复合材料层合结构的可靠性设计方法及优化算法研究

复合材料层合结构的可靠性设计方法及优化算法研究

论文摘要

纤维增强复合材料(FRP)是一种高强度、低密度材料,具有很多其它材料所没有的优点或特点,广泛应用于航空、航天、造船和汽车等领域。对于纤维增强复合材料结构的研究,特别是对结构可靠性分析及可靠性优化设计的研究,是近年来备受关注的问题。现有的可靠性分析和可靠性优化研究主要考虑概率不确定因素对结构性能的影响,而忽略了非概率及混合不确定性因素的影响。同时,由于结构系统可靠性分析一般涉及到大量的失效模式以及失效模式相关性问题,且可靠性设计通常为多重优化问题,计算量巨大,因此只有建立合适的可靠性分析模型及优化求解方法,才能提高计算效率,有效地解决复杂结构可靠性优化设计问题,满足实际工程设计的需求。针对以上问题,本文的主要研究内容和取得的成果如下:(1)建立了混合不确定性可靠性分析模型和优化设计模型,研究了优化问题的求解策略,并将其用于复合材料可靠性优化设计。在工程实际中,不确定信息常常是以混合不确定的方式存在,既有随机不确定,又会有区间不确定。为使理论模型真实反映客观实际,避免人为假定的风险,就必须合理评价这些混合不确定因素对结构性能的影响。本文针对随机变量和区间变量共存情况下的混合不确定信息,建立了可靠性分析模型和优化设计模型。该模型采用可靠性逆分析方法直接进行可靠性约束的评价,计算效率高,且能够有效避免通常正向可靠性分析中易发生的迭代奇异性。同时,在寻优过程中,结合可靠度分析逆解法和序列优化环方法,将可靠性优化问题中的优化问题和可靠性分析进行解耦,将多重可靠性优化转化为序列优化环,从而提高了可靠性优化问题的计算效率,拓展了其解决实际复杂工程问题的能力。(2)研究和分析了粒子群优化算法(PSO),对其收敛性能进行改进,并将其用于可靠性优化设计问题的求解。对于实际工程中的高度非线性、多局部极值、目标函数不可导等复杂问题,传统的梯度型优化算法常常存在函数求导困难或不能求导的问题,导致可靠性优化设计无法进行。本论文研究了具有较高计算效率的智能优化算法——粒子群优化算法,针对该算法在寻优过程中遇到的过早收敛和后期收敛能力不足,分别提出了两种不同的改进措施;并首次采用改进的粒子群优化算法分析了复合材料层合结构可靠性优化设计问题,通过算例,论证了粒子群优化算法用于可靠性优化设计问题的可行性。(3)讨论了复杂系统可靠性优化设计问题求解方法。对于复杂系统可靠性优化设计问题,既要保证设计结果具有较好的计算精度,又要使得计算成本可行。本文建立了一种基于粒子群优化算法PSO和有限元法ANSYS相结合的可靠性优化求解方法。该方法同时具备粒子群优化算法和有限元的优点:采用ANSYS对复杂系统进行结构分析,保障了应力和变形计算的精度;利用改进的PSO进行可靠性优化计算,可以在保证全局收敛性的同时,提高可靠性优化问题的计算效率。作为应用实例,本文对纤维缠绕复合材料压力容器进行强度分析和可靠性优化设计,并得到对实际设计具有重要参考意义的结果。算例表明,PSO和ANSYS相结合的可靠性优化求解方法具有较强的实用性和通用性,对解决复杂结构的优化计算和可靠性优化设计具有很大的潜力。

论文目录

  • 摘要
  • Abstract
  • 1 绪论
  • 1.1 课题研究的背景
  • 1.2 国内外研究现状
  • 1.3 课题研究的目的和内容
  • 1.4 本文的结构
  • 2 复合材料层合板强度理论和可靠性设计基础
  • 2.1 经典层合板理论概述
  • 2.2 正交各向异性单层材料的强度理论
  • 2.3 复合材料可靠性设计基础
  • 3 混合不确定信息下的可靠性优化设计研究
  • 3.1 引言
  • 3.2 常规可靠性分析
  • 3.3 混合不确定信息下的可靠性分析与优化设计
  • 3.4 可靠性逆分析方法及优化计算策略
  • 3.5 本章小结
  • 4 粒子群优化算法研究
  • 4.1 引言
  • 4.2 PSO算法基本原理
  • 4.3 PSO算法的改进
  • 4.4 改进PSO性能测评及应用
  • 4.5 本章小结
  • 5 复合材料层合结构可靠性优化设计
  • 5.1 引言
  • 5.2 层合结构可靠性优化问题描述
  • 5.3 粒子群优化算法用于可靠性优化计算的有效性检验
  • 5.4 随机不确定信息下的复合材料结构可靠性优化设计
  • 5.5 混合不确定信息下的复合材料结构可靠性优化设计
  • 5.6 本章小结
  • 6 复杂结构可靠性优化方法研究
  • 6.1 引言
  • 6.2 ANSYS参数化建模和分析
  • 6.3 基于ANSYS和PSO的复杂系统可靠性优化方法
  • 6.4 PSO-ANSYS可靠性优化方法的收敛性能讨论
  • 6.5 复合材料压力容器可靠性优化设计
  • 6.6 本章小结
  • 7 结果与展望
  • 7.1 全文总结
  • 7.2 展望及对今后工作的建议
  • 致谢
  • 参考文献
  • 附1 攻读博士学位期间发表的学术论文
  • 附2 攻读博士学位期间参加的课题研究
  • 相关论文文献

