[发明专利]一种基于神经网络的复材固化应力计算方法

权利要求书

1.一种基于神经网络的复材固化应力计算方法，其特征在于包括以下步骤：

步骤一，选取若干组复材固化参数，包括不同固化温度、铺层方式、增强体体积分数、固化时间；

步骤二，通过实验测量或者有限元计算的方法采集不同固化温度、铺层方式、增强体体积分数、固化时间下的复材固化应力数据，并将其整理成复材固化数据集；

步骤三，建立优化的神经网络模型，采用复材固化数据集作为神经网络的训练数据，采用优化算法对神经网络模型的权重和阈值进行迭代优化；以优化后的神经网络模型作为复材结构固化应力模型，将不同固化温度、铺层方式、增强体体积分数、固化时间输入该模型，计算对应的复材固化应力。

2.根据权利要求1所述的一种基于神经网络的复材固化应力计算方法，其特征在于所述的步骤三中，建立的神经网络模型包含输入层、隐含层和输出层。

3.根据权利要求2所述的一种基于神经网络的复材固化应力计算方法，其特征在于所述的输入层节点数据为固化时间、固化温度、不同铺层方式、增强体体积分数，输出层节点数据为对应于固化时间、固化温度、不同铺层方式、增强体体积分数的固化应力。

4.根据权利要求2所述的一种基于神经网络的复材固化应力计算方法，其特征在于所述的隐含层的节点数N_hide为

N_hide＝2n_inp+C

其中，n_inp为输入层节点数，C为0～10的整数。

5.根据权利要求1-4中任意权利要求所述的一种基于神经网络的复材固化应力计算方法，其特征在于所述的对神经网络模型的权重和阈值进行迭代优化的具体过程为：

输入层到隐含层的映射需确定参数为学习率R_l、权值w₁、阈值b₁，隐含层到输出层的映射需确定参数为权值w₂、阈值b₂，学习率R_l优化公式为，

R_l(i)＝R_max-i*(R_max-R_min)/n_imax

其中i为当前迭代次数，R_max为学习率最大值，R_min为学习率最小值，n_imax为最大迭代次数，

权值w₁、阈值b₁优化公式为，

w₁＝w1_1+R_l(i)*dw₁+m_d*(w1_1-w1_2)

b₁＝b1_1+R_l(i)*db₁+m_d*(b1_1-b1_2)

其中dw₁为隐含层计算值与实际值的误差，w1_1为输入层到隐含层的第i次权值，b1_1为输入层到隐含层的第i次阈值，w1_2为输入层到隐含层的第i+1次权值，b1_2为输入层到隐含层的第i+1次阈值，m_d为附加动量系数。

权值w₂、阈值b₂优化公式为，

w₂＝w2_1+R_l(i)*dw₂+m_d*(w2_1-w2_2)

b₂＝b2_1+R_l(i)*db₂+m_d*(b2_1-b2_2)

其中dw₂为输出层计算值与实际值的误差，w2_1为隐含层到输出层的第i次权值，b2_1为隐含层到输出层的第i次阈值，w2_2为隐含层到输出层的第i+1次权值，b2_2为隐含层到输出层的第i+1次阈值。