基于Patran Command Language的快速化建模和轻量化设计
发布时间：2021-03-04 00:40
随着社会工业精细化水平的不断提高,人们对有限元模型建立的效率和精度以及模型重量都提出了越来越严格的要求。MSC.Patran/Nastran是国际先进的有限元前后处理和分析系统,已成为业内公认的有限元处理软件。Patran Command Language（Patran命令语言,以下简称为PCL语言）作为MSC.Patran的高级编程语言在工程应用中日益受到人们的信赖。因此,在MSC.Patran/Nastran平台基于PCL语言的快速化建模和轻量化设计的研究是一个极具应用价值的课题。本文旨在提高有限元模型建立的效率和精度并实现结构的轻量化目标,主要研究内容如下:1.以MSC.Patran为平台利用PCL语言二次开发出具有优化功能的用户菜单和界面。用户通过界面直接完成有限元模型的建立和自动调用MSC.Nastran进行初步的有限元计算,实现了结构的快速化建模和初步的有限元分析。2.基于PCL语言利用MSC.Nastran强大的分析求解功能并结合MSC.Patran的日志文件进行联合编程,将众多先进的优化算法引入到结构的轻量化设计中,实现了高维度离散非线性问题在MSC.Patran/Na...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：110 页
【学位级别】：硕士
【部分图文】：
图３．２随机抽样方案??Ｆｉｇ．?３．２?Ｓｔｏｃｈａｓｔｉｃ?ｓａｍｐｌｉｎｇ?ｓｃｈｅｍｅｓ??
?基于Ｐａｔｒａｎ?Ｃｏ＿ａｎｄ?Ｌａｎｇｕａｇｅ的快速化建模和轻量化设计???Ｊ?ｈ?ｐ－?ｎ?Ｌｏｃａｌ?ｂｅｓｔ?Ｐｇ??Ｇｌｏｂａｌ?ｂｅｓｔ?Ｐｆ????？??图３．９粒子群算法（ＰＳＯ）中粒子位置ｘｆ的更新示意图??Ｆｉｇ．?３．９?Ｒｅｎｅｗａｌ?ｄｉａｇｒａｍ?ｏｆ?ｐａｒｔｉｃｌｅ?ｌｏｃａｔｉｏｎ?＼）?ｉｎ?Ｐａｒｔｉｃｌｅ?Ｓｗａｒｍ?Ｏｐｔｉｍｉｚａｔｉｏｎ?（ＰＳＯ）??粒子群优化（ＰＳＯ）算法首先随机初始化一个规模为＃的种群，每个粒子代表优化??问题的一个可能的解决方案。粒子群优化（ＰＳＯ）算法主要受分别代表个人行为和全局??行为这两个因素的影响。这意味着每个粒子都会有自己的最佳解决方案，同时也会受到??群体最佳解的影响。每个粒子个体将把自己的位置朝搜索到的个体最佳位置Ｐ／？和种群??最佳位置方向调整，具体公式如下：??ｖｆ＋１?＝?ｗｖｆ?＋ｃｐＲ，ｘ?（Ｐ；?－?ｘｆ）?＋?ｃｇＲ２?ｘ?（Ｐ；?－?ｘｆ?）