基于RBF神经网络的结构动态有限元模型修正研究.pdfVIP

172 探索创新交流——中国航空学会青年科技论坛文集 基于RBF神经网络的结构动态有限元模型修正研究 费庆国，张令弥 (南京航空航天大学振动工程研究所．江苏南京210016) 摘要：结构动志有限元模型惨正通常归结为反目矗束解．采用RBF神经同络进行有限元模型的修正，将特征 量视为自变量．设计’数视为园变量，以RBF神经同络逼近两者之同的非线性映射关系。然后利用神经网络的 迂化特性直接求解设计参数的目标值。从而模型售正归结为正问基进行研究．该方法避开了现有的基于反问最的 有霉元摸基謦正所面蠕的复杂的非缝性优化计算．研究了基于RBF神缝罔络的模型肇正的关键拄束甸韪。包括 两络的训练算法、样本点选择雉略等．以欧洲航空科技组织的基准模墅——G^I盯EuR飞机模型为例．应用该方 法对其有限元模型进行肇正．基于仿真数据的惨正．模志颓事误差在1％以内，参教误差在2％以内．基于测量 数据的售正．棋杏频率谡差在3％以内． 峥钧I_h有限元崔型：模型售正：径向基函数t神经罔络；均匀设计 有限元模型是结构动态分析的基础，建模过程中的诸多不确定因素导致有限元模型必 然存在以下三种误差[I】：结构误差、阶次误差和参数误差。试验结果可以较为准确地反映 结构动态特性，因此可以毗试验结果为依据对有限元模型进行修正。耳前的有限元模型修 正方法分为矩阵型和设计参数型口]，工程应用中较多采用后者口~5】。 设计参数型有限元模型修正属于结构动力学反问题。其理论基础是将频率、振型等反 映结构动态特性的特征量视为设计参数的函数，在初始有限元模型对应的设计点附近进行 Taylor展开，然后利用一阶导数信息构造灵敏度矩阵进行迭代求解。该方法主要有以下缺 点：迭代过程中需要求解高维、非线性的优化问题，计算效率低且精度难以保证；迭代步 长必须很小，对于误差较大情况，迭代次数较多且可能陷入局部最优解。分析现有的算法 可以发现，设计参数与特征量之间的映射关系由有限元模型表达，因此只能将设计参数作 为自变量。如果可以获得一个数学模型，将设计参数作为因变量，特征量视为自变量，则 模型修正问题可以归结为正问题求解，从而避免以上问题。 神经网络是模拟人类神经系统对信息进行加工、记忆和处理方式设计出的一种信息处 理系统。借助神经网络可以很方便地实现从输入到输出空问的非线性映射。本文采用RBF BasisFunction)神经网络进行有限元模型修正，将特征量视为自变量，设计参数 (Radial 视为因变量，以RBF神经网络表达两者之间的映射关系，然后将特征量的目标值作为输 入，利用神经网络的泛化特性直接输出设计参数的目标值，从而将模型修正归结为正问题 求解。 本文首先介绍了将有限元模型修正归结为正问题的基本思路，然后讨论了网络结构的 选择与网络的训练算法、样本点选择策略等关键技术问题，最后总结了利用RBF神经网 络进行有限元模型修正的基本步骤。为了验证方法的有效性，以欧洲航空科技组织采用的 基准模型——GA娜I瓜飞机模型为例，分别利用仿真数据和测量数据对其有限元模型进 探索创新交流——中国航空学会青年科拄论坛文集 173 行了修正。 1基于神经网络的有限元模型修正方法 1．1理论分析 首先分析现有的设计参数型有限元模型修正方法的基本原理。以y代表结构的特征 量，P代表设计参数，假设特征量与设计参数之间存在如下的函数关系： Y=f(P】 (1) 令p0和％=，(p0)分别代表初始有限元模型的设计参数和特征量，在p0处对式(1) 进行Taylor展开： y：y0+到卸-I-0∞：) (2) 叩l“ 式中：卸=p一凡，代表参数的修改量。 舍去高阶小量，将式(2)整理为： y—yo：刭卸 (3) 昭l