基于bp神经网络重构圆柱壳初始几何形貌缺陷的方法
技术领域
1.本发明属于机器学习技术领域，具体涉及基于bp神经网络重构圆柱壳初始几何形貌缺陷的方法。
背景技术：2.压力容器通常是由板、壳组合而成的焊接结构。常用的壳体分别是圆柱壳、球壳、椭球壳、锥形壳和它们构成的组合壳，而外压壳体一般应用于能源、电力、城市燃气、石油和化工等重要工业部门，一旦发生失效可能产生灾难性后果，因此设备结构的可靠性对其工作场所的安全性有着重要作用。
3.壳体的主要失效形式是屈曲失稳，当壳体受到的外压逐渐增大到某个临界值时，其突然改变形状，产生失稳破坏。这种失稳发生突然，反应强烈，严重的会造成不可估量的经济损失和生命安全。在设计过程中，如能准确的预测其临界失稳压力，将有效的避免屈曲失稳发生。
4.在以往对外压容器的研究中，学者发现由理论公式得到的临界失稳压力与实际结果存在很大的差距。这种差距主要由两方面引起，首先屈曲失稳是复杂的，存在几何、材料双非线性，用理论公式很难准确描述；其次，在制造过程中产生的初始几何形貌缺陷也会降低其临界失稳压力。
5.从上世纪60年代开始，学者们才逐渐开始重视形貌缺陷对壳体失稳的影响。随着形貌缺陷描述方式的发展，现如今，对形貌缺陷的描述主要是壳体的实际测量形貌缺陷、借助有限元软件的一致缺陷模态法和使用双重傅里叶函数拟合方法。
6.长期以来，人们想找到能够模拟大脑神经元的活动机制，找到一个既具有计算能力，又拥有人类的推理和识别能力的动力系统。在这种思想推动下，神经网络的研究应运而生。人工神经网络是一种能够模仿生物大脑神经元活动机理的具有良好结构的数学模型。
7.神经网络通常由相互连接的神经元系统组成，这些神经元之间相互交换信息，并且这些连接的权重可以根据预测的准确性进行更改，从而使神经网络具有自适应性和学习能力。通过调整神经元之间的连接权重值，可以训练神经网络执行特定功能。神经网络通常经过调整，以使特定的输入导出特定的目标(实际输出)，网络的训练工作基于输出和目标的比较，直到网络输出与目标(实际输出)匹配。这些连接(输入)具有称为与其相关联的突触权重，这些权重与沿着每个信号传播的连接相乘。神经网络经过训练，可以执行复杂的功能，如函数逼近、模式识别、回归分析、视觉和语音识别及控制系统。
8.bp神经网络(back propagation neural network)的训练主要包括两个步骤。第一步为正向传播，其中各个输入变量都经历了两次(输入层——隐层、隐层——输出层)被权重矩阵中的相应元素加权+被偏差矩阵中的相应元素调整+被激活函数作用的过程，获得预测输出。用预测输出值与目标输出计算误差，再由误差根据某种准则逐层修改权值，使误差减小。如此反复直到误差不在下降，网络就训练完成了。修改权值有不同的规则，标准的bp神经网络沿着误差性能函数梯度的反向修改权值，原理与lms算法比较类似，属于最速下
降法。此外，还有一些改进算法，如动量最速下降法等。
技术实现要素：9.针对现有技术中存在的上述问题，本发明的目的在于提供基于bp神经网络重构圆柱壳初始几何形貌缺陷的方法，其通过人工神经网络来得到含初始几何形貌缺陷的几何模型，以此获得另一种进一步预测外压壳体屈曲载荷的方法。
10.本发明提供如下技术方案：
11.基于bp神经网络重构圆柱壳初始几何形貌缺陷的方法，包括如下步骤：
12.步骤1、获取壳体输入参数，分别创建壳体的不圆度、焊缝缺陷、表面几何幅值缺陷的输入参数数据库；
13.步骤2、神经网络搭建及运行：使用matlab创建feedforwardnet函数，同时使用默认的传递函数，搭建针对壳体的不圆度、焊缝缺陷、表面几何幅值缺陷的第一神经网络模型、第二神经网络模型及第三神经网络模型；
14.步骤3、对步骤2中搭建的三个神经网络模型进行训练及测试，；
15.步骤4、预测壳体缺陷施加，得到能真实反映壳体实际形貌缺陷的多种缺陷叠加的初始几何形貌；
16.步骤5、将含有初始几何形貌缺陷的壳体进行材料、几何双非线性屈曲分析，根据屈曲分析结果，进行适用性验证。
17.进一步的，所述步骤1中，默认的传递函数包括在输入层与隐藏层之间的双曲正切tansig函数和隐藏层与输出层之间的线性传递函数purelin。
18.进一步的，所述步骤3中，采用贝叶斯正则化算法trainbr对第一神经网络模型、第二神经网络模型进行多重训练；采用列文伯格-马夸特trainlm算法对第三神经网络模型进行多重训练。
19.进一步的，所述第一神经网络模型及第二神经网络模型训练中，神经元数n采用公式：n
