安吉拉·贝尔纳迪尼博士,CITEAN
虚拟工程技术近年来发展迅速,已被广泛应用于商业产品开发。产品设计和制造组织正在从传统的多系列测试周期方法向模拟方法转变,通过CAE和CAD工具解决问题并验证性能。
对于一个高效的过程来说,设计变量能够在短时间内完成是非常重要的。当被研究的系统表现出非线性行为时,这通常会导致一个挑战。本部分介绍了一种基于神经网络(nn)和遗传算法(GAs)的新方法,它“让数据工作”,并根据可用数据为给定的设计提供最佳可能的解决方案。这种方法的目的是为设计者提供一个工具,可以用来为给定的产品选择最佳的设计。这是可能的,因为通过遗传算法实现优化的神经网络本身基于可用的训练数据。遗传算法用于神经网络主要有两种方法:优化网络结构和训练固定结构的权值。
在其他变量中,神经网络的性能主要依赖于处理元素(神经元)、结构和学习算法的选择。特别是,(神经元之间的)连接密度决定了它存储信息和从中学习的能力。一方面,减少连接数量可能会使网络无法接近功能。另一方面,密集的连接可能导致过拟合。神经网络通常被认为是一种实现复杂非线性函数的方法,使用简单的基本单元连接自适应权值。我们专注于使用GAs优化这些网络的连接结构,以减少学习时间和避免CAD/CAE循环。实际上,这种实现提供的神经网络拓扑在学习和分类新数据时,通常比随机或完全连接的拓扑性能更好。
遗传算子,如突变和交叉,引入多样性到初始随机连接的种群,修改网络的结构和测试候选解决方案。万博 尤文图斯最有效的神经网络训练后,可以调整设计参数,用有限元分析或测试数据精确解相同的精度,但大幅减少仿真时间:分析所需的近似半小时临界点的有限元分析是使用神经网络减少到几秒钟。MATLAB图形用户界面(GUI)作为快速设计指南,其中神经网络的训练数据是由一组自动生成的有限元分析获得的。为了评估这种方法的有效性,本文展示了几个实际应用。例如,螺栓连接的最佳预紧力可以在几秒钟内从螺栓的几何形状、摩擦系数和施加扭矩开始返回。
记录日期:2010年6月22日
你也可以从以下列表中选择一个网站:
请选择中国网站(中文或英文),以获得最佳网站性能。MathWorks的其他国家站点并没有针对您所在位置的访问进行优化。