起重机主梁截面风力系数预测及结构优化设计

为解决传统计算流体力学(computational fluid dynamics, CFD)方法获取港口起重机主梁截面风力系数过程繁琐、难以实现结构快速优化设计的关键技术难题，提出了一种基于卷积神经网络的起重机主梁截面风力系数快速预测模型。本研究所提出的风力系数快速预测模型利用自由几何变形方法处理基础截面形状以获取具有丰富几何特征的起重机主梁截面图形集，并采用CFD方法计算各主梁截面图形对应的风力系数生成数据集。在此基础上，基于数据集训练预测模型并对其网络结构进行优化，建立了主梁截面与风力系数之间的非线性映射关系。此外，进一步将该预测模型与遗传算法结合建立了一种主梁截面优化设计方法，并以数据集内F₁₁截面为例将防风性能作为优化目标测试了该优化方法的准确性和效率。算例测试结果表明，所提出的风力系数快速预测模型在预测各主梁截面的风力系数时平均相对误差为1.87%,预测时间为毫秒量级，比传统CFD方法计算效率有数量级地提升；应用本研究所发展的起重机主梁截面优化设计方法优化后的F₁₁截面较优化前风力系数降低了15.89%,能够极大地提高主梁截面的防风...     

面向起重机械力学正反问题的深度学习求解方法

传统数值方法在求解机械工程中的复杂偏微分方程及反问题时往往存在过程繁琐、时间成本高等问题。为解决这一问题，建立了基于物理信息的神经网络模型，通过深度学习求解偏微分方程的正反问题，并在损失函数中添加一项梯度增强项以进一步提高预测的精度。为验证该方法，将其应用到起重机械中两种常见模型的求解，即简支梁和矩形薄板简化模型的力学正反问题。与传统的数值方法在求解反问题中计算复杂、精度相对较差相比，深度学习在求解反问题时，仅需在正问题的基础上对简单的修改损失函数即可求解反问题，从而节省了时间成本，获得相对较高的数值精度。同时，对添加增强项前后的神经网络模型进行计算与对比分析。结果表明，在相同的参数设置下，添加梯度增强项的神经网络模型在求解机械工程的正反问题中均能获得更为准确的预测结果，可为起重机械力学中的方程求解问题提供新思路。