神经元网络在结构优化中的应用
自20世纪80年代中期以来,神经网络的理论和应用几乎涉及到了机械工程里的各个领域.人工神经元网络能够在机械工程领域中获得广泛应用是因为它模拟人脑结构及智能行为,以及大规模并行处理,容错,自组织和自适应能力等特性决定的.作为一种新的建模工具,人工神经元网络不同于专家系统那样需要事先建立知识库,知识的获取只需要提供足够的训练样本,训练合格的网络将知识存储在权系数中,人工神经元网络能够模拟现实系统复杂的输入输出关系,具有很强的非线形建模能力,因此在设计优化中有很好的应用前景.
结构优化设计,众所周知面临着计算效率和处理对象复杂性之间的矛盾,为了提高计算效率,各种近似重分析方法应运而生,用以代替完整的有限元分析.传统的结构近似重分析技术是基于泰勒级数展开的,这种方法有其局限性,如需要使用导数信息,设计变量的变化副值不能太大等.神经网络的出现为结构近似重分析技术提出了一种新途径,是一种很有使用价值的方法.
在有限元分析中,当载荷条件确定时,静动力特性分析可以看成是从设计变量到结构响应之间的映射,如果这种影射关系可以确定的话,那么结构近似重分析就不在话下了,人工神经元网络能够实现从n畏设计空间到m维任意非线形映射,用它来处理设计变量和结构响应之间的映射,应该是非常合适的.
神经元研究的热点在于一下几个方面:
一个就是网络的选择,进行非线形逼近的有很多网络可以做,包括BP,RBF,支持向量机网络等,这些网络在非线形逼近方面的能力是不一样的,而且基于的数学理论也是很不同的,可以参考一些文献比较一下,个人感觉BRF网络的非线形逼近能力还是比较强的
另一个就是在网络类型确定之后,样本的准备,包括样本的数量还有样本的分布,这些都是影响网络近似能力很重要的问题,样本选取一般要结合实验设计方法
还有就是很重要的就是网络结构的确定,比如隐层数,隐层节点数等,而且目前还有理论支撑来确定网络结构,不过现在已经有可以根据模型复杂度来自动删减的 bp网络.
这里只是简单介绍了一下神经元网络在结构优化中的应用中一些基本的问题,有兴趣的可以看看,另外在新版本的isight9.0中已经有了RBF网络.
Re:神经元网络在结构优化中的应用
赞，呵呵。
页:
[1]