一种基于孔引导物理约束学习的含孔结构高梯度应力场仿真方法、装置及存储介质
本发明涉及结构仿真、智能计算及有限元辅助建模,具体是一种基于孔引导物理约束学习的含孔结构高梯度应力场仿真方法、装置及存储介质。
背景技术:
1、含孔结构广泛存在于风力发电机组、航空航天装备、机械连接结构、法兰连接结构、轴承连接结构、压力容器以及齿轮箱壳体等工程装备中。在风力发电机组中,变桨轴承、偏航轴承、主轴法兰和叶根连接等关键部位通常采用大量高强度螺栓进行连接,螺栓孔会改变局部几何连续性和载荷传递路径。
2、受孔边几何不连续和载荷重分布作用,孔边及相邻孔之间的韧带区域容易形成局部高梯度应力场。孔边峰值应力、峰值角度位置以及孔边环向应力分布与疲劳损伤累积、裂纹萌生、微动磨损和连接松动密切相关。当孔边峰值应力被低估或峰值位置发生偏移时,可能导致对结构安全裕度和疲劳风险的错误判断。
3、有限元分析能够考虑有限尺寸、复杂边界、材料参数和局部网格细化,是获取含孔结构全场应力和孔边应力分布的重要手段。然而,在多载荷、多工况、结构参数更新和数字孪生状态评估场景中,需要对同一结构反复开展高保真有限元求解。为保证孔边应力精度,有限元模型通常需要在孔边进行局部网格加密,由此导致重复仿真的建模和计算成本较高,难以满足快速评估和频繁更新需求。
4、神经网络代理模型具有较快的推理速度,但纯数据驱动模型依赖大量高保真样本。由于孔边峰值位于狭窄的高梯度区域,当孔边样本不足时,模型容易对峰值应力产生平滑化预测,并可能出现环向应力曲线失真或非物理振荡。若通过大量增加孔边有限元样本提高精度,又会明显增加数据生成成本。
5、物理约束神经网络通过将控制方程和边界条件引入损失函数,可在有限标注数据条件下增强预测结果的物理一致性。但是,常规物理约束神经网络通常在整个计算域内均匀布置物理配点,并采用固定损失权重。对于含孔结构而言,大范围远场区域响应变化平缓,而孔边高梯度区域范围较小。均匀配点会使训练过程受到平滑远场区域主导,固定边界权重还可能造成外边界约束和孔边自由边界约束之间的不平衡,从而影响孔边峰值应力和峰值位置的预测精度。
6、因此,有必要提供一种面向含孔结构孔边高梯度区域的快速仿真方法,通过孔边引导采样、径向加权物理约束、分区边界自适应加权和少量有限元孔边数据弱监督,提高孔边应力集中区域的预测可靠性,并使训练后的模型能够通过参数迁移和增量训练快速扩展至多孔结构。
技术实现思路
1、本发明的目的在于克服现有技术中孔边高梯度区域物理配点不足、不同边界条件约束失衡、纯数据驱动模型容易平滑孔边峰值以及重复有限元仿真成本较高的问题,提供一种基于孔引导物理约束学习的含孔结构高梯度应力场仿真方法、装置及存储介质。
2、为实现上述目的,本发明所采用的技术方案包括如下步骤:
3、步骤一,获取待仿真含孔结构的几何参数、材料参数、边界载荷参数和有限元孔边参考数据。
4、步骤二,根据所述几何参数确定含孔结构的计算域、外边界和孔边界,沿孔边界向外扩展预设径向宽度,构造孔边高梯度邻域。
5、步骤三,在孔边高梯度邻域内布置孔边高密度物理配点,在孔边高梯度邻域以外的背景区域布置背景物理配点。
6、步骤四,建立以空间坐标为输入、以位移分量为输出的孔引导物理约束学习模型,通过自动微分计算应变分量,并根据材料本构关系计算应力分量。
7、步骤五,将预测应力分量代入静力平衡方程,得到平衡方程残差;根据物理配点到孔边界的径向距离构造径向权重函数,对平衡方程残差进行加权。
8、步骤六,将含孔结构边界划分为外边界和孔边界,分别构造外边界损失和孔边界损失,并根据两类边界残差的相对大小自适应调整边界损失权重。
9、步骤七,在孔边界的若干离散角度位置提取有限元参考应力数据,根据模型预测应力与有限元参考应力之间的差异构造孔边应力弱监督损失。
10、步骤八,根据径向加权平衡方程损失、分区边界损失和孔边应力弱监督损失构造总损失函数,采用优化算法训练孔引导物理约束学习模型。
11、步骤九,将待预测区域内的空间坐标输入训练后的孔引导物理约束学习模型,获得位移场、应变场和应力场,并提取孔边应力分布、峰值应力、峰值位置和全场应力结果。
12、步骤十,对于多孔含孔结构,将单孔含孔结构上训练得到的模型参数迁移至多孔结构,在各孔边区域和孔间韧带区域重新布置高密度物理配点,并根据多孔结构的边界条件和有限元参考数据进行增量训练。
13、进一步地,所述待仿真含孔结构为单孔板、双孔板、多孔板、螺栓连接结构、法兰连接结构、轴承连接结构、风电变桨轴承螺栓孔区域或其他存在孔边应力集中问题的工程结构。
14、进一步地,所述几何参数包括孔半径、孔中心位置、孔数量、孔间距离、结构长度、结构宽度和结构厚度中的至少一种;所述材料参数包括弹性模量和泊松比;所述边界载荷参数包括位移边界、远场拉伸载荷、等效面力和自由边界条件中的至少一种。
15、进一步地,对于孔半径为 的单孔含孔结构,所述孔边高梯度邻域 表示为:
16、
17、式(1)中,表示点到孔中心的径向距离,表示孔边高梯度邻域的径向扩展宽度。可根据孔半径、结构尺寸、有限元应力梯度变化特征或工程经验确定。在一种优选实施方式中,,孔边高梯度邻域的外半径为。
