基于NiTi形状记忆合金的柔性可变翼面设计
这是一篇关于NiTi合金,柔性机翼,仿真优化,NiTi合金热处理,差动式驱动结构,增材制造的论文, 主要内容为近些年,人工智能和大数据领域兴起,材料领域的形状记忆合金成为研究热点,通信领域内的5G技术已经成功应用于市场,而建立于材料、电子、计算机和通信等学科之上的航空航天技术也势必迎来新的发展。在军事方面,六代机目前被定义为应具备8种典型能力特征:宽隐身、强感知、远航程、超敏捷、云网络、闪杀伤、积木式组合架构、软件化定义功能。其中,在可控核反应技术应用于飞机之前,远航程和超敏捷可理解为飞机需具备高效率和高性能的特点。对于机翼来说,高效率和高性能意味着能在飞行环境中达到最佳气动性能。传统机翼翼面固定,配合上襟翼也只能在特定的飞行条件下具备最佳气动性能,因此,具有高变形自由度的柔性机翼成为研究重点。本文结合理论、有限元分析与实验提出了一种适用于双凸型机翼的以NiTi形状记忆合金为作动器的柔性机翼解决方案。为了便于加工制造、突出功能性以及降低维护成本,柔性机翼结构使用模块化方法进行设计。为了实现易于控制的双向偏转,使用了差动式驱动结构。为了优化机翼偏转后翼面的连续性和光滑性以及对机翼结构尺寸参数的设计,使用通用有限元软件进行辅助设计分析。为了验证仿真设计的有效性和结构设计的合理性,使用3D打印技术和选择性激光烧结技术制造了柔性机翼模型,搭建了测试平台进行实测分析。研究取得了以下成果:1.制备得到中径8.3mm、丝直径0.7mm、节距1.5mm的NiTi合金弹簧,并通过DSC实验测得其相变温度。其形状记忆效应明显,驱动行程和驱动力满足柔性机翼需求;2.设计了一种以NiTi弹簧为作动器的变形机翼结构,该机翼结构能完成外形光滑连续的变形,相对于传统机翼能有效提升飞机的气动性能;3.使用3D打印技术和选择性激光烧结技术完成了柔性机翼的样机制造,并搭建简易的控制平台进行样机实测。经过实测,机翼在2A的电流下能转动9度,响应时间为20s左右,变形时翼面光滑连续。
基于机器学习与智能优化的车身薄壁结构轻量化设计
这是一篇关于机器学习,代理模型,仿真优化,轻量化,RLGWO,PyQt的论文, 主要内容为随着汽车技术的发展和节能减排法规的日益严格,电动化时代下的轻量化需求更为迫切。作为实现汽车轻量化的重要途经,传统车身结构优化设计主要依赖智能优化算法迭代优化,需要大量的仿真模拟计算,工作效率低、设计周期长。代理模型技术通过收集仿真样本点构建近似数学模型来拟合设计变量与响应之间的复杂关系,为缩短设计周期提供有效的解决方案。然而结构工程领域常用的代理模型泛化能力弱,对非线性、高维问题的拟合效果不佳。基于此,本文利用机器学习构建代理模型,即使在小样本数据集的条件下,机器学习也能克服上述难题,有效提升代理模型的精度和可靠性。薄壁结构作为车身的典型结构,其轻量化是提高运载工具性能和竞争力的关键。因此本文以车身薄壁结构为研究对象,采用机器学习算法扩充代理模型技术的模型库,并利用“机器学习+启发式优化算法”的设计模式实现薄壁结构多维尺寸参数的轻量化设计。具体工作内容如下:(1)针对传统代理模型泛化能力弱、拟合精度低的问题,采用机器学习算法构建薄壁结构的代理模型,有效提升代理模型的准确度和可解释性。首先,通过采样技术和联合仿真构建数据集;其次,通过贝叶斯优化实现了机器学习模型超参数的自动调优,进一步提高代理模型的精度;然后,通过5折交叉验证对代理模型进行准确度对比,发现对于车架、引擎盖和驾驶室这3个结构,功能强大的机器学习模型(XGBoost、Light GBM和深度森林)取得较高的准确率,在质量、刚度和一阶模态上的2决定系数均超过0.94,证明了机器学习作为代理模型具有明显优势;最终,利用SHAP方法对机器学习进行模型解释,以探索各设计变量对力学性能的影响。(2)基于代理模型建立了车身薄壁结构轻量化的数学模型,将轻量化问题转化为一个带约束的单目标优化问题。针对传统元启发式优化算法具有停滞性、次优选择性和行为一致性缺陷的问题,引入了强化学习的机制并提出了一种基于强化学习的灰狼优化算法(RLGWO)。然后,利用RLGWO算法对车身薄壁结构轻量化数学模型进行求解,通过与4种元启发式算法的实验结果对比,证明了RLGWO算法的收敛速度、优化效果和稳定性均是最优的。最后,将RLGWO算法优化后的尺寸参数带入Abqus进行验证,结果表明,车架、引擎盖和驾驶室的刚度和模态性能均满足相应的约束要求,并且质量与基值相比分别减少0.47%、6.05%和8.72%,证明了RLGWO算法在车身薄壁结构轻量化设计中的有效性。(3)基于Python和PyQt工具包设计并开发车身薄壁结构参数优化系统,该系统由四大功能模块组成,即联合仿真模、数据处理、预测分析和全局优化。并使用PyQt中的信号与槽机制开发系统的用户界面,进一步提高软件的使用效率。
