隨著社會(huì)工業(yè)精細(xì)化水平的不斷提高,人們對(duì)有限元模型建立的效率和精度以及模型重量都提出了越來越嚴(yán)格的要求。MSC.Patran/Nastran是國(guó)際先進(jìn)的有限元前后處理和分析系統(tǒng),已成為業(yè)內(nèi)公認(rèn)的有限元處理軟件。Patran Command Language（Patran命令語言,以下簡(jiǎn)稱為PCL語言）作為MSC.Patran的高級(jí)編程語言在工程應(yīng)用中日益受到人們的信賴。因此,在MSC.Patran/Nastran平臺(tái)基于PCL語言的快速化建模和輕量化設(shè)計(jì)的研究是一個(gè)極具應(yīng)用價(jià)值的課題。本文旨在提高有限元模型建立的效率和精度并實(shí)現(xiàn)結(jié)構(gòu)的輕量化目標(biāo),主要研究?jī)?nèi)容如下:1.以MSC.Patran為平臺(tái)利用PCL語言二次開發(fā)出具有優(yōu)化功能的用戶菜單和界面。用戶通過界面直接完成有限元模型的建立和自動(dòng)調(diào)用MSC.Nastran進(jìn)行初步的有限元計(jì)算,實(shí)現(xiàn)了結(jié)構(gòu)的快速化建模和初步的有限元分析。2.基于PCL語言利用MSC.Nastran強(qiáng)大的分析求解功能并結(jié)合MSC.Patran的日志文件進(jìn)行聯(lián)合編程,將眾多先進(jìn)的優(yōu)化算法引入到結(jié)構(gòu)的輕量化設(shè)計(jì)中,實(shí)現(xiàn)了高維度離散非線性問題在MSC.Patran/Na... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：110 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖３．２隨機(jī)抽樣方案??Ｆｉｇ．?３．２?Ｓｔｏｃｈａｓｔｉｃ?ｓａｍｐｌｉｎｇ?ｓｃｈｅｍｅｓ??

?基于Ｐａｔｒａｎ?Ｃｏ＿ａｎｄ?Ｌａｎｇｕａｇｅ的快速化建模和輕量化設(shè)計(jì)???Ｊ?ｈ?ｐ－?ｎ?Ｌｏｃａｌ?ｂｅｓｔ?Ｐｇ??Ｇｌｏｂａｌ?ｂｅｓｔ?Ｐｆ????？??圖３．９粒子群算法（ＰＳＯ）中粒子位置ｘｆ的更新示意圖??Ｆｉｇ．?３．９?Ｒｅｎｅｗａｌ?ｄｉａｇｒａｍ?ｏｆ?ｐａｒｔｉｃｌｅ?ｌｏｃａｔｉｏｎ?＼）?ｉｎ?Ｐａｒｔｉｃｌｅ?Ｓｗａｒｍ?Ｏｐｔｉｍｉｚａｔｉｏｎ?（ＰＳＯ）??粒子群優(yōu)化（ＰＳＯ）算法首先隨機(jī)初始化一個(gè)規(guī)模為＃的種群，每個(gè)粒子代表優(yōu)化??問題的一個(gè)可能的解決方案。粒子群優(yōu)化（ＰＳＯ）算法主要受分別代表個(gè)人行為和全局??行為這兩個(gè)因素的影響。這意味著每個(gè)粒子都會(huì)有自己的最佳解決方案，同時(shí)也會(huì)受到??群體最佳解的影響。每個(gè)粒子個(gè)體將把自己的位置朝搜索到的個(gè)體最佳位置Ｐ／？和種群??最佳位置方向調(diào)整，具體公式如下：??ｖｆ＋１?＝?ｗｖｆ?＋ｃｐＲ，ｘ?（Ｐ；?－?ｘｆ）?＋?ｃｇＲ２?ｘ?（Ｐ；?－?ｘｆ?）??ｘｆ＋１?＝?ｘｆ?＋?ｖｆ＋１?（３－２〇）??式中ｗｖｆ為“慣性項(xiàng)”，始粒子有擴(kuò)展搜索空間的作用，慣性權(quán)重系數(shù)…是第左次迭代??步中速度的比例縮放因子；是“認(rèn)知項(xiàng)”，代表粒子本身對(duì)調(diào)整方向的??思考，＼是加速常數(shù)；ＣｇＲ２ｘ（Ｐ；－ｘｆ）是“社會(huì)項(xiàng)”，代表粒子間最優(yōu)信息的共享，如??果缺失第三項(xiàng)，一個(gè)規(guī)模為／／的種群等價(jià)于＃個(gè)單個(gè)粒子的運(yùn)行，這往往得不到可行解，??是加速常數(shù)；１＾和１１２是兩個(gè)在［〇，１］之間變化的隨機(jī)數(shù)向量。選擇合適的系數(shù)ｓ、＆??和ｗ對(duì)粒子群算法的收斂行為非常重要。ｏｐｔｉＳＬａｎｇ提供了兩種預(yù)定義的搜索策略，每??個(gè)系數(shù)都有系統(tǒng)默認(rèn)值