18、进一步地,孔引导物理约束学习模型输出的二维位移场表示为:
19、
20、式(2)中,为由所述两个位移分量构成的二维位移向量,所述孔引导物理约束学习模型输出的二维位移分量为和,为计算域内空间坐标处沿方向的位移分量,为该位置空间坐标沿方向的位移分量,右上角标表示转置。
21、在小变形条件下,通过自动微分得到应变分量:
22、
23、在平面应力条件下,根据线弹性本构关系得到应力分量:
24、
25、
26、
27、式(3)-式(6)中,为弹性模量,为泊松比;和分别为方向、方向的正应变分量,为平面的工程剪应变分量;和分别为方向、方向的正应力分量,为平面的剪应力分量。
28、进一步地,在忽略体力的情况下,二维静力平衡方程为:
29、
30、将模型预测应力代入式(7-1),得到方向平衡方程残差和方向平衡方程残差,所述残差分量定义为:
31、
32、式(7-2)中,当二维静力平衡方程完全满足时,和均为零,根据物理配点到孔边界的径向距离构造径向权重函数:
33、
34、式(8)中,为孔边约束增强系数,为径向衰减控制参数;为任一物理配点到孔中心的径向距离,为孔半径,为该物理配点到圆形孔边界的径向距离,为该物理配点对应的径向权重。当物理配点靠近孔边界时,径向权重增大;当物理配点远离孔边界时,径向权重逐渐减小。
35、进一步地,径向加权平衡方程损失为:
36、
37、式(9)中,为物理配点总数,表示第个物理配点的空间坐标,表示该物理配点到孔中心的径向距离,表示该物理配点对应的径向权重,和分别表示第个物理配点处的方向平衡方程残差和方向平衡方程残差。
38、进一步地,将外边界损失和孔边界损失分别表示为和,分区边界损失为:
39、
40、在第轮训练中,外边界权重和孔边界权重根据第轮训练结束后的平均边界残差和
41、进行更新:
42、
43、
44、式(10)-式(12)中,和分别为外边界损失和孔边界损失,为分区边界损失;和分别为第轮训练采用的外边界损失权重和孔边界损失权重;和分别为第轮训练结束后外边界采样点和孔边界采样点处边界残差幅值的平均值。
45、当某一类边界残差较大时,其对应权重在下一轮训练中自动增大,从而使优化过程更多关注尚未充分满足的边界条件。
46、进一步地,在孔边界处选取个离散角度位置,并提取有限元参考应力,其中,为孔半径,为第个有限元孔边参考点相对于孔中心的极角,表示被监督的目标应力分量类型,孔边应力弱监督损失为:
47、
48、式(13)中,表示孔引导物理约束学习模型在孔边位置处预测的第类应力分量,表示有限元模型在同一孔边位置处得到的对应参考应力分量;所述第类应力分量选自法向应力、环向应力、剪应力或等效应力。有限元参考点数量远小于物理配点和边界配点数量,能够以较小的数据成本为孔边环向应力曲线提供目标形状约束,抑制非物理振荡和峰值平滑。
49、进一步地,孔引导物理约束学习模型的总损失函数为:
50、
51、式(14)中,为孔引导物理约束学习模型的总损失函数,、和分别为径向加权平衡方程损失、分区边界损失和孔边应力弱监督损失的权重系数。
52、进一步地,所述孔引导物理约束学习模型采用包含正弦激活函数的全连接神经网络,以增强对孔边高频和高梯度响应的表达能力;采用adam优化算法更新模型参数,并在每轮训练中随机重采样物理配点和边界配点。
53、进一步地,本发明还提供一种基于孔引导物理约束学习的含孔结构高梯度应力场仿真装置,所述装置包括参数获取模块、邻域构造模块、配点生成模块、模型构建模块、物理约束构造模块、边界约束构造模块、有限元弱监督模块、模型训练模块和应力场输出模块。
54、进一步地,本发明还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机指令,所述处理器执行所述计算机指令时实现上述方法;本发明还提供一种存储有所述计算机指令的计算机可读存储介质。本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序或计算机指令,所述计算机程序或计算机指令被处理器执行时实现上述方法。
55、本发明的有益效果是:
56、(1)通过在孔边高梯度邻域内提高物理配点密度,使有限的训练资源集中于孔边应力集中区域,避免全域均匀配点导致孔边关键区域约束不足。
57、(2)通过径向权重函数提高靠近孔边的平衡方程残差权重,增强孔边峰值应力区域的物理约束强度,降低峰值应力被平滑化的风险。
58、(3)通过将外边界和孔边界分别构造损失并进行自适应加权,能够缓解远场载荷边界和孔边自由边界之间的约束不平衡,提高训练收敛稳定性。
59、(4)通过少量有限元孔边参考应力进行弱监督,可在不显著增加全场有限元样本数量的情况下约束孔边环向应力分布和峰值位置,并抑制局部非物理振荡。
60、(5)通过将单孔结构中学习到的孔边应力集中规律迁移至多孔结构,并在孔边和孔间韧带区域进行增量训练,减少多孔结构从头训练所需的计算成本。
61、(6)训练后的模型能够在毫秒级完成应力场推理,可用于多工况快速评估、结构优化、疲劳风险分析以及数字孪生模型更新。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com