??ｘｆ＋１?＝?ｘｆ?＋?ｖｆ＋１?（３－２〇）??式中ｗｖｆ为“惯性项”，始粒子有扩展搜索空间的作用，惯性权重系数…是第左次迭代??步中速度的比例缩放因子；是“认知项”，代表粒子本身对调整方向的??思考，＼是加速常数；ＣｇＲ２ｘ（Ｐ；－ｘｆ）是“社会项”，代表粒子间最优信息的共享，如??果缺失第三项，一个规模为／／的种群等价于＃个单个粒子的运行，这往往得不到可行解，??是加速常数；１＾和１１２是两个在［〇，１］之间变化的随机数向量。选择合适的系数ｓ、＆??和ｗ对粒子群算法的收敛行为非常重要。ｏｐｔｉＳＬａｎｇ提供了两种预定义的搜索策略，每??个系数都有系统默认值
?基于Ｐａｔｒａｎ?Ｃｏｍｍａｎｄ?Ｌａｎｇｕａｇｅ的快速化建模和轻量化设计???■????—ｓ?ｙ?．—一ａ殳—?ｙ??＿＿０??Ｏ?Ｇ?ｙ??二二二互二二：：：Ｚ５ＺＺＺ?互＝１：－＾??？????Ｑ?一一?￣??￡１?．一?〇？?“—＊＊?＂＂??ｆ?〇ｚｚｚｚｚｚｚｚ??／?／??？??ｙ??Ｂｅｓｉ?Ｅｎｓｉｇｎ?＃??一ｉ??Ｎｅｘｔ?Ｃｅｎｔｅｒ??图３．１０随机设计改进（ＳＤＩ）的更新原理??Ｆｉｇ．?３．１０?Ｕｐｄａｔｅ?ｓｃｈｅｍｅ?ｏｆ?ｔｈｅ?Ｓｔｏｃｈａｓｔｉｃ?Ｄｅｓｉｇｎ?Ｉｍｐｒｏｖｅｍｅｎｔ?ａｐｐｒｏａｃｈ??由于是纯粹的随机方法，随机设计改进（ＳＤＩ）拥有非常强大和高效的处理拥有大??量失败的设计，离散和连续设计变量，以及包含大量设计变量和约束条件等问题的能力。??然而，它旨在改进初始设计，但不是为了找到全局最优解决方案。因此，与进化算法（ＥＡ）??和粒子群优化（ＰＳＯ）算法相比，其效率可能较低。??３．２．２多目标优化??大多数工程问题包括多个目标和大量的设计变量。这就引出了多目标优化问题的一??般公式：??ｍｉｎｉｍｉｚｅ：?／ｎ（ｘ），?ｍ?＝??ｓｕｂｊｅｃｔ?ｔｏ＼?ｇ；（ｘ）＞０，?ｊ?－?１，２，．．．，／??ｈｋ（ｘ）?＝?０，?ｋ?＝?＼，２”＿．，Ｋ?（３＇２１）??ｘ＼Ｌ）?＜ｘｔ?＜ｘ＼［ｌ），?ｉ?－１，２，．．．，／??式中：＼?＝?〇１，１２，．．．，１？）７＇是设计变量的矢量；发／（＼）为约束不等式，化（＼）为约束等式。所??有既满足约束条件又满足设计变量边界范围的解构成了可行的
本文编号：3062246
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：110 页
【学位级别】：硕士
【部分图文】：
图３．２随机抽样方案??Ｆｉｇ．?３．２?Ｓｔｏｃｈａｓｔｉｃ?ｓａｍｐｌｉｎｇ?ｓｃｈｅｍｅｓ??
