排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
基于改进粒子群算法和小波神经网络的高强钢扭曲回弹工艺参数优化* 总被引:2,自引:0,他引:2
针对高强钢复杂件冲压后出现的扭曲回弹现象,运用有限元仿真软件DYNAFORM对复杂件的冲压、回弹过程进行数值模拟,提出了评价复杂件扭曲回弹程度的指标,并运用试验设计和小波神经网络代理模型方法对扭曲回弹进行了优化研究。以某弯曲梁为研究对象,以扭曲回弹为成形目标,通过正交试验设计筛选出对扭曲回弹影响较大的工艺参数作为影响因素。利用拉丁超立方对影响因素进行抽样,通过数值模拟获得样本数据,建立影响因素与成形目标之间的小波神经网络代理模型,利用改进的粒子群算法对该模型迭代寻优获得最优参数。结果表明:采用优化后的工艺参数能有效地减小该弯曲梁的扭曲回弹,该方法为减小复杂件的扭曲回弹提供一种有益的指导。 相似文献
2.
3.
为降低热冲压凹模的生产成本和使用成本,基于板料热冲压数值模拟对凹模结构进行了拓扑优化设计.运用有限元软件ABAQUS建立热力耦合有限元模型,对高强钢板U形件的热冲压成形和淬火过程进行了数值仿真.提取凹模与板料间关键工况下接触应力作为凹模拓扑优化的外在载荷,建立约束凹模结构关键区域节点位移的体积最小化拓扑模型,对热冲压凹模结构进行拓扑优化设计,最终实现结构减重20%,且优化后凹模的变形和应力与优化前的结果相差甚微.研究内容对热冲压过程数值模拟和模具结构拓扑优化研究具有一定参考价值. 相似文献
4.
针对深度学习模型复杂度高导致的模型训练时间长、收敛速度慢等问题,本文提出了一种融合多尺度倒残差块(Multiscale-Inverted Residual Block, MS-IRB)与通道注意力机制(Channel Attention Mechanism, CAM)的入侵检测模型,该模型在确保检测性能的同时降低了复杂度.首先,将数据集中的一维网络流量数据进行数值化、归一化处理,进而转化为三通道格式;其次,利用三组倒残差块对数据进行多尺度特征提取,所使用的卷积核尺寸分别为1×1、2×2、3×3,采用通道注意力机制为各个卷积通道分配不同权重,提高了本文模型对包含更多有效信息通道的关注度,选用BN方法来降低过拟合程度并加快模型的收敛速度;最后,将全连接处理所得特征矩阵通过Softmax函数映射获得分类结果.为验证本文模型,在UNSW-NB15数据集上进行实验评估.实验结果表明:本文模型参数数量分别比CNN少34%、比LSTM少60%,且计算量比CNN小45%;同时,分类准确率相比CNN提高了0.7%. 相似文献
1