    • [1].粒子群优化算法在港口船舶物流中的应用[J]. 舰船科学技术 2020(04)
    • [2].求解电力系统经济调度问题的改进粒子群优化算法[J]. 控制与决策 2020(08)
    • [3].基于改进粒子群优化算法的溶解氧调控系统设计[J]. 传感器与微系统 2020(06)
    • [4].基于改进粒子群优化算法的微电网经济调度研究[J]. 上海电气技术 2020(02)
    • [5].粒子群优化算法[J]. 软件 2020(05)
    • [6].基于扩容和双距离决策的多目标粒子群优化算法[J]. 重庆邮电大学学报(自然科学版) 2020(03)
    • [7].改进粒子群优化算法及其在聚类分析中应用[J]. 系统仿真学报 2020(08)
    • [8].优质个体最优动态空间变异的粒子群优化算法[J]. 计算机应用研究 2020(08)
    • [9].基于自适应粒子群优化算法的无人机三维航迹规划[J]. 海军航空工程学院学报 2020(03)
    • [10].基于并行结构的多种群粒子群优化算法[J]. 传感器与微系统 2020(09)
    • [11].基于改进粒子群优化-反向传播神经网络的制造业产能预测[J]. 机械制造 2019(03)
    • [12].层次学习骨干粒子群优化算法[J]. 控制与决策 2016(12)
    • [13].一种面向网络边缘任务调度问题的多方向粒子群优化算法[J]. 计算机应用与软件 2017(04)
    • [14].基于粒子群优化的组播路由算法研究[J]. 信息与电脑(理论版) 2017(10)
    • [15].改进的粒子群优化算法的研究[J]. 科技创新与生产力 2017(09)
    • [16].一种改进的粒子群优化算法[J]. 陕西师范大学学报(自然科学版) 2016(02)
    • [17].改进惯性权重的简化粒子群优化算法[J]. 湖北民族学院学报(自然科学版) 2016(01)
    • [18].粒子群优化算法基本研究[J]. 科技经济导刊 2016(21)
    • [19].中心粒子群优化算法[J]. 电子测试 2014(23)
    • [20].基于粒子群优化算法的器件模型表面势求解[J]. 计算机时代 2015(03)
    • [21].具有反向学习和自适应逃逸功能的粒子群优化算法[J]. 计算机应用 2015(05)
    • [22].基于不同学习模型的精英反向粒子群优化算法[J]. 小型微型计算机系统 2015(06)
    • [23].融入社会影响力的粒子群优化算法[J]. 计算机科学与探索 2020(11)
    • [24].改进惯性权重的粒子群优化算法[J]. 河西学院学报 2020(05)
    • [25].基于粒子群优化算法的算法实现及建筑生形——模拟鸟类觅食形态的建筑雏形设计[J]. 华中建筑 2020(02)
    • [26].基于动态种群的双重学习粒子群优化算法[J]. 南昌工程学院学报 2020(01)
    • [27].基于博弈机制的多目标粒子群优化算法[J]. 计算机工程与设计 2020(04)
    • [28].求解特征值互补问题的基本粒子群优化算法[J]. 内蒙古民族大学学报(自然科学版) 2020(03)
    • [29].进化状态判定与学习策略协同更新的二进制粒子群优化算法[J]. 浙江工业大学学报 2020(05)
    • [30].粒子群优化算法中惯性权重改进策略综述[J]. 渤海大学学报(自然科学版) 2019(03)

    标签:;  ;  ;  ;  

    复合材料层合结构的可靠性设计方法及优化算法研究
    下载Doc文档

    猜你喜欢