 田光宇, 黄勇. 增程式城市客车能量的分段跟踪优化方法[J]. 清华大学学报(自然科学版), 2017, 57(5): 476-482.
[13] 冯珂, 王守清, 薛彦广. 基于多方满意的PPP项目股权配置优化研究[J]. 清华大学学报(自然科学版), 2017, 57(4): 376-381.
[14] 郭孟武, 钟宏志. 两种严格界面向目标误差估计方法的等价性[J]. 清华大学学报(自然科学版), 2017, 57(4): 362-368.
[15] 米吉提·阿不里米提, 艾克白尔·帕塔尔, 艾斯卡尔·艾木都拉. 基于层次化结构的语言模型单元集优化[J]. 清华大学学报(自然科学版), 2017, 57(3): 257-263.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 《清华大学学报(自然科学版)》编辑部
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn