结构优化结课论文-基于人工智能技术的轮胎硫化优化

《结构优化结课论文-基于人工智能技术的轮胎硫化优化》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、2016/2017学年秋季学期《结构优化设计理论与方法》读书报告题目：基于人工智能技术的轮胎硫化优化姓名：学号：院系：航天学院时间:2016.11.031、遗传算法的概念遗传算法（GeneticAlgorithms，简称GA）起源于对生物系统所进行的计算机模拟研究。它是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，借鉴了达尔文和孟德尔的遗传学说。其本质是一种高效、并行、全局搜索的方法，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最佳解。遗传算法操作使用适者生存的原则，在潜在的解决方案中逐

2、次产生一个近似最优的方案。在遗传算法的每一代中，根据个体在问题域中的适应度值和从自然遗传学中借鉴来的再造方法进行个体选择，产生一个新的近似解。这个过程导致种群中个体的进化，得到新的个体比原来个体更能适应环境，就像自然界中的改造一样。2、遗传算法的特点及基本步骤2.1遗传算法特点遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机搜索法。它与传统的算法不同，大多数古典的优化算法是基于一个单一的度量函数的梯度或较高次统计，以产生一个确定性的实验解系列；遗传算法不依赖于梯度信息，而是通过模拟自然进化过程来搜索最优解，它利用某种编码技术

3、，作用于称为染色体的数字串，模拟由这些串组成的群体的进化过程。2.2遗传算法基本步骤假设有一个待优化的问题(1)式中x,y,z是自变量，可以是数量，也可以是逻辑变量，甚至可以是任何符号。每一组构成问题的一个可能解，所以D既可以看成x,y,z的定义域，也可以看成问题的约束条件，或所有满足约束条件的解构成的解空间。F是属于实数域R的一个实数，也可以看成对每一组可能解得质量优劣的度量，函数f表示由解空间到实数域R的一个映射，对他的唯一要求就是它必须有定义，即给定一组解都可以算出一个对应的F。可见本问题就是要找使。1、轮胎硫化优化3.1

4、问题描述以提高轮胎硫化程度均匀性为目标，运用ABAQUS软件对11.00R22.5载重子午线轮胎建立了硫化仿真有限元模型，结合轮胎硫化实际过程进行了温度场仿真分析。在温度场分析基础上，利用阿累尼乌斯方程计算轮胎硫化程度。利用正交试验设计、神经网络和遗传算法等优化技术，建立了轮胎硫化数值优化设计方法。对轮胎硫化过程中以外温蒸汽边界条件为设计变量对轮胎硫化程度均匀性进行优化，使轮胎硫化程度均匀性和硫化时间均得到改善。3.2优化模型的建立3.2.1设计变量的选取轮胎硫化后的性能与硫化程度有着直接的关系，硫化程度受外温蒸汽的影响较大。选

5、取外温蒸汽变化历程作为设计变量。3.2.2目标函数的选取根据硫化的实际情况，可以从胶料硫化程度的均匀性来评估，硫化程度均匀性可以用硫化程度的偏度值来表征，即（2）式中为第i个节点的硫化结束时的硫化程度(由三维有限元分析得出)；n为轮胎断面节点个数；为断面所有节点的硫化程度的平均值。目前，轮胎企业为节约能源减少成本，提高生产效率，在硫化均匀性较好的情况下尽量减少硫化时间。故选取断面硫化均匀程度作为优化的目标函数，尽可能缩短硫化时间。3.2.3优化数学模型图1为硫化模具外部蒸汽的温度历程,T1，T2为蒸汽温度，t1，t2为时间。图1

6、外温蒸汽历程轮胎硫化优化的数学模型为：（3）式中f(x)为硫化程度的偏度值；T1H，T1L是T1的上下边界值；T2H，T2L是T2的上下边界值；t1的上下边界值为t1H，t1L；t2的上下边界值为t2H，t2L。3.3优化过程3.3.1正交试验设计利用正交试验设计方法选用正交表L9(34)安排试验方案。T1408.15～418.15K之间选取,T2在424.15～434.15K之间选取，t1在960～1160s之间选取，t2在2480～2680s之间选取将各因素的水平数取为3,将选定的范围分为3等份，即可得到各因素的水平取值。3

7、.3.2数值拟合径向基函数(RBF)网络是以函数逼近理论为基础而构造的一类前向网络，这类网络的学习等价于在多维空间中寻找训练数据的最佳拟合平面。径向基函数网络的每个隐含层神经元传递函数都构成了拟合平面的一个基函数。径向基函数网络与BP网络相比规模通常较大，但学习速度较快，并且网络的函数逼近能力优于后者。故采用RBF网络来拟合外温蒸汽历程和硫化程度的偏度值之间的映射关系。为了提高神经网络的泛化能力，将样本数据分为训练集和测试集。训练集用于训练网络，使网络按照学习算法调节结构参数，以达到学习的目的；测试集则是用于评价已训练好的网络性

8、能。提取9组样本点中的任意8组样本点作为训练样本，剩下的1组样本点作为测试样本。3.3.3优化搜索遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机搜索算法。它与传统的算法不同，大多数古典的优化算法是基于一个单一的度量函数(评估函数)的梯度或较高次统计，以产生