基于AMPSO-BP-GA的油船舱段结构优化

由于船体结构的复杂性,传统优化方法容易出现陷入局部最优、求解速度偏慢等问题.基于自适应变异粒子群算法(adaptive mutation particle swarm optimization, AMPSO)、BP神经网络、遗传算法(genetic algorithm, GA),结合Isight/Nastran设计的正交试验,提出了AMPSO-BP-GA结构优化方法.以油船油货舱段结构的优化为算例,验证结构优化方法的有效性和可行性.结果表明:AMPSO算法相比于粒子群算法(particle swarm optimization, PSO)和GA算法具有更好的极值寻优能力;AMPSO-BP神经网络比PSO-BP和GA-BP预报精度更高;针对油船舱段结构优化,在相同的约束条件下,文中的AMPSO-BP-GA方法优化后重量较原设计减轻17.3%,优于GA-BP-GA优化方法的13.5%和PSO-BP-GA优化方法的13.4%.证明该方法具有可行性和有效性并具有推广性,可为船舶结构设计提供参考.

基于直接计算法的超大型油船整体舱段结构优化

基于有限元法的船体舱段整体结构优化优于分块优化,但由于其实现存在很多困难,目前国内研究较少。提出一种综合有限元法、均匀设计、神经网络等方法和理论的优化方案,对大型油船立体舱段结构优化进行了研究。建立了舱段结构强度评估的参数化有限元平台;构建了用于试验的均匀设计表,设计了171次试验,将之代入有限元平台进行计算,得到了用于神经网络训练的样本对,从而建立了设计变量和目标函数及应力响应的神经网络响应面。按照一般的优化流程,采用离散粒子群算法,对某30万t超大型油船舱段整体结构进行了优化设计。优化结果表明该方案是可行的,合理的,可以大大缩短直接计算消耗的机时。