基于条件变分自编码器的熔铸炸药成型缺陷快速模拟和预测

为了实现凝固缺陷的快速模拟和预测,提出了一种基于条件变分自编码器(CVAE)的熔铸炸药成型缺陷预测模型;以注液温度、冒口预热温度等工艺参数为条件,通过条件变分自编码器建立工艺参数与熔铸炸药缺陷的条件概率模型;采用多层神经网络和变分推断方法结合进行模型训练,实现了RHT和DNP基熔铸炸药凝固成型缺陷预测。结果表明,成功构建了熔铸炸药凝固过程数值模拟的条件概率分布,实现了基于仿真数据的RHT和DNP基熔铸炸药凝固缺陷预测;与有限元直接数值计算结果比较,CVAE算法计算缺陷位置的准确率可达到99%,计算时间小于2 s;CVAE在熔铸炸药缺陷概率分布建模上具有性能高、泛化性强的特点,能有效实现熔铸炸药成型缺陷的智能预测。

基于径向基神经网络的中厚板热弯成形收缩特性分析

针对中厚钢板热弯成形冷却收缩变形问题,对影响变形的主要因素进行了分析。采用拉丁超立方抽样与有限元数值模拟相结合的方式得到试验样本数据,并在此基础上利用径向基函数神经网络建立收缩变形量的预测模型。预测值与试验值相比,最大误差小于1.5%,表明该预测模型的有效性。最后根据RBF神经网络预测的收缩变形量,以冷却过程中有限元节点的位移矢量关系为依据,对模具型面进行了补偿修正。结果表明,采用修正后的模具生产出的产品尺寸误差小于0.05%,满足形状精度的要求。

神经网络及数值模拟技术在热熔钻中的应用

为了能准确把握影响热熔钻钻进的各个主要因素,揭示各因素的影响规律以及热熔钻钻进时周围地层温度场的变化情况和影响范围,首次将神经网络应用到热熔钻领域的研究中,采用神经网络及数值模拟技术分别对实验数据进行预测拟合及仿真分析。运用神经网络能够对热熔钻的实验数据进行很好的预测拟合,数值模拟可模拟地层温度场情况,利用有限元软件生成地层的温度场云图及曲线,使温度场的变化更为直观,便于分析研究。将训练好的网络模型保存下来,在下次实验中只需测量少数几个值将其导入训练好的网络模型,便可得出一组对应的数据,从而节省实验成本,提高实验效率。该模型可作为对应结论的预测模型使用,为热熔钻的研究提供了新思路。

基于BP神经网络和多目标粒子群算法的自动钻铆工艺参数优化方法

飞机壁板自动钻铆大量采用干涉连接,干涉量的均匀程度与壁板变形程度的协同控制是目前亟须解决的问题,为此提出一种基于BP神经网络(BP neural network,BPNN)的优化方法。以压铆力、压铆过程时间、压铆停留时间和夹紧力为变量,以仿真数据为样本,采用BP神经网络,建立干涉量均匀程度和壁板变形程度的预测模型,利用多目标粒子群算法(Multi-objective particle swarm optimization,MOPSO)进行多目标优化。仿真及试验结果表明,优化后的参数能够显著提升干涉量的均匀程度并有效降低板件的变形程度。

热熔钻进过程中的温度场

热熔钻进作为一种广谱式的碎岩新方法,钻进时70%～80%的能量集中在孔底,热熔钻进过程中以热熔器产生的高温作为热源,热熔器及其周围岩土体中的温度场将直接决定着热熔钻进的能力,因此对热熔钻进过程中温度场的研究显得极为重要。为了揭示热熔钻进时周围土体温度场的变化情况和影响范围,建立了热熔器外土体中的温度沿径向分布的稳态及非稳态热传导方程,在热熔钻进实验台上对热熔器外土体中的温度进行实测,测量的结果与理论计算结果是吻合的,说明所建立的热传导数学模型是可靠的;运用实验测得的数据构建GA-BP神经网络,对热熔钻进过程中周围土体的温度场进行预测,结果表明:基于GA-BP的神经网络与基于BP的神经网络相比,对干砂土、湿黏土和湿砂土中测点温度值随时间变化的预测得到的均方误差分别小0.027,0.024,0.011,且GA-BP网络比BP网络的计算时间分别短9 s,4 s,11s;运用有限元软件ANSYS对热熔钻进过程中的温度场进行数值模拟,得到随热熔钻进实验进行时间而变化的不同土体中的温度场云图,该模拟结果与实验得到的数据能够较好地吻合。