基于NiTi形状记忆合金的柔性可变翼面设计
这是一篇关于NiTi合金,柔性机翼,仿真优化,NiTi合金热处理,差动式驱动结构,增材制造的论文, 主要内容为近些年,人工智能和大数据领域兴起,材料领域的形状记忆合金成为研究热点,通信领域内的5G技术已经成功应用于市场,而建立于材料、电子、计算机和通信等学科之上的航空航天技术也势必迎来新的发展。在军事方面,六代机目前被定义为应具备8种典型能力特征:宽隐身、强感知、远航程、超敏捷、云网络、闪杀伤、积木式组合架构、软件化定义功能。其中,在可控核反应技术应用于飞机之前,远航程和超敏捷可理解为飞机需具备高效率和高性能的特点。对于机翼来说,高效率和高性能意味着能在飞行环境中达到最佳气动性能。传统机翼翼面固定,配合上襟翼也只能在特定的飞行条件下具备最佳气动性能,因此,具有高变形自由度的柔性机翼成为研究重点。本文结合理论、有限元分析与实验提出了一种适用于双凸型机翼的以NiTi形状记忆合金为作动器的柔性机翼解决方案。为了便于加工制造、突出功能性以及降低维护成本,柔性机翼结构使用模块化方法进行设计。为了实现易于控制的双向偏转,使用了差动式驱动结构。为了优化机翼偏转后翼面的连续性和光滑性以及对机翼结构尺寸参数的设计,使用通用有限元软件进行辅助设计分析。为了验证仿真设计的有效性和结构设计的合理性,使用3D打印技术和选择性激光烧结技术制造了柔性机翼模型,搭建了测试平台进行实测分析。研究取得了以下成果:1.制备得到中径8.3mm、丝直径0.7mm、节距1.5mm的NiTi合金弹簧,并通过DSC实验测得其相变温度。其形状记忆效应明显,驱动行程和驱动力满足柔性机翼需求;2.设计了一种以NiTi弹簧为作动器的变形机翼结构,该机翼结构能完成外形光滑连续的变形,相对于传统机翼能有效提升飞机的气动性能;3.使用3D打印技术和选择性激光烧结技术完成了柔性机翼的样机制造,并搭建简易的控制平台进行样机实测。经过实测,机翼在2A的电流下能转动9度,响应时间为20s左右,变形时翼面光滑连续。
基于机器学习与智能优化的车身薄壁结构轻量化设计
这是一篇关于机器学习,代理模型,仿真优化,轻量化,RLGWO,PyQt的论文, 主要内容为随着汽车技术的发展和节能减排法规的日益严格,电动化时代下的轻量化需求更为迫切。作为实现汽车轻量化的重要途经,传统车身结构优化设计主要依赖智能优化算法迭代优化,需要大量的仿真模拟计算,工作效率低、设计周期长。代理模型技术通过收集仿真样本点构建近似数学模型来拟合设计变量与响应之间的复杂关系,为缩短设计周期提供有效的解决方案。然而结构工程领域常用的代理模型泛化能力弱,对非线性、高维问题的拟合效果不佳。基于此,本文利用机器学习构建代理模型,即使在小样本数据集的条件下,机器学习也能克服上述难题,有效提升代理模型的精度和可靠性。薄壁结构作为车身的典型结构,其轻量化是提高运载工具性能和竞争力的关键。因此本文以车身薄壁结构为研究对象,采用机器学习算法扩充代理模型技术的模型库,并利用“机器学习+启发式优化算法”的设计模式实现薄壁结构多维尺寸参数的轻量化设计。具体工作内容如下:(1)针对传统代理模型泛化能力弱、拟合精度低的问题,采用机器学习算法构建薄壁结构的代理模型,有效提升代理模型的准确度和可解释性。首先,通过采样技术和联合仿真构建数据集;其次,通过贝叶斯优化实现了机器学习模型超参数的自动调优,进一步提高代理模型的精度;然后,通过5折交叉验证对代理模型进行准确度对比,发现对于车架、引擎盖和驾驶室这3个结构,功能强大的机器学习模型(XGBoost、Light GBM和深度森林)取得较高的准确率,在质量、刚度和一阶模态上的2决定系数均超过0.94,证明了机器学习作为代理模型具有明显优势;最终,利用SHAP方法对机器学习进行模型解释,以探索各设计变量对力学性能的影响。