一种基于智能算法的缩比模型附加质量的方法

1.本发明涉及模型设计的技术领域，特别涉及一种基于智能算法的缩比模型附加质量的方法。


背景技术：

2.在核电站的输送管道处，连接控制室支撑座的管道振动较大，过大的振动不仅产生较大噪音，严重时可能影响控制室地面结构安全，需要进行减振。而直接对输送管道原型进行减振实验危险系数高，难度大，所以需要建立缩比模型，进行仿真实验和实体实验。在建立常规缩比管道后，其振型与实际核管道差距过大，需要加配重，使得缩比模型振型更加稳定，和原型的匹配度更高。目前增加配重的方式主要是人为经验添加，而人为添加配重有以下缺陷：
3.①
科学性难以验证：
4.在目前的行业内，参数修改和运行依赖人工操作，随着修改次数过多，人工可修改的参数维度和范围会显得相对有限，难以生成最优解，且对振型的相似度的观察全靠肉眼观察，没有确定的指标，说服力不足
5.②
时间人力消耗大：
6.设计时机械设计建模、有限元仿真与自动化运动模拟验证均在独立的软件中完成，软件之间较少存在接口调用，难以实现自动化协同作业。尤其在设计修改后需要进行仿真与运行验证时，沟通交流的人力成本巨大。且因为有限元仿真的速度较为低下，不易实现并发，会造成很多的时间损失，延误工期。