hid
＝2n
in
+1确定，n
hid
为隐藏层神经元数，n
in
为输入层神经元数；在第三神经网络模型训练过程中，给出马夸特调整参数mu和神经元数n两种超参数的范围，使用网格搜索和十折交叉验证来搜索合适的超参数组合(n，mu)。
20.进一步的，所述步骤3中，对于训练好的神经网络模型采用均方误差mse、相关系数r值、误差直方图三个参数进行测试评判。
21.进一步的，所述步骤4的具体过程如下：
22.4.1、首先在abaqus自建一个与预测壳体名义尺寸相同的壳体；
23.4.2、然后将通过已经训练好的第一神经网络模型、第二神经网络模型预测的不圆度、焊缝缺陷用python脚本依次施加到自建壳体；
24.4.3、将预测壳体的节点数据作为第三神经网络测试集进行预测，并得到预测出来的表面缺陷幅值，并将表面缺陷幅值通过abaqus输入文件inp导入，最终得到能真实反映壳体实际形貌缺陷的多种缺陷叠加的初始几何形貌。
25.通过采用上述技术，与现有技术相比，本发明的有益效果如下：
26.本发明采用bp神经网络建立一种更加准确有效地重建薄壁圆柱壳几何形貌的方法，使几何缺陷分布接近于实际情况，为建立含初始几何形貌缺陷的薄壁圆柱壳的高保真
有限元模型提供技术支持，通过几何、材料双非线性屈曲失稳分析，从而能够更加准确地反应临界失稳压力。
附图说明
27.图1为本发明实施例的流程示意图；
28.图2为本发明实施例中第一神经网络的结构示意图；
29.图3为本发明实施例中第二神经网络的结构示意图；
30.图4为本发明实施例中第三神经网络的结构示意图；
31.图5为含不圆度、纵焊缝缺陷的网格模型示意图；
32.图6为含不圆度、焊缝和表面几何幅值缺陷的网格模型示意图；
33.图7为十折交叉验证示意图。
具体实施方式
34.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合说明书附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
35.相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
36.请参阅图1-7，基于bp神经网络重构圆柱壳初始几何形貌缺陷的方法，包括以下步骤：
37.首先获取神经网络训练所需要的输入数据。
38.对第一神经网络选择壳体厚度t、半径r和长径比l/do做输入参数，不圆度δ做输出参数，如图2所示，因此第一神经网络模型由3个输入层神经元、7个隐层神经元、1个输出层神经元和输入层与隐层间的传递函数tansig、隐层与输出层间的传递函数purelin构成，其中使用feedforwardnet函数，输入数据与输出数据会经过默认的预处理模块，进行归一化与反归一化。
39.对第二神经网络选择半径厚度比r/t、壳体壁厚t做输入参数，棱角度e和对口错边量b作为输出参数，如图3所示，因此第一神经网络模型由2个输入层神经元、5个隐层神经元、2个输出层神经元和输入层与隐层间的传递函数tansig、隐层与输出层间的传递函数purelin构成。
40.对第三神经网络选择周向弧度θ和轴向高度h作为输入参数，几何缺陷大小w作为输出参数如图4所示，因此第一神经网络模型由2个输入层神经元、若干个隐层神经元、1个输出层神经元和输入层与隐层间的传递函数tansig、隐层与输出层间的传递函数purelin构成。
41.这里对4个名义大小尺寸相同的圆柱壳的缺陷通过bp神经网络预测另一个相同名义尺寸的圆柱壳的缺陷，5个圆柱壳名义高度、厚度和半径分别为140mm、1mm和50mm。
42.将三个神经网络数据库按70％、15％和15％的比例分别划分训练集、验证集和测
试集，在第一神经网络模型中选取trainbr作为训练算法，通过公式n
hid
＝2n
in
+1确定神经元数，对网络训练10次，生成10个神经网络，并依次对测试集进行仿真。将10次训练结果的mse、r值平均值做为总体性能评价，获得预测壳体的不圆度缺陷。其中mse是网络误差的均值平方和：
[0043][0044]
上式ti是目标输出，αi是预测输出，ei是误差。r值是输出和目标之间的相关系数，它用于衡量目标解释输出变化的程度，如果此数值等于1.0，则目标和输出之间就有完美的相关性。
[0045]
第二神经网络模型中训练算法，隐层神经元数目获取方式与第一神经网络模型相同，并在相同的步骤下获得预测圆柱壳的焊缝缺陷。
[0046]
