基于Patran Command Language的快速化建模和輕量化設計
發(fā)布時間：2021-03-04 00:40
隨著社會工業(yè)精細化水平的不斷提高,人們對有限元模型建立的效率和精度以及模型重量都提出了越來越嚴格的要求。MSC.Patran/Nastran是國際先進的有限元前后處理和分析系統(tǒng),已成為業(yè)內公認的有限元處理軟件。Patran Command Language（Patran命令語言,以下簡稱為PCL語言）作為MSC.Patran的高級編程語言在工程應用中日益受到人們的信賴。因此,在MSC.Patran/Nastran平臺基于PCL語言的快速化建模和輕量化設計的研究是一個極具應用價值的課題。本文旨在提高有限元模型建立的效率和精度并實現(xiàn)結構的輕量化目標,主要研究內容如下:1.以MSC.Patran為平臺利用PCL語言二次開發(fā)出具有優(yōu)化功能的用戶菜單和界面。用戶通過界面直接完成有限元模型的建立和自動調用MSC.Nastran進行初步的有限元計算,實現(xiàn)了結構的快速化建模和初步的有限元分析。2.基于PCL語言利用MSC.Nastran強大的分析求解功能并結合MSC.Patran的日志文件進行聯(lián)合編程,將眾多先進的優(yōu)化算法引入到結構的輕量化設計中,實現(xiàn)了高維度離散非線性問題在MSC.Patran/Na...
【文章來源】：大連海事大學遼寧省 211工程院校
【文章頁數(shù)】：110 頁
【學位級別】：碩士
【部分圖文】：
圖３．２隨機抽樣方案??Ｆｉｇ．?３．２?Ｓｔｏｃｈａｓｔｉｃ?ｓａｍｐｌｉｎｇ?ｓｃｈｅｍｅｓ??
?基于Ｐａｔｒａｎ?Ｃｏ＿ａｎｄ?Ｌａｎｇｕａｇｅ的快速化建模和輕量化設計???Ｊ?ｈ?ｐ－?ｎ?Ｌｏｃａｌ?ｂｅｓｔ?Ｐｇ??Ｇｌｏｂａｌ?ｂｅｓｔ?Ｐｆ????？??圖３．９粒子群算法（ＰＳＯ）中粒子位置ｘｆ的更新示意圖??Ｆｉｇ．?３．９?Ｒｅｎｅｗａｌ?ｄｉａｇｒａｍ?ｏｆ?ｐａｒｔｉｃｌｅ?ｌｏｃａｔｉｏｎ?＼）?ｉｎ?Ｐａｒｔｉｃｌｅ?Ｓｗａｒｍ?Ｏｐｔｉｍｉｚａｔｉｏｎ?（ＰＳＯ）??粒子群優(yōu)化（ＰＳＯ）算法首先隨機初始化一個規(guī)模為＃的種群，每個粒子代表優(yōu)化??問題的一個可能的解決方案。粒子群優(yōu)化（ＰＳＯ）算法主要受分別代表個人行為和全局??行為這兩個因素的影響。這意味著每個粒子都會有自己的最佳解決方案，同時也會受到??群體最佳解的影響。每個粒子個體將把自己的位置朝搜索到的個體最佳位置Ｐ／？和種群??最佳位置方向調整，具體公式如下：??ｖｆ＋１?＝?ｗｖｆ?＋ｃｐＲ，ｘ?（Ｐ；?－?ｘｆ）?＋?ｃｇＲ２?ｘ?（Ｐ；?－?ｘｆ?）??ｘｆ＋１?＝?ｘｆ?＋?ｖｆ＋１?（３－２〇）??式中ｗｖｆ為“慣性項”，始粒子有擴展搜索空間的作用，慣性權重系數(shù)…是第左次迭代??步中速度的比例縮放因子；是“認知項”，代表粒子本身對調整方向的??思考，＼是加速常數(shù)；ＣｇＲ２ｘ（Ｐ；－ｘｆ）是“社會項”，代表粒子間最優(yōu)信息的共享，如??果缺失第三項，一個規(guī)模為／／的種群等價于＃個單個粒子的運行，這往往得不到可行解，??是加速常數(shù)；１＾和１１２是兩個在［〇，１］之間變化的隨機數(shù)向量。選擇合適的系數(shù)ｓ、＆??和ｗ對粒子群算法的收斂行為非常重要。ｏｐｔｉＳＬａｎｇ提供了兩種預定義的搜索策略，每??個系數(shù)都有系統(tǒng)默認值
?基于Ｐａｔｒａｎ?Ｃｏｍｍａｎｄ?Ｌａｎｇｕａｇｅ的快速化建模和輕量化設計???■????—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??圖３．１０隨機設計改進（ＳＤＩ）的更新原理??Ｆｉｇ．?３．１０?Ｕｐｄａｔｅ?ｓｃｈｅｍｅ?ｏｆ?ｔｈｅ?Ｓｔｏｃｈａｓｔｉｃ?Ｄｅｓｉｇｎ?Ｉｍｐｒｏｖｅｍｅｎｔ?ａｐｐｒｏａｃｈ??由于是純粹的隨機方法，隨機設計改進（ＳＤＩ）擁有非常強大和高效的處理擁有大??量失敗的設計，離散和連續(xù)設計變量，以及包含大量設計變量和約束條件等問題的能力。??然而，它旨在改進初始設計，但不是為了找到全局最優(yōu)解決方案。因此，與進化算法（ＥＡ）??和粒子群優(yōu)化（ＰＳＯ）算法相比，其效率可能較低。??３．２．２多目標優(yōu)化??大多數(shù)工程問題包括多個目標和大量的設計變量。這就引出了多目標優(yōu)化問題的一??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＇是設計變量的矢量；發(fā)／（＼）為約束不等式，化（＼）為約束等式。所??有既滿足約束條件又滿足設計變量邊界范圍的解構成了可行的
本文編號：3062246
【文章來源】：大連海事大學遼寧省 211工程院校
【文章頁數(shù)】：110 頁
【學位級別】：碩士
【部分圖文】：
圖３．２隨機抽樣方案??Ｆｉｇ．?３．２?Ｓｔｏｃｈａｓｔｉｃ?ｓａｍｐｌｉｎｇ?ｓｃｈｅｍｅｓ??