(2)基于代理模型建立了车身薄壁结构轻量化的数学模型,将轻量化问题转化为一个带约束的单目标优化问题。针对传统元启发式优化算法具有停滞性、次优选择性和行为一致性缺陷的问题,引入了强化学习的机制并提出了一种基于强化学习的灰狼优化算法(RLGWO)。然后,利用RLGWO算法对车身薄壁结构轻量化数学模型进行求解,通过与4种元启发式算法的实验结果对比,证明了RLGWO算法的收敛速度、优化效果和稳定性均是最优的。最后,将RLGWO算法优化后的尺寸参数带入Abqus进行验证,结果表明,车架、引擎盖和驾驶室的刚度和模态性能均满足相应的约束要求,并且质量与基值相比分别减少0.47%、6.05%和8.72%,证明了RLGWO算法在车身薄壁结构轻量化设计中的有效性。(3)基于Python和PyQt工具包设计并开发车身薄壁结构参数优化系统,该系统由四大功能模块组成,即联合仿真模、数据处理、预测分析和全局优化。并使用PyQt中的信号与槽机制开发系统的用户界面,进一步提高软件的使用效率。
基于自适应并行狼群算法的机场行李导入系统优化问题研究
这是一篇关于机场行李导入系统,关键控制参数,仿真优化,自适应并行狼群算法,多目标优化的论文, 主要内容为机场行李导入系统(Baggage Import System,BIS)作为机场行李处理系统的输入部分,其服务效率将直接影响其前端值机系统、后端分拣系统及行李处理系统整体的运行效率,而其服务效率与虚拟视窗控制方式、收集带式输送机运行速度、虚拟视窗长度及同时开放值机柜台数量等关键控制参数息息相关。因此,本文以机场BIS为研究对象,综合考虑以上四种关键控制参数对机场BIS服务效率的影响,以最小化旅客行李注入平均等待时间、系统能耗等性能指标作为优化目标,分别对单目标和多目标机场BIS优化问题进行研究,其主要研究内容如下。首先,针对机场BIS运行过程中旅客行李注入等待时间长的问题,以最小化旅客行李注入平均等待时间为优化目标,结合系统设计和运行过程中的实际约束条件,建立该问题的数学模型;提出一种求解该问题的仿真优化框架;并设计一种自适应并行狼群算法进行求解。该算法针对所提问题特性及经典狼群算法易陷入局部最优和收敛速度慢等不足,提出一种混合整实数单链编码方式,融合反向学习策略生成初始种群,引入游走概率机制和智能行为并行机制,采用局部和全局自适应邻域搜索及启发式保优策略实现狼群算法智能行为搜索。以国内某大型国际航空枢纽机场BIS为例设计不同规模多种算法对比实验,验证了自适应并行狼群算法具有更强的搜索性能和寻优效率。其次,在单目标机场BIS优化问题研究的基础上,考虑节能降耗的重要性,以最小化旅客行李注入平均等待时间和系统能耗为优化目标,建立多目标机场BIS仿真优化模型,并设计一种多目标自适应并行狼群算法进行求解。该算法在本文所提自适应并行狼群算法的基础上结合多目标优化和拥挤距离计算等理论和方法,使用Pareto非支配排序进行寻优迭代并获得最优解集,为决策者提供多种优化方案。并引入一种熵权TOPSIS法用来从算法搜索得到的Pareto前沿解集中优中选优,以协助调度人员更好的对调度任务进行决策。最后通过设计不同规模算例,与物流调度领域应用广泛的多目标优化算法进行对比,验证了多目标自适应并行狼群算法具有更好的收敛性、多样性和稳定性。最后,在上述研究成果的基础上,基于B/S系统架构,采用Flask开发框架,利用Python语言设计并开发了一套机场BIS控制参数优化系统,并对系统进行测试与验证。综上所述,本文针对机场BIS优化问题,分别建立单目标和多目标仿真优化模型和数学模型,提出一种求解该类问题的仿真优化框架,分别设计改进狼群算法进行求解,并以实际机场数据分别设计对比实验验证算法的综合性能,实验结果表明,本文所提方法可有效求解机场BIS优化问题。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设驿站 ，原文地址：https://bishedaima.com/lunwen/55257.html
