安吉拉·贝尔纳迪尼医生,CITEAN
虚拟工程技术近年来发展迅速,已被广泛应用于商业产品开发。产品设计和制造组织正在从传统的多次和连续测试周期方法转向模拟,利用CAE和CAD工具解决问题并验证性能。
对于一个有效的过程,设计变量能够在短时间内完成是至关重要的。当所研究的系统表现出非线性行为时,这通常会带来挑战。本次会议介绍了一种基于神经网络(NNs)和遗传算法(GAs)的新方法,该方法“使数据发挥作用”,并根据现有数据为给定的设计提供最佳可能的解决方案。此方法的目标是为设计人员提供一种工具,可用于为给定产品选择最佳设计。这要归功于基于可用训练数据的遗传算法实现对神经网络本身的优化。遗传算法在神经网络中的应用主要有两个方面:优化网络结构和训练固定结构的权值。
神经网络的性能主要取决于处理元素(神经元)的选择、体系结构和学习算法等变量。特别是神经元之间的连接密度决定了它储存信息并从中学习的能力。一方面,连接数量的减少可能使网络无法接近该功能。另一方面,密集连接可能导致过拟合。网络神经网络通常被视为一种使用与自适应权值相连的简单初等单元来实现复杂非线性函数的方法。我们专注于使用GAs优化这些网络的连接结构,以减少学习时间并避免CAD/CAE循环。实际上,这种实现提供的神经网络拓扑在学习和分类新数据时,通常比随机或完全连接的拓扑性能更好。
遗传算子,如突变和交叉,将多样性引入到初始随机连接的种群中,修改网络的结构并测试候选解。金宝搏官方网站最有效的神经网络训练后,可以调整设计参数,用有限元分析或测试数据精确解相同的精度,但大幅减少仿真时间:分析所需的近似半小时临界点的有限元分析是使用神经网络减少到几秒钟。一个MATLAB图形用户界面(GUI)作为快速设计指南,其中神经网络的训练数据是从一组自动生成的有限元分析中获得的。为了评估这种方法的有效性,我们展示了几个实际应用。作为例子,螺栓连接的最佳预紧力在几秒内从螺栓的几何形状、摩擦系数和施加的扭矩开始返回。
记录时间:2010年6月22日
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。