无人机圆柱壳型吸能元件的吸能特性预测和优化方法与流程

本发明属于无人机领域，具体而言，涉及无人机圆柱壳型吸能元件的吸能特性预测和优化方法。

背景技术：

1、吸能元件在吸收碰撞冲击的动能和减缓加速度方面起着重要作用，广泛应用于飞行器和车辆防护设计中。由于吸能元件破坏吸能的过程是一个高度非线性的过程，传统的预测方法，如实验测量、理论模型和数值模拟等，都存在一定的不足，如在实验测量时需要大量的时间和费用，而且测量结果受实验条件的影响，其理论模型过于理想化，通常仅能给出其吸能的上限，对实际具体工况下的预测不够准确，数值模拟则需要大量的计算量和计算资源，而且受材料模型和破坏模式准确度和适用性的影响，结果往往需要校正。

2、近年来，神经网络作为一种人工智能技术，在其它预测方面取得了广泛的应用和较好的效果，它能够模仿人脑神经系统，根据输入的数据进行学习、训练和预测。因此，为了更快速地预测吸能元件的吸能特性，本发明提出了利用神经网络技术来解决传统的预测方法中所遇到的问题，同时，遗传算法作为一种可靠实用的优化算法，将其与神经网络相结合，可以快速有效地根据设计需求找到优化设计方案，提高了吸能元件设计效率和产品质量。

技术实现思路

1、针对以上缺陷，本发明提供了无人机圆柱壳型吸能元件的吸能特性预测和优化方法，包括以下步骤：

2、s1、构建有限元模型并计算得出数据集；

3、s1-1、建立圆柱壳型的吸能元件和一个位于其顶部的刚性平板的有限元模型，并设置有限元模型的材料参数；

4、s1-2、根据步骤s1-1中的材料参数进行有限元计算，得出对应的吸能特性值，构成数据集；

5、s1-3、将步骤s1-2中得到的数据集进行归一化处理后分割为训练数据集、验证数据集和测试数据集；

6、s2、构建并训练神经网络模型；

7、s2-1、构建的神经网络模型包括单层输入层、双层隐藏层和单层输出层；

8、s2-2、采用反向传播法通过步骤s1-3中的训练数据集对步骤s2-1中构建的神经网络模型进行训练，得到具备预测吸能效率能力的神经网络模型；

9、s2-3、对步骤s2-2中得到的神经网络模型通过测试数据集进行测试并进行判定，得到预测结果；

10、s3、通过遗传算法对吸能元件优化，并对优化后的吸能元件进行吸能预测和性能判定；

11、s3-1、确定所需的吸能元件的性能指标，设置优化的目标函数：

12、；

13、上述公式中，y是目标函数，取值在[0,1]区间，是权重系数，取值在[0,1]区间，和分别是吸能量和吸能元件材料的密度；

14、s3-2、采用遗传算法，对步骤s1-2中的材料参数按照以下函数进行优化：

15、；

16、上述公式中，fitness(y)为个体的适应度，y是目标函数，取值在[0,1]区间，ymin是所有种群中目标函数的最小值；

17、s3-3、将步骤s2中得到的神经网络模型对步骤s3-2得到的定义后的吸能元件进行吸能预测并进行反复的迭代计算，得到用于判定的吸能元件。

18、进一步地，所述步骤s1-1中的刚性平板与吸能元件之间设置接触且未相互穿透，所述吸能元件设置自接触。

19、进一步地，所述步骤s1-2中的材料参数包括密度、弹性模量、屈服强度、强化模量和失效应变，分别取值后进行组合，再分别对不同组合进行有限元计算，获得峰值压溃力、平均压溃力、吸能效率、吸能量和比吸能这5个吸能特性值为：

20、；

21、；

22、；

23、；

24、；

25、上述公式中，pcf 为峰值压溃力，mcf为平均压溃力的值，cfe为吸能效率的值，ea为吸能量的值，sea为比吸能的值，f（x）为载荷，x为压溃位移，a为有效压溃距离。

26、进一步地，所述步骤s1-3中的训练数据集、验证数据集和测试数据集分割比例为6:2:2，且归一化这5个吸能特性值的区间均为[0,1]。

27、进一步地，所述步骤s2-3中预测结果的判定标准为：平均预测误差是否小于10%，若小于10%则判定为通过，若大于10%则判定为不通过，并返回至步骤s2-2继续训练。

28、本发明与现有技术相比具有以下有益效果：

29、在神经网络训练完成后，只需输入吸能元件使用的材料参数，即可实时得到吸能元件的吸能效率预测结果，大大提高了设计效率，且保证了准确性，可应用于工程实践；

30、同时可以快速有效预测吸能元件的吸能效率，并根据不同设计需求找到优化设计方案，即提高了无人机的设计效率和产品质量，有助于提高无人机的安全性。

技术特征：

1.无人机圆柱壳型吸能元件的吸能特性预测和优化方法，其特征在于：包括以下步骤：

2.如权利要求1所述的无人机圆柱壳型吸能元件的吸能特性预测和优化方法，其特征在于：所述步骤s1-1中的刚性平板与吸能元件之间设置接触且未相互穿透，所述吸能元件设置自接触。

3.如权利要求1所述的无人机圆柱壳型吸能元件的吸能特性预测和优化方法，其特征在于：所述步骤s1-2中的材料参数包括密度、弹性模量、屈服强度、强化模量和失效应变，分别取值后进行组合，再分别对不同组合进行有限元计算，获得峰值压溃力、平均压溃力、吸能效率、吸能量和比吸能这5个吸能特性值，依次定义为：

4.如权利要求3所述的无人机圆柱壳型吸能元件的吸能特性预测和优化方法，其特征在于：所述步骤s1-3中的训练数据集、验证数据集和测试数据集分割比例为6:2:2，且归一化这5个吸能特性值的区间均为[0,1]。

5.如权利要求1所述的无人机圆柱壳型吸能元件的吸能特性预测和优化方法，其特征在于：所述步骤s2-3中预测结果的判定标准为：平均预测误差是否小于10%，若小于10%则判定为通过，若大于10%则判定为不通过，并返回至步骤s2-2继续训练。

技术总结本发明公开了无人机圆柱壳型吸能元件的吸能特性预测和优化方法，包括构建有限元模型并计算得出不同材料参数组合的吸能特性数据集、构建并训练神经网络模型以及通过遗传算法对吸能元件优化，并对优化后的吸能元件进行吸能预测和性能判定；通过本优化方法只需输入吸能元件使用的材料参数，即可实时得到吸能元件的吸能效率预测结果，大大提高了设计效率，且保证了准确性，可应用于工程实践。技术研发人员：丁梦龙,冯传宴,邵林涛,孟莉,耿直,高世民,李道春,周尧明,严德,屠展受保护的技术使用者：天目山实验室技术研发日：技术公布日：2024/9/26