?基于Ｐａｔｒａｎ?Ｃｏ＿ａｎｄ?Ｌａｎｇｕａｇｅ的快速化建模和轻量化设计???Ｊ?ｈ?ｐ－?ｎ?Ｌｏｃａｌ?ｂｅｓｔ?Ｐｇ??Ｇｌｏｂａｌ?ｂｅｓｔ?Ｐｆ????？??图３．９粒子群算法（ＰＳＯ）中粒子位置ｘｆ的更新示意图??Ｆｉｇ．?３．９?Ｒｅｎｅｗａｌ?ｄｉａｇｒａｍ?ｏｆ?ｐａｒｔｉｃｌｅ?ｌｏｃａｔｉｏｎ?＼）?ｉｎ?Ｐａｒｔｉｃｌｅ?Ｓｗａｒｍ?Ｏｐｔｉｍｉｚａｔｉｏｎ?（ＰＳＯ）??粒子群优化（ＰＳＯ）算法首先随机初始化一个规模为＃的种群，每个粒子代表优化??问题的一个可能的解决方案。粒子群优化（ＰＳＯ）算法主要受分别代表个人行为和全局??行为这两个因素的影响。这意味着每个粒子都会有自己的最佳解决方案，同时也会受到??群体最佳解的影响。每个粒子个体将把自己的位置朝搜索到的个体最佳位置Ｐ／？和种群??最佳位置方向调整，具体公式如下：??ｖｆ＋１?＝?ｗｖｆ?＋ｃｐＲ，ｘ?（Ｐ；?－?ｘｆ）?＋?ｃｇＲ２?ｘ?（Ｐ；?－?ｘｆ?）??ｘｆ＋１?＝?ｘｆ?＋?ｖｆ＋１?（３－２〇）??式中ｗｖｆ为“惯性项”，始粒子有扩展搜索空间的作用，惯性权重系数…是第左次迭代??步中速度的比例缩放因子；是“认知项”，代表粒子本身对调整方向的??思考，＼是加速常数；ＣｇＲ２ｘ（Ｐ；－ｘｆ）是“社会项”，代表粒子间最优信息的共享，如??果缺失第三项，一个规模为／／的种群等价于＃个单个粒子的运行，这往往得不到可行解，??是加速常数；１＾和１１２是两个在［〇，１］之间变化的随机数向量。选择合适的系数ｓ、＆??和ｗ对粒子群算法的收敛行为非常重要。ｏｐｔｉＳＬａｎｇ提供了两种预定义的搜索策略，每??个系数都有系统默认值
?基于Ｐａｔｒａｎ?Ｃｏｍｍａｎｄ?Ｌａｎｇｕａｇｅ的快速化建模和轻量化设计???■????—ｓ?ｙ?．—一ａ殳—?ｙ??＿＿０??Ｏ?Ｇ?ｙ??二二二互二二：：：Ｚ５ＺＺＺ?互＝１：－＾??？????Ｑ?一一?￣??￡１?．一?〇？?“—＊＊?＂＂??ｆ?〇ｚｚｚｚｚｚｚｚ??／?／??？??ｙ??Ｂｅｓｉ?Ｅｎｓｉｇｎ?＃??一ｉ??Ｎｅｘｔ?Ｃｅｎｔｅｒ??图３．１０随机设计改进（ＳＤＩ）的更新原理??Ｆｉｇ．?３．１０?Ｕｐｄａｔｅ?ｓｃｈｅｍｅ?ｏｆ?ｔｈｅ?Ｓｔｏｃｈａｓｔｉｃ?Ｄｅｓｉｇｎ?Ｉｍｐｒｏｖｅｍｅｎｔ?ａｐｐｒｏａｃｈ??由于是纯粹的随机方法，随机设计改进（ＳＤＩ）拥有非常强大和高效的处理拥有大??量失败的设计，离散和连续设计变量，以及包含大量设计变量和约束条件等问题的能力。??然而，它旨在改进初始设计，但不是为了找到全局最优解决方案。因此，与进化算法（ＥＡ）??和粒子群优化（ＰＳＯ）算法相比，其效率可能较低。??３．２．２多目标优化??大多数工程问题包括多个目标和大量的设计变量。这就引出了多目标优化问题的一??般公式：??ｍｉｎｉｍｉｚｅ：?／ｎ（ｘ），?ｍ?＝??ｓｕｂｊｅｃｔ?ｔｏ＼?ｇ；（ｘ）＞０，?ｊ?－?１，２，．．．，／??ｈｋ（ｘ）?＝?０，?ｋ?＝?＼，２”＿．，Ｋ?（３＇２１）??ｘ＼Ｌ）?＜ｘｔ?＜ｘ＼［ｌ），?ｉ?－１，２，．．．，／??式中：＼?＝?〇１，１２，．．．，１？）７＇是设计变量的矢量；发／（＼）为约束不等式，化（＼）为约束等式。所??有既满足约束条件又满足设计变量边界范围的解构成了可行的
本文编号：3062246
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3062246.html
