基于神經網絡和粒子群算法的環肋圓柱殼優化設計

張　宇，黃小平，閆小順（. 上海交通大學 高新船舶與深海開發裝備協同創新中心，上海　0040；. 中國艦船研究設計中心，湖北　武漢 430064）

?

基于神經網絡和粒子群算法的環肋圓柱殼優化設計

張宇1，黃小平1，閆小順2
（1. 上海交通大學 高新船舶與深海開發裝備協同創新中心，上海200240；2. 中國艦船研究設計中心，湖北武漢 430064）

摘要:對于潛艇外殼等外壓容器來說，滿足穩定性要求至關重要。本文利用Matlab編寫改進粒子群算法優化程序，利用 Ansys 的 Apdl 語言完成了環肋圓柱殼的參數化建模，以圓柱殼厚度、肋骨尺寸和肋距作為離散設計變量，以穩定性要求作為約束條件，構造了合適的懲罰函數，以質量最輕作為設計目標，實現了基于 BP 神經網絡和粒子群算法的環肋圓柱殼優化設計。在優化過程中，首先采用拉丁超立方體抽樣完成了樣本點的選取，然后對樣本點進行有限元分析，根據有限元分析結果構建 BP 神經網絡代理模型，并探討了樣本點數量對代理模型預測精度的影響，最后采用改進粒子群算法對代理模型進行優化。優化結果表明，對于需要考慮離散變量和復雜非線性約束的結構優化問題，采用 BP 神經網絡和粒子群算法聯合優化的方法能夠節省大量計算時間，并達到理想的優化效果。

關鍵詞：BP神經網絡；粒子群算法；環肋圓柱殼；優化設計；穩定性分析

0　引　言

圓柱殼結構在船舶、航空航天、壓力容器等行業中有著廣泛的應用。對于殼體結構來說，不僅要滿足強度要求，還要滿足穩定性要求。在滿足上述條件的前提下，設計出最合理的結構形式使得重量最輕，將具有很明顯的經濟效益。對此，國內外已經有許多相關的研究：陳美霞[1]利用Ansys軟件的零階優化方法進行了基于離散變量的加筋圓柱殼靜動態性能優化設計；龍連春[2]和王存福等[3]則采用遺傳算法對加筋圓柱殼類結構進行了優化。粒子群算法（PSO）無需復雜的編碼、交叉和變異等操作，粒子只是通過內部速度更新，因此原理更簡單，參數更少，實現更容易。粒子群算法也因此成為結構優化領域研究的新方向。

在結構優化領域，粒子群算法已經有了不少應用[4–6]，并被用來處理離散變量優化問題。在之前的文獻中，通常只將粒子群優化算法與結構強度分析結合起來，很少將粒子群算法與穩定性分析進行結合。本文即在考慮了穩定性約束的前提下，采用粒子群算法對環肋圓柱殼進行優化。但是，若直接對結構進行優化設計，則需要循環調用有限元軟件進行結構分析，而對于環肋圓柱殼來說，每進行一次結構穩定性分析都要耗費較長時間，導致整個優化過程時間成本過高，不具有可操作性。為此，本文在前人研究的基礎上[7–8]，采用 BP 神經網絡和粒子群算法聯合優化（以下簡稱 BP-PSO 算法）的方法，首先通過試驗設計的方法在設計空間內選出樣本點，構建神經網絡近似代理模型，利用該代理模型來替代大量的有限元分析，然后利用粒子群算法來完成基于離散變量的全局尋優，從而實現對環肋圓柱殼結構的優化。

1　BP-PSO 算法的基本原理

1.1BP 神經網絡

BP神經網絡是近年來應用最為廣泛的一種近似代理模型，具有很強的非線性映射能力，可以根據一定數量的樣本點建立起輸入變量到輸出變量間的一一映射關系。并且，可以通過改變樣本點的個數、隱含層的神經元個數以及隱含層的層數來獲得想要的映射精度[9]。因此，在結構優化領域，可以根據這一映射關系來獲得結構響應，從而替代耗時的有限元分析。

1.2改進粒子群算法基本原理

1) 速度和位置更新公式

在粒子群算法中，粒子的位置代表著優化問題的可能解。粒子通過不斷更新自己的速度和位置，逐漸向最優粒子靠攏，最終找到最優解。對于粒子群中的第i個粒子,其第k次迭代后的位置和速度可以表示為和，則在第k+1次的迭代后，粒子的位置和速度可表示為：

其中：w 為慣性權重；c1和 c2為學習因子；r1和 r2為 0～1 之間的隨機數。為第 i 個粒子在第 k 次迭代后自身的最好位置，稱為個體極值 Pbest；為第 k 次迭代后整個粒子群中最好粒子的位置，稱為總體極值 Gbest。