技术实现要素：

7.针对现有技术中存在的不足之处，本发明的目的是提供一种基于智能算法的缩比模型附加质量的方法，提高缩比模型模态相似度，实现自主优化，减少人工时间投入。为了实现根据本发明的上述目的和其他优点，提供了一种基于智能算法的缩比模型附加质量的方法，包括：
8.s1、初始化质点，恢复初始文件；
9.s2、随机产生更改质量质点的位置、位移或偏移；
10.s3、进行模态分析，获取固有频率与关键振型；
11.s4、根据适应度函数，判断是否为当前最优值，当判断最优时，保存为最优值或替换旧有最优值；当判断为非最优值，则进行下一步；
12.s5、进行判断是否达到迭代次数，当判断没有达到迭代次数，则重新生产参数返回步骤s3；反之则输出最优参数。
13.优选的，步骤s2还包括以下步骤：
14.s21、通过随机产生目标点；
15.s22、查询点序号；
16.s23、进行判断是否可偏移，当判断不可偏移时，则进行修改配重，完成修改；反之则进行下一步；
17.s24、查询相邻下一个点的序号及相邻连接序号；
18.s25、删除连接；
19.s26、在两点连接线线上生成新点并添加配重；
20.s27、生成新连接，完成修改；
21.s28、生成新点，获取当前模态分析的计算适应度后，将当前修改的模型删除修改的点恢复原状。
22.优选的，步骤s4中通过对比分析原型文件在它的各阶固有频率下的振型幅度大小，将“某阶下的振型幅度大”看作“该阶频率影响因子大”，以判断不同阶数固有频率的重要性；根据互反性标度准则，若参照取影响频率里影响最小的第9阶为等级1，则得到各阶频率的重要性；依据重要性排序构造判断矩阵表；采用算数平均法求得权重向量：在python中复现该式子，用电脑计算出权重向量；得到的适应度函数框架采用无量纲化处理。
23.优选的，步骤s5中迭代通过粒子群算法，包括以下步骤：
24.s51、初始化粒子群参数；
25.s52、随机初始化每个粒子的位置和速度；
26.s53、进行判断是否满足结束条件，当判断满足结束条件，则输出最优解，画图并保存结果；反之则进行下一步；
27.s54、更新每个粒子的速度和位置，计算每个粒子的个体历史最优适应值和位置；
28.s55、更新群体历史最优适应值和位置；
29.s56、更新其他参数，如惯性权重、迭代次数，返回步骤s53。
30.本发明与现有技术相比，其有益效果是：利用pyansys库将apdl命令流与算法相结合，实现自主优化，减少人工时间投入，降低对人员经验要求，自动进行参数优化，提升时间效率和经济效率。模态分析出的数据更可靠，通过可量化的数据，如低阶模态的位移向量，固有频率，对应振型，而不是肉眼观测，更科学、专业、有说服力地反映缩比模型的相似程度
附图说明
31.图1为根据本发明的基于智能算法的缩比模型附加质量的方法的流程图；
32.图2为根据本发明的基于智能算法的缩比模型附加质量的方法的管道质心集中模型图；
33.图3为根据本发明的基于智能算法的缩比模型附加质量的方法的点偏移流程图；
34.图4为根据本发明的基于智能算法的缩比模型附加质量的方法的迭代计算的流程图。
具体实施方式
35.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
36.参照图1-4，一种基于智能算法的缩比模型附加质量的方法，包括：s1、初始化质点，恢复初始文件；
37.s2、随机产生更改质量质点的位置、位移或偏移，其中管道结构构建有限元模型，模型由质点构成，不具有连续性；
38.s3、进行模态分析，获取固有频率与关键振型；
39.s4、根据适应度函数，判断是否为当前最优值，当判断最优时，保存为最优值或替换旧有最优值；当判断为非最优值，则进行下一步；
40.s5、进行判断是否达到迭代次数，当判断没有达到迭代次数，则重新生产参数返回步骤s3；反之则输出最优参数。
41.进一步的，步骤s2还包括以下步骤：
42.s21、通过随机产生目标点；
43.s22、查询点序号；
44.s23、进行判断是否可偏移，当判断不可偏移时，则进行修改配重，完成修改；反之则进行下一步；
45.s24、查询相邻下一个点的序号及相邻连接序号；
46.s25、删除连接；
47.s26、在两点连接线线上生成新点并添加配重；
48.s27、生成新连接，完成修改；
49.s28、生成新点，获取当前模态分析的计算适应度后，将当前修改的模型删除修改的点恢复原状。
50.骤s2中建立列表，找到所有可以进行偏移的点；建立字典，找到每一个点对应的下一个节点和下一个连接的编号，并确定坐标；通过代码实现质点的偏移。
51.进一步的，步骤s4中通过对比分析原型文件在它的各阶固有频率下的振型幅度大小，将“某阶下的振型幅度大”看作“该阶频率影响因子大”，以判断不同阶数固有频率的重要性，如观察到第二阶下的模型振动，振动幅度大记为非常重要，而且通过观察，认为第1、2、4、8、9、10、12、13阶固有频率下，模型的振型幅度最大；根据互反性标度准则，若参照取影响频率里影响最小的第9阶为等级1，则得到各阶频率的重要性，如下表格：
52.阶数等级标度123259435823911104.58
12231347
53.依据重要性排序构造判断矩阵表，如下表：
[0054][0055][0056]
；采用算数平均法求得权重向量：在python中复现该式子，用电脑计算出权重向量；
[0057]
得到所选各阶权重向量依次为：
[0058]
[0.02159556215036453,
[0059]
0.04319565540468108,
[0060]
0.04319565540468108,
[0061]
0.04319565540468108,
[0062]
0.09380870704830496,
[0063]
0.1740434366742668,
[0064]
0.2415097809045548,
[0065]
0.33945554700846575]；得到的适应度函数框架采用无量纲化处理：式子由σ各阶下权重占比*abs(fn-原型fn)/原型fn+σ各阶下权重占比*abs(关键点位移x-原型该点位移)/原型该点位移)组成。
[0066]
进一步的，步骤s5中迭代通过粒子群算法，包括以下步骤：
[0067]
s51、初始化粒子群参数，该参数包括粒子群规模、离子维度、迭代次数、惯性权重、学校因子及迭代步长范围；
[0068]
s52、随机初始化每个粒子的位置和速度，会输出个体历史最优位置、群里历史最优位置、个体历史最优适应值及群体历史最后适应值；
[0069]
s53、进行判断是否满足结束条件，当判断满足结束条件，则输出最优解，画图并保存结果；反之则进行下一步，该满足结束条件为达到迭代次数或两次迭代之间适应值的最小差值；
[0070]
s54、更新每个粒子的速度和位置，计算每个粒子的个体历史最优适应值和位置；
[0071]
s55、更新群体历史最优适应值和位置；
[0072]
s56、更新其他参数，如惯性权重、迭代次数，返回步骤s53。
[0073]
通过该方法最优解：
[0074]
更改的目标点为从：1003偏移距下一个点10分之2的距离；
[0075]
更改后的质量：602.3584893872734
[0076]
更改的目标点为：1423；更改后的质量：770.2720809191716
[0077]
更改的目标点为：1260；更改后的质量：318.9074964030893
[0078]
更改的目标点为：1339；更改后的质量：386.5553713111135
[0079]
更改的目标点为：1094；更改后的质量：907.5696610560703
[0080]
更改的目标点为：1148；更改后的质量：669.2781255375768
[0081]
更改的目标点为：1367；更改后的质量：733.6822171195338
[0082]
更改的目标点为：1161；更改后的质量：721.4007679420098
[0083]
更改的目标点为：1039；更改后的质量：98.76057365692708
[0084]
更改的目标点为：1229；更改后的质量：430.0133245805539
[0085]
更改后的适应度参数：4.8590630529834495
[0086]
初始适应度参数：16757.833629590103。
[0087]
这里说明的设备数量和处理规模是用来简化本发明的说明的，对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
[0088]
尽管本发明的实施方案已公开如上，但其并不仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

