申请/专利权人：南京理工大学

申请日：2023-03-13

公开（公告）日：2023-08-22

公开（公告）号：CN116629090A

主分类号：G06F30/27

分类号：G06F30/27;G06F30/23;G06F16/23;G06N20/00;G06F119/14;G06F113/26

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.09.08#实质审查的生效;2023.08.22#公开

摘要：本发明属于压力容器技术领域，具体涉及一种基于机器学习的CFRP压力容器纤维缠绕路径优化方法。建立CFRP压力容器的有限元分析模型，分析压力容器在规定内压下的单元失效情况，对复合材料压力容器的纤维缠绕路径进行变换后，将产生新的缠绕结构代表体积单元RVE，对新路径进行有限元分析，提取其路径特征产生的RVE结构信息及单元信息建立数据库，将该数据库作为训练神经网络，以纤维路径作为输入层，单元失效总数作为输出层，将神经网络的输出作为优化目标，最大化减少单元失效数量，并对最优化的纤维路径模型进行对比验算，即可得到最优化的纤维缠绕路径。本发明提供了一种少实验、低成本、高效率的结构优化方法并提高结构的力学性能。

主权项：1.一种基于机器学习的CFRP压力容器纤维缠绕路径优化方法，其特征在于，包括如下步骤：步骤1：建立CFRP压力容器的有限元分析模型；步骤2：对有限元分析模型施加载荷并添加边界条件，确定失效形式；步骤3：定义纤维缠绕路径，获取一组样本数据：将CFRP压力容器的扩孔半径r、封头轮廓函数h、缠绕顺序s作为变量，分析模型的失效形式和失效单元总数量，得到一组样本数据；步骤4：更新纤维缠绕路径，建立数据库：不断更新扩孔半径r、封头轮廓h和铺层顺序s，即纤维缠绕路径不断更新，从而不断更新RVE结构，有限元分析模型不断更新，按照步骤3分析得到每一组纤维缠绕路径对应的失效形式和失效单元总数量，得到随参数r、h、s更新而更新的RVE结构的样本数据，即建立了数据库；步骤5：建立神经网络模型：将CFRP压力容器的纤维缠绕路径作为输入量，将容器失效形式和失效单元总数作为神经网络的预测结果；步骤6：通过数据库完成神经网络的训练，获取训练完成后的神经网络；步骤7：根据步骤6中训练完成的神经网络，对CFRP压力容器的纤维缠绕路径进行优化，将神经网络的预测结果作为优化目标，最少化单元失效数量，CFRP压力容器失效单元数量最少时对应的纤维路径，即为最优化的纤维缠绕路径。

全文数据：

权利要求：

百度查询： 南京理工大学 基于机器学习的CFRP压力容器纤维缠绕路径优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD