渐进结构优化方法.docxVIP

渐进结构优化方法 0 双向渐进结构优化方法 badue54f等人。 ESO方法的核心思想是逐渐将结构中的无效或低效的材料一步步从结构中去掉, 从而使结构朝最优方向进化。该方法的优点是通用性好, 程序实现简单, 能获得一系列黑白分布的优化拓扑。双向渐进结构优化方法 (BESO法) 是ESO方法的拓展, 它允许添加单元到结构上。Huang等人 为此, 本文在前人工作的基础上, 对BESO方法做了进一步的探索, 以期能解决基于渐进结构优化技术的多位移约束问题。 本文针对有多个位移约束和体积最小的结构拓扑优化问题, 构建多个位移约束拉格朗日乘子求解的变约束渐进近似优化问题模型, 引入光滑对偶算法, 建立多个位移约束拉格朗日乘子近似求解算法。而后, 依据拉格朗日乘子, 导出单元灵敏度计算公式, 给出渐进结构优化算法。最后给出两个验证算例。 1 结构优化模型 1.1 单元拓扑变量和插值函数 假设第i号单元的拓扑变量为ρ 式中:V 体积矩阵和刚度矩阵插值函数分别采用下列指数式和分数有理式计算: 式中:a 1.2 不可设计单元编码 结构优化过程中, 通常将结构单元分为两种类型:第一种是可设计单元, 第二种是不可设计单元。假设不可设计单元总数用P表示, 不可设计单元在全局网格下的编号用i 式中:u 在双向渐进结构优化 (BESO) 方法中, 很难保证拓扑优化过程中结构不出现“孤立”单元, 从而导致有限元求解终止。 本文采用拓扑变量ρ 2 拉格朗日乘子法求解 在有限元分析中, 依据结构静态平衡方程Ku 式中:K为结构整体刚度矩阵;u 假设力F 式中:u 结构体积对ρ 式中:V 参考文献[6]和参考文献[7]对式 (3) 中位移约束和目标函数进行规范化处理, 并构造出如下拉格朗日函数L (ρ, λ) : 式中:ρ 假设拓扑变量从0~1连续变化, 则式 (7) 对可设计拓扑变量的偏导数为: 将式 (5) 、式 (6) 代入式 (8) 得: 将式 (9) 作为当前第 (k+1) 迭代步单元灵敏度α 由式 (9) 可知, 求解单元灵敏度数的关键在于求解拉格朗日乘子λ 3 渐进结构优化迭代 借鉴数学规划法, 将优化问题式 (3) 转换成如下连续变量模型: 式中:ρ 将结构最大设计域选作初始结构时, 在结构优化迭代初始阶段, 约束点的位移值可能远远小于它们的约束值, 使得由Kuhn-Tucker条件求解的拉格朗日乘子等于零。此时, 若结构网格划分是均匀的, 采用式 (9) 的 传统的BESO方法, 在仅有一个位移约束的情况下, 选取式 (5) 计算得到单元灵敏度数, 依据该单元灵敏度数, 进行渐进结构优化迭代。然而该方法不能直接用于多个位移约束和体积最小的结构拓扑优化问题。为了解决与渐进结构优化相适应的问题, 借鉴文献[8]和文献[9], 引入变位移约束限, 可以将模型式 (11) 转化为模型式 (12) : 式中:β 图1所示为本文提出的优化迭代解示意图。 假设图1中Ω 参考Svanberg 式中:m 令: 利用对偶方法将式 (15) 规划问题转化成下列对偶规划问题。 式中: 式中: 为保证引入的人工变量y= (y 由式 (19) 可得: 为了保证式 (21) 迭代收敛, 引入步长因子α, 式 (21) 可以转化为: 式中:步长因子α为经验参数, 本文所有算例中取α=0.1。 由式 (21) 得: 式中:s为引入人工变量的数目, 与人工变量的序号 参考文献[15], 采用-φ (λ) 的二阶近似函数且省略近似函数中的常数项, 可以得到以下二次规划模型: 矩阵H、W的分量分别为: 式中:h 式 (33) 为一个二次规划问题, 为了利用对称二次矩阵函数的二次规划求解算法, 对式 (34a) 和式 (34b) 进行了等价二阶矩阵对称性处理。最后, 采用二次规划法很容易求解得出 为了处理棋盘格、网格依赖性等数值不稳定问题, 采用文献[5]的过滤技术对式 (15) 的所有实体材料单元的一阶灵敏度系数进行过滤修正, 然后再代入优化模型中计算拉格朗日乘子。同样对由式 (9) 获得的单元灵敏度也进行过滤修正。 4 单元灵敏度数1 在渐进优化过程中, 单元的删除和增添由结构的下一迭代步的目标体积V 式中:V 通过本文方法得到单元灵敏度数α 1) 对于第k次迭代步, 将所有单元灵敏度数值从大到小进行排序。若V 2) 为了控制在单次迭代步单元增添的数目, 预先设定一个最大体积添加率AR 3) 将空单元灵敏度数值从大到小排序, 且添加单元数目等于AR 收敛准则如下, 满足下列条件之一即可停止迭代。 式中:V 5 渐进参数优化 基于“软杀”策略的渐进结构优化迭代步骤如下。 第1步:对初始设计域采用有限元网格离散, 设置边界条件、载荷及单元特性。 第2步:定义位移约束下的渐进优化相