面向起重机械力学正反问题的深度学习求解方法

传统数值方法在求解机械工程中的复杂偏微分方程及反问题时往往存在过程繁琐、时间成本高等问题。为解决这一问题,建立了基于物理信息的神经网络模型,通过深度学习求解偏微分方程的正反问题,并在损失函数中添加一项梯度增强项以进一步提高预测的精度。为验证该方法,将其应用到起重机械中两种常见模型的求解,即简支梁和矩形薄板简化模型的力学正反问题。与传统的数值方法在求解反问题中计算复杂、精度相对较差相比,深度学习在求解反问题时,仅需在正问题的基础上对简单的修改损失函数即可求解反问题,从而节省了时间成本,获得相对较高的数值精度。同时,对添加增强项前后的神经网络模型进行计算与对比分析。结果表明,在相同的参数设置下,添加梯度增强项的神经网络模型在求解机械工程的正反问题中均能获得更为准确的预测结果,可为起重机械力学中的方程求解问题提供新思路。

干式超声清洗头空腔结构声模态特性数值模拟

为研究干式超声波清洗头空腔结构的流场和声场特性,根据干式超声清洗头的超声波发声机理设计了通过流体间流体力学相互作用发声的3 mm腔体(小腔体)结构和通过流体与声学模态共振相互作用发声的10 mm腔体(大腔体)结构,采用计算流体力学(computational fluid dynamics, CFD)方法对所设计的方腔展开数值研究。结果表明:两结构有着相似的流场特性,相同压力条件下小腔体的流激振荡更激烈;腔体内最大流速随压力的增大而增大,最大流速的增长率随压力增大而减小,不同的腔体在相同压力条件下最大速度、最大速度的增长率相近;两种结构均能产生超声波,其超声波发声机理与腔体尺寸相关,发声机理与预测值相符。研究表明,针对干式超声波清洗头的流道结构设计并不局限于流体间流体力学相互作用发声的小腔体,大腔体同样可以产生强烈高频超声波,这为干式超声波清洗头的结构设计提供参考。

起重机主梁截面风力系数预测及结构优化设计

为解决传统计算流体力学(computational fluid dynamics, CFD)方法获取港口起重机主梁截面风力系数过程繁琐、难以实现结构快速优化设计的关键技术难题,提出了一种基于卷积神经网络的起重机主梁截面风力系数快速预测模型。本研究所提出的风力系数快速预测模型利用自由几何变形方法处理基础截面形状以获取具有丰富几何特征的起重机主梁截面图形集,并采用CFD方法计算各主梁截面图形对应的风力系数生成数据集。在此基础上,基于数据集训练预测模型并对其网络结构进行优化,建立了主梁截面与风力系数之间的非线性映射关系。此外,进一步将该预测模型与遗传算法结合建立了一种主梁截面优化设计方法,并以数据集内F11截面为例将防风性能作为优化目标测试了该优化方法的准确性和效率。算例测试结果表明,所提出的风力系数快速预测模型在预测各主梁截面的风力系数时平均相对误差为1.87%,预测时间为毫秒量级,比传统CFD方法计算效率有数量级地提升;应用本研究所发展的起重机主梁截面优化设计方法优化后的F11截面较优化前风力系数降低了15.89%,能够极大地提高主梁截面的防风性能,证明了所提出的优化方法的可靠性,可作为一种起重机主梁截面结构优化设计与快速选型的新方法。