基于数值计算与遗传神经网络热熔钻研究

对热熔钻进过程中热熔体的相关问题展开研究,建立相应的数学模型,结合热熔钻进实验过程中的相关参数进行计算,得到了相应的解析解,并分析其规律与产生的原因,计算结果的变化规律与实际过程基本相符,表明所构建的数学模型是可靠的。此外,对热熔钻进过程中孔壁周围玻璃状硬壳的形成展开研究并给出了可靠的硬壳厚度计算的经验公式。将遗传算法与BP算法相融合构建GA-BP神经网络分别对有关热熔体与施加在热熔器上的有效热功率及钻压对热熔钻进速度的影响的数据进行预测。研究结果表明:基于GA-BP神经网络对热熔体在环空间隙中流速的分布,热熔体作用在热熔器外表面上的压力,热熔体作用在热熔器上的摩擦力,热熔器有效热功率在不同地层中对热熔钻进速度的影响和热熔器施加不同钻压在不同地层中对热熔速度影响的预测得到数据的均方误差比基于BP神经网络预测得到数据的均方误差分别小0.449×10-6,0.005 6,0.001 1,0.104和0.136,且GA-BP网络比BP网络的计算时间分别短7,15,2,9,和15 s。

基于有限元的钻进参数相互影响机理研究

在实际的岩土钻进过程中会经常遇到软弱岩土层、破碎带及断层、岩溶、高地应力等不良地质,因此给钻进工程带来一系列问题和灾害。众多文献资料和试验数据证明,此类问题与钻进的运行参数以及岩土的力学参数有着密不可分的关系。由此,本项目以PDC复合片钻头为研究对象并进行仿真模拟分析,设置不同的岩体参数以及不同的钻进参数,将在不同条件下所得的作业数据进行分析研究,揭示钻头在不同岩石中钻进参数表现的区别和在不同岩体在相同钻进条件下轴压和扭矩的区别和联系。分析发现岩石性质越好的其Mises等效应力就越高;在一定范围内钻头轴压和扭矩均与钻速呈现出正相关的关系,钻压的提高增加了钻齿的切入深度与岩石切削作用,扭矩继而随之增加;在相同钻速条件下转速的提高并没有对轴压产生较明显的影响,扭矩则呈现正相关变化。最后通过Python语言建立人工神经网络,经过机器学习对数值模拟数据和实际钻孔数据进行训练,验证利用钻进参数和机器学习的方法来实现对岩石种类的判识具有可实现性,最终结果表明对模拟数据训练预测的准确率达到90%左右,实际数据的准确率最高达到78%。

基于大样本数值模拟与机器学习算法的机械化钻爆法隧道智能设计

机械化钻爆法开挖隧道具有进尺长、台阶短、临空面大的特征,基于既有工程经验的隧道设计方法,难以适应机械化施工的需求.依托渝昆高铁隧道群,通过MATLAB随机生成符合现场实际的计算工况,调用有限差分软件FLAC3D开展大样本自动化数值模拟,并将结果保存至数据库中.引入机器学习算法,将初始地应力场、岩体物理力学参数、开挖支护参数作为输入层,将围岩变形及支护体系力学响应作为输出层,对径向基(RBF)神经网络进行训练,建立了输入层与输出层参数之间的非线性映射关系.利用遗传-模拟退火算法(GA-SA),开展隧道断面开挖和支护参数优选.结果表明,RBF神经网络的预测精度较高,其中二次衬砌拱顶轴力的拟合度R^(2)为0.836.在迭代优化过程中调用训练完毕的神经网络,能够直接获取输入参数对应隧道断面的力学响应结果,显著节约了计算时间成本,使优化结果迅速收敛至最优适应度.