安吉拉·贝尔纳迪尼博士,CITEAN
近年来,虚拟工程技术经历了快速进展,并被广泛接受商业产品开发。产品设计和制造组织正在从传统的多种和串行测试循环方法转变为模拟,这解决了使用CAE和CAD工具的问题并验证了性能。
为了有效的过程,必须在短时间内完成设计变体。当下属的系统表现出非线性行为时,这通常会导致挑战。本次会议以神经网络(NNS)和遗传算法(气体)引入新方法,该方法将“将数据放入工作”并根据可用数据为给定设计提供最佳解决方案。该方法的目标是提供具有工具的设计者,该工具可用于为给定产品选择最佳设计。通过基于可用的培训数据,由于通过GA实现,因此可以通过NN实现来实现这一点。遗传算法以两种主要方式用于神经网络:以优化网络架构并培训固定架构的权重。
神经网络的性能主要依赖于处理元素(神经元)的选择、体系结构和学习算法等变量。特别是神经元之间的连接密度决定了神经元存储和学习信息的能力。一方面,减少的连接数可能使网络无法接近功能。另一方面,紧密连接可能导致过拟合。网络神经网络通常被看作是一种方法,以实现复杂的非线性函数使用简单的初等单位连接自适应权值。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,避免CAD/CAE循环。实际上,这种实现提供了神经网络拓扑,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,介绍初始随机连接的人口,修改网络的架构和测试候选解决方案。万博 尤文图斯一旦培训最有效的NN,就可以调整设计参数,与FEA或测试数据相同,但急剧减少模拟时间:减少了分析FEA关键点所需的近似小时和一半几秒钟使用神经网络。Matlab图形用户界面(GUI)作为一个快速设计指南,其中NN的训练数据是从一组自动生成的FEA分析中获得的。为了评估该方法的有效性,显示了几种实际应用。例如,从螺栓的几何形状,摩擦系数和施加的扭矩开始时返回螺栓接头的最佳预载荷。
记录:2010年6月22日
您还可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。