技术特征：
1.一种基于智能算法的缩比模型附加质量的方法，其特征在于，包括以下步骤：s1、初始化质点，恢复初始文件；s2、随机产生更改质量质点的位置、位移或偏移；s3、进行模态分析，获取固有频率与关键振型；s4、根据适应度函数，判断是否为当前最优值，当判断最优时，保存为最优值或替换旧有最优值；当判断为非最优值，则进行下一步；s5、进行判断是否达到迭代次数，当判断没有达到迭代次数，则重新生产参数返回步骤s3；反之则输出最优参数。2.如权利要求1所述的一种基于智能算法的缩比模型附加质量的方法，其特征在于，步骤s2还包括以下步骤：s21、通过随机产生目标点；s22、查询点序号；s23、进行判断是否可偏移，当判断不可偏移时，则进行修改配重，完成修改；反之则进行下一步；s24、查询相邻下一个点的序号及相邻连接序号；s25、删除连接；s26、在两点连接线线上生成新点并添加配重；s27、生成新连接，完成修改；s28、生成新点，获取当前模态分析的计算适应度后，将当前修改的模型删除修改的点恢复原状。3.如权利要求2所述的一种基于智能算法的缩比模型附加质量的方法，其特征在于，步骤s4中通过对比分析原型文件在它的各阶固有频率下的振型幅度大小，将“某阶下的振型幅度大”看作“该阶频率影响因子大”，以判断不同阶数固有频率的重要性；根据互反性标度准则，若参照取影响频率里影响最小的第9阶为等级1，则得到各阶频率的重要性；依据重要性排序构造判断矩阵表；采用算数平均法求得权重向量：在python中复现该式子，用电脑计算出权重向量；得到的适应度函数框架采用无量纲化处理。4.如权利要求3所述的一种基于智能算法的缩比模型附加质量的方法，其特征在于，步骤s5中迭代通过粒子群算法，包括以下步骤：s51、初始化粒子群参数；s52、随机初始化每个粒子的位置和速度；s53、进行判断是否满足结束条件，当判断满足结束条件，则输出最优解，画图并保存结果；反之则进行下一步；s54、更新每个粒子的速度和位置，计算每个粒子的个体历史最优适应值和位置；s55、更新群体历史最优适应值和位置；s56、更新其他参数，如惯性权重、迭代次数，返回步骤s53。

技术总结
本发明公开了一种基于智能算法的缩比模型附加质量的方法，包括：S1、初始化质点，恢复初始文件；S2、随机产生更改质量质点的位置、位移或偏移；S3、进行模态分析，获取固有频率与关键振型；S4、根据适应度函数，判断是否为当前最优值，当判断最优时，保存为最优值或替换旧有最优值；当判断为非最优值，则进行下一步；S5、进行判断是否达到迭代次数，当判断没有达到迭代次数，则重新生产参数返回步骤S3；反之则输出最优参数。根据本发明，提高缩比模型模态相似度，实现自主优化，减少人工时间投入。减少人工时间投入。减少人工时间投入。


技术研发人员：黄华 梁乐搏 胡宏霖 张冰怡 刘益萌 刘晋飞 谢楠 陆贝尔 庞玮 张仕祥 于春梵 朱易凡 陈震煊
受保护的技术使用者：同济大学
技术研发日：2023.07.13
技术公布日：2023/10/11