摘要：基于有限元的拓扑优化方法,需要多次有限元求解与迭代,由此消耗了大量的计算资源与时间。为提高拓扑优化效率,本文以悬臂梁结构拓扑优化设计为例,引入过滤半径、体积分数、载荷作用点及加载方向4个优化参数,提出了一种基于残差连接的生成式卷积神经网络(CNN)模型,分析了样本数量及损失函数类型对生成式CNN模型精度的影响规律。结果表明:所建立的生成式CNN模型具有较高的精度与泛化能力,模型预测值与有限元仿真结果平均结构相似度可达0.9720,平均绝对误差为0.0143。该模型预测耗时仅为有限元法的0.0041倍,显著提升了结构拓扑优化效率。

摘要：为适应城市电动客车的发展以及国家节能环保政策的需要,提出了一种基于电动客车静强度和侧翻安全性能的灵敏度分析的车身结构轻量化方法。首先建立某电动客车的有限元模型,通过有限元方法对车身结构进行静强度和侧翻安全性分析。其次对有限元模型进行弯曲、弯扭工况下的车身静强度和侧翻安全性的灵敏度分析。基于灵敏度分析结果,筛选出有利于轻量化且对车身静强度和侧翻安全性影响不大的部件板厚为设计变量,以车身骨架质量最小为目标,以各材料所在单元的最大vonMises应力不超过其材料屈服强度为约束,进行尺寸优化。优化结果表明,车身结构静强度和侧翻安全性能满足法规要求,且车身骨架质量减轻了3.8%。

摘要：针对现有深度学习方法在物理系统仿真中无法处理几何边界与初始条件同时变化的场景的问题,提出将几何边界约束的表达与物理系统仿真解耦的技术思路,设计了几何特征表达学习和物理系统仿真双步骤的技术路线。在构建与外部物理条件无关的几何特征提取模块之后,融合提取的几何特征与物理特征,最后设计基于神经网络的物理系统仿真方法。在应力场预测实验中,所提方法的预测时间为2.63 ms,远低于有限元法(FEM)的0.6 s,且平均绝对误差(MAE)仅为MeshNet的0.389倍。实验结果表明,所提方法能够保持较高仿真精度,同时能够较好地适应不同的几何边界与初始条件。