?基于Ｐａｔｒａｎ?Ｃｏｍｍａｎｄ?Ｌａｎｇｕａｇｅ的快速化建模和輕量化設(shè)計(jì)???■????—ｓ?ｙ?．—一ａ殳—?ｙ??＿＿０??Ｏ?Ｇ?ｙ??二二二互二二：：：Ｚ５ＺＺＺ?互＝１：－＾??？????Ｑ?一一?￣??￡１?．一?〇？?“—＊＊?＂＂??ｆ?〇ｚｚｚｚｚｚｚｚ??／?／??？??ｙ??Ｂｅｓｉ?Ｅｎｓｉｇｎ?＃??一ｉ??Ｎｅｘｔ?Ｃｅｎｔｅｒ??圖３．１０隨機(jī)設(shè)計(jì)改進(jìn)（ＳＤＩ）的更新原理??Ｆｉｇ．?３．１０?Ｕｐｄａｔｅ?ｓｃｈｅｍｅ?ｏｆ?ｔｈｅ?Ｓｔｏｃｈａｓｔｉｃ?Ｄｅｓｉｇｎ?Ｉｍｐｒｏｖｅｍｅｎｔ?ａｐｐｒｏａｃｈ??由于是純粹的隨機(jī)方法，隨機(jī)設(shè)計(jì)改進(jìn)（ＳＤＩ）擁有非常強(qiáng)大和高效的處理擁有大??量失敗的設(shè)計(jì)，離散和連續(xù)設(shè)計(jì)變量，以及包含大量設(shè)計(jì)變量和約束條件等問題的能力。??然而，它旨在改進(jìn)初始設(shè)計(jì)，但不是為了找到全局最優(yōu)解決方案。因此，與進(jìn)化算法（ＥＡ）??和粒子群優(yōu)化（ＰＳＯ）算法相比，其效率可能較低。??３．２．２多目標(biāo)優(yōu)化??大多數(shù)工程問題包括多個(gè)目標(biāo)和大量的設(shè)計(jì)變量。這就引出了多目標(biāo)優(yōu)化問題的一??般公式：??ｍｉｎｉｍｉｚｅ：?／ｎ（ｘ），?ｍ?＝??ｓｕｂｊｅｃｔ?ｔｏ＼?ｇ；（ｘ）＞０，?ｊ?－?１，２，．．．，／??ｈｋ（ｘ）?＝?０，?ｋ?＝?＼，２”＿．，Ｋ?（３＇２１）??ｘ＼Ｌ）?＜ｘｔ?＜ｘ＼［ｌ），?ｉ?－１，２，．．．，／??式中：＼?＝?〇１，１２，．．．，１？）７＇是設(shè)計(jì)變量的矢量；發(fā)／（＼）為約束不等式，化（＼）為約束等式。所??有既滿足約束條件又滿足設(shè)計(jì)變量邊界范圍的解構(gòu)成了可行的


本文編號(hào)：3062246