[发明专利]一种热压罐成型工艺参数优化方法

说明书

本发明涉及仿真交互优化技术领域，特别是涉及一种热压罐成型工艺参数优化方法。通过建模及前置处理，设置所需的优化目标、约束条件，根据实际工况设定所需的优化参数的数值，通过交互界面将优化数值赋予给优化算法作为优化范围的上下限。通过选取不同的优化模式作为优化模型输入，而后对优化算法进行具体设置，在优化算法运行后，可以读取优化结果。数值仿真与优化方法的结合使得热压罐的工艺参数优化更加容易实现，具有更高的计算效率和计算精度，且由于不需要试错的过程优化成本大大降低，能够快速获取工艺方案。同时集成了两种优化模式，使用户能够根据计算效率和计算精度的需要进行选择，具有更强的灵活性和实用性。

技术领域

本发明涉及仿真交互优化技术领域，特别是涉及一种热压罐成型工艺参数优化方法。

背景技术

热压罐成型工艺是复合材料主承力和次承力结构件成型时广泛采用的成型工艺，其优点是工艺方法成熟、稳定可靠、加压均匀，并且可以制备较大尺寸的复合材料零件。复合材料零件热压罐工艺制造过程中还会因复合材料本身的固有特性如各向异性、树脂化学反应放热、树脂体积收缩、热导率低等因素产生各种缺陷。这些缺陷包括孔隙、分层、脱粘、变形、局部纤维体积分数不均匀、局部固化度不均匀等，缺陷的存在严重影响制件的性能和使用寿命，若报废则会造成较大的经济损失并且影响整体研制进度。缺陷的产生与工艺方案密切相关，即使是采用同样的材料，不同尺寸、不同厚度、具有不同特征结构的制件需要对成型工艺参数进行有针对性地调整优化。目前，传统的工艺参数优化需要结合经验通过多次实验或者通过多次模拟仿真获得，需要消耗较长的优化周期和较多的资源。

发明内容

(1)要解决的技术问题

本发明实施例提供了一种热压罐成型工艺参数优化方法，解决了工艺参数优化需要结合经验通过多次实验或者通过多次模拟仿真获得，需要消耗较长的优化周期和较多的资源的技术问题。

(2)技术方案

本发明的实施例提出了一种热压罐成型工艺参数优化方法，包括步骤：选取优化模式；建立构件在热压罐成型的固化仿真模型；对模型进行前置处理；设置模型的优化目标以及约束条件；根据实际工况设定优化参数的数值；通过交互界面将优化数值赋予给优化算法作为优化范围的上下限；对优化算法进行设置；在优化算法运行后，读取优化结果。

进一步地，所述优化模式包括有限元模型优化和神经网络模型优化。

进一步地，所述有限元模型优化包括步骤：在构件热压罐成型的固化仿真模型的基础上搭建仿真对接模块，使得优化算法使用有限元计算文件作为计算模型；通过交互界面对遗传算法进行设置；通过调用已有的多目标优化算法进行优化计算，获得最优解；遗传算法在达到终止条件后，优化结果以文件形式进行保存，数据后处理模块将读取优化结果并进行反归一化和反标准化，将完成的结果进行可视化。

进一步地，所述神经网络模型优化包括步骤：在构件的热压罐成型固化仿真模型的基础上搭建数据扩增模块；对神经网络模块进行设置，所述神经网络模块将对划分完的数据集进行学习，当达到设定的停止条件后，所述神经网络模块将自动结束学习并保存神经网络的结构模型；进行遗传算法的设定；通过调用已有的多目标优化算法进行优化计算，获得最优解；遗传算法在达到终止条件后，数据后处理模块将读取优化结果并进行反归一化处理，获取优化结果；对遗传算法获取的优化结果进行可视化处理，并将结果数据保存为csv文件供用户查看。

进一步地，所述数据扩增模块通过交互界面选取优化目标、设计参数，并设定设计参数的取值范围、约束条件，根据设计参数的范围自动修改固化仿真模型的相关参数并生成计算文件提交运算，根据设定的优化目标提取计算结果，并将每次计算的设计参数和计算结果输出保存为训练数据文件。

进一步地，所述神经网络模块的设置包括神经网络模型的输入神经元数量、输出神经元数量及隐藏层神经元数量。

进一步地，所述遗传算法的设定包括选取的遗传算法类型、遗传代数、种群数量以及各个变量的上下限。