将预测的不圆度缺陷和焊缝缺陷通过编写的python脚本导入abaqus中，创建含有不圆度缺陷和焊缝缺陷并与预测壳体实测尺寸相同的圆柱壳，如图5所示。将预测壳体的网格节点三维坐标导出，在matlab中将节点直角坐标转换为柱坐标，并获得的第三神经网络模型的相关参数作为测试集。
[0047]
第三神经网络模型中选取trainlm作为训练算法，通过网格搜索和十折交叉验证来确定包含神经元数在内的超参数组合，如图7所示。首先在n∈[1，150],mu∈[0.001，001，0.1，1]进行大范围超参数选择，然后再确定的小范围内挑选最优的超参数组合。对每种超参数组合的网络都训练10次，生成10个神经网络，并依次对测试集进行仿真。将10次训练结果的mse、r值平均值做为总体性能评价，选取最优超参数组合的第三神经网络模型进行训练和预测，获得预测圆柱壳的表面几何幅值缺陷。通过修改abaqus的输入文件inp，将预测的表面几何幅值缺陷施加到之前创建的含有不圆度、焊缝缺陷的自建壳体上，至此得到能真实反映壳体实际形貌缺陷的多种缺陷叠加的初始几何形貌缺陷，如图6所示。
[0048]
最后将含有孤立网格的inp文件导入abaqus中，进行几何、材料双非线性屈曲分析。通过分析屈曲结果，来评判采用bp神经网络方法预测壳体初始几何形貌缺陷的适用性。
[0049]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
技术特征：1.基于bp神经网络重构圆柱壳初始几何形貌缺陷的方法，其特征在于，包括如下步骤：步骤1、获取壳体输入参数，分别创建壳体的不圆度、焊缝缺陷、表面几何幅值缺陷的输入参数数据库；步骤2、神经网络搭建及运行：使用matlab创建feedforwardnet函数，同时使用默认的传递函数，搭建针对壳体的不圆度、焊缝缺陷、表面几何幅值缺陷的第一神经网络模型、第二神经网络模型及第三神经网络模型；步骤3、对步骤2中搭建的三个神经网络模型进行训练及测试，；步骤4、预测壳体缺陷施加，得到能真实反映壳体实际形貌缺陷的多种缺陷叠加的初始几何形貌；步骤5、将含有初始几何形貌缺陷的壳体进行材料、几何双非线性屈曲分析，根据屈曲分析结果，进行适用性验证。2.根据权利要求1所述的基于bp神经网络重构圆柱壳初始几何形貌缺陷的方法，其特征在于所述步骤1中，默认的传递函数包括在输入层与隐藏层之间的双曲正切tansig函数和隐藏层与输出层之间的线性传递函数purelin。3.根据权利要求1所述的基于bp神经网络重构圆柱壳初始几何形貌缺陷的方法，其特征在于所述步骤3中，采用贝叶斯正则化算法trainbr对第一神经网络模型、第二神经网络模型进行多重训练；采用列文伯格-马夸特trainlm算法对第三神经网络模型进行多重训练。4.根据权利要求3所述的基于bp神经网络重构圆柱壳初始几何形貌缺陷的方法，其特征在于所述步骤3中，对于训练好的神经网络模型采用均方误差mse、相关系数r值、误差直方图三个参数进行测试评判。5.根据权利要求4所述的基于bp神经网络重构圆柱壳初始几何形貌缺陷的方法，其特征在于所述步骤4的具体过程如下：4.1、首先在abaqus自建一个与预测壳体名义尺寸相同的壳体；4.2、然后将通过已经训练好的第一神经网络模型、第二神经网络模型预测的不圆度、焊缝缺陷用python脚本依次施加到自建壳体；4.3、将预测壳体的节点数据作为第三神经网络测试集进行预测，并得到预测出来的表面缺陷幅值，并将表面缺陷幅值通过abaqus输入文件inp导入，最终得到能真实反映壳体实际形貌缺陷的多种缺陷叠加的初始几何形貌。
技术总结基于BP神经网络重构圆柱壳初始几何形貌缺陷的方法，属于机器学习技术领域。它包括如下步骤：1、获取壳体输入参数，分别创建壳体的不圆度、焊缝缺陷、表面几何幅值缺陷的输入参数数据库；2、神经网络搭建及运行；3、对搭建的三个神经网络模型进行训练及测试；4、预测壳体缺陷施加，得到能反映壳体实际形貌缺陷的多种缺陷叠加的初始几何形貌；5、将含有初始几何形貌缺陷的壳体进行材料、几何双非线性屈曲分析，根据屈曲分析结果，进行适用性验证。本发明基于圆柱壳几何形貌的实测数据，采用人工神经网络来得到含初始几何形貌缺陷的高保真有限元模型，克服了几何形貌重构的失真问题，通过双非线性屈曲分析，得到更加准确的临界失稳压力。力。力。
技术研发人员：蔡智 郑三龙 娄栋 陈颖 李卓宇
受保护的技术使用者：浙江工业大学
技术研发日：2022.07.14
技术公布日：2022/11/1