?基于Ｐａｔｒａｎ?Ｃｏ＿ａｎｄ?Ｌａｎｇｕａｇｅ的快速化建模和輕量化設計???Ｊ?ｈ?ｐ－?ｎ?Ｌｏｃａｌ?ｂｅｓｔ?Ｐｇ??Ｇｌｏｂａｌ?ｂｅｓｔ?Ｐｆ????？??圖３．９粒子群算法（ＰＳＯ）中粒子位置ｘｆ的更新示意圖??Ｆｉｇ．?３．９?Ｒｅｎｅｗａｌ?ｄｉａｇｒａｍ?ｏｆ?ｐａｒｔｉｃｌｅ?ｌｏｃａｔｉｏｎ?＼）?ｉｎ?Ｐａｒｔｉｃｌｅ?Ｓｗａｒｍ?Ｏｐｔｉｍｉｚａｔｉｏｎ?（ＰＳＯ）??粒子群優(yōu)化（ＰＳＯ）算法首先隨機初始化一個規(guī)模為＃的種群，每個粒子代表優(yōu)化??問題的一個可能的解決方案。粒子群優(yōu)化（ＰＳＯ）算法主要受分別代表個人行為和全局??行為這兩個因素的影響。這意味著每個粒子都會有自己的最佳解決方案，同時也會受到??群體最佳解的影響。每個粒子個體將把自己的位置朝搜索到的個體最佳位置Ｐ／？和種群??最佳位置方向調整，具體公式如下：??ｖｆ＋１?＝?ｗｖｆ?＋ｃｐＲ，ｘ?（Ｐ；?－?ｘｆ）?＋?ｃｇＲ２?ｘ?（Ｐ；?－?ｘｆ?）??ｘｆ＋１?＝?ｘｆ?＋?ｖｆ＋１?（３－２〇）??式中ｗｖｆ為“慣性項”，始粒子有擴展搜索空間的作用，慣性權重系數(shù)…是第左次迭代??步中速度的比例縮放因子；是“認知項”，代表粒子本身對調整方向的??思考，＼是加速常數(shù)；ＣｇＲ２ｘ（Ｐ；－ｘｆ）是“社會項”，代表粒子間最優(yōu)信息的共享，如??果缺失第三項，一個規(guī)模為／／的種群等價于＃個單個粒子的運行，這往往得不到可行解，??是加速常數(shù)；１＾和１１２是兩個在［〇，１］之間變化的隨機數(shù)向量。選擇合適的系數(shù)ｓ、＆??和ｗ對粒子群算法的收斂行為非常重要。ｏｐｔｉＳＬａｎｇ提供了兩種預定義的搜索策略，每??個系數(shù)都有系統(tǒng)默認值
?基于Ｐａｔｒａｎ?Ｃｏｍｍａｎｄ?Ｌａｎｇｕａｇｅ的快速化建模和輕量化設計???■????—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??圖３．１０隨機設計改進（ＳＤＩ）的更新原理??Ｆｉｇ．?３．１０?Ｕｐｄａｔｅ?ｓｃｈｅｍｅ?ｏｆ?ｔｈｅ?Ｓｔｏｃｈａｓｔｉｃ?Ｄｅｓｉｇｎ?Ｉｍｐｒｏｖｅｍｅｎｔ?ａｐｐｒｏａｃｈ??由于是純粹的隨機方法，隨機設計改進（ＳＤＩ）擁有非常強大和高效的處理擁有大??量失敗的設計，離散和連續(xù)設計變量，以及包含大量設計變量和約束條件等問題的能力。??然而，它旨在改進初始設計，但不是為了找到全局最優(yōu)解決方案。因此，與進化算法（ＥＡ）??和粒子群優(yōu)化（ＰＳＯ）算法相比，其效率可能較低。??３．２．２多目標優(yōu)化??大多數(shù)工程問題包括多個目標和大量的設計變量。這就引出了多目標優(yōu)化問題的一??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＇是設計變量的矢量；發(fā)／（＼）為約束不等式，化（＼）為約束等式。所??有既滿足約束條件又滿足設計變量邊界范圍的解構成了可行的
本文編號：3062246
本文鏈接：http://sikaile.net/kejilunwen/ruanjiangongchenglunwen/3062246.html
最近更新
教材專著