對于離散型變量優化問題，可以不必改變速度更新公式，而僅在位置更新后對其進行取整：

式中，round( )為取整函數。

2) 自適應權重系數

慣性權重決定了對粒子當前速度繼承的多少，是粒子群算法中最重要的參數之一，對算法的收斂性能有著重要影響[10]。較大的 w 有利于提高算法的全局搜索能力，較小的 w 會增強算法的局部搜索能力。為平衡粒子群算法的全局搜索能力和局部改良能力，采用非線性的動態慣性權重系數公式，其表達式如下：

式中：wmax和wmin分別為 w 的最大值和最小值；f 為當前的目標函數值；favg和 fmin分別為當前所有微粒的平均目標值和最小目標值。

3) 約束處理

由于粒子群算法只適用于無約束優化，因此本文定義如下罰函數，從而將有約束問題轉化為無約束問題。

不等式約束問題的一般形式如下：

目標函數min f(x)；

不等式約束gi(x)≥0,i = 1，2，···，m；

式中：σ 為很大的正數，m 為約束的個數。此時的目標函數為：

2　基于 BP-PSO 算法的環肋圓柱殼優化設計

2.1優化策略以及流程

首先采用拉丁超立方體抽樣的方法在設計空間內選取 1 400 個樣本點，其中，1 350 個樣本點用于訓練神經網絡，50 個樣本點用于檢驗神經網絡的精確度。采用通用有限元軟件 Ansys 作為求解器,對環肋圓柱殼進行穩定性分析，輸出結構重量和失穩臨界壓力。由于進行非線性穩定性分析耗時較長，故本文僅進行特征值屈曲分析。采用 BP 神經網絡分別建立起樣本點和結構重量之間、樣本點與失穩臨界壓力之間的映射關系，并對神經網絡進行訓練。然后利用 Matlab 編寫自適應權重粒子群算法作為優化的主程序，以實現全局尋優。在優化過程中，首先在 Matlab 中完成粒子位置和速度的初始化，然后根據神經網絡映射得到結構重量和失穩臨界壓力，分別作為目標函數和約束條件，并根據分析結果來更新粒子的位置和速度，從而完成整個優化循環。整個優化流程如圖1所示。粒子群的數目取為 20，最大權重 wmax= 0.9，最小權重 wmin= 0.4。算法最大循環次數為 500 次。

圖1　BP-PSO 算法優化流程Fig. 1　Flow chart of BP-PSO

2.2有限元模型

在優化時采用的潛艇環肋圓柱殼結構形式如圖2所示。材料參數和具體尺寸如下：長度 L = 12 m，直徑D = 12 m，肋骨均勻布置在圓柱殼內部，肋骨個數 n 為15～40個，肋骨間距 l = L/n。圓柱殼厚度 t = 25～40 mm，肋骨采用不等邊角鋼。材料彈性模量 E = 2 × 105MPa，泊松比 μ = 0.3，屈服強度 σs= 800 MPa，密度 ρ = 7.8 × 103kg/m3。在進行特征值屈曲分析之前，首先進行靜力分析。載荷模擬 400 m 水深，等效為 p = 6 MPa的面壓力以及相應的軸向壓力。邊界條件為一端三向簡支，施加軸向壓力的一端約束環向位移。有限元模型如圖3所示。

圖2　環肋圓柱殼幾何模型Fig. 2　Geometric model of ring-stiffened cylindrical shell

圖3　有限元模型Fig. 3　Finite element model

2.3優化的數學模型

環肋圓柱殼優化設計的目標函數是在穩定性滿足要求的條件下，整個結構的最小重量，記作：

其中，W(x) 為環肋圓柱殼的重量。

設計變量以及取值范圍見表1所示，所有變量均為離散變量。

表1　設計變量取值范圍Tab. 1　Ranges of design variables

根據潛艇相關規范，環肋圓柱殼失穩臨界壓力滿足如下條件：

3　結果分析與討論

3.1神經網絡預測精確度分析

平均相對變動值（Average relative variance, ARV）通常被用來評估代理模型的預測值和實測值的差別[11]，其定義為：

其中，N 為模型驗證時的樣本數量；x(i) 為真實的響應值；為由近似模型所得到的預測值；為真實的響應值的平均數。可見，平均相對變動值 ARV 越小，表明神經網絡預測精確度越高。

對于本文的環肋圓柱殼結構，運用拉丁超立方體抽樣方法分別進行了 650 次、1 000 次和 1 350 次試驗設計，并以這3組樣本點分別訓練神經網絡，得到各設計變量與結構重量和失穩臨界壓力直接的映射關系。為評估神經網絡的預測精確度，本文又另外抽取 50 個樣本點，以便計算平均相對變動值 ARV。表 2 為不同試驗次數下平均相對變動值 ARV 的變化情況。

從表 2 可以看到, 在樣本點的個數為 650 時，結構重量的平均相對變動值已經非常小，接近于0。隨著樣本點的增多，預測精度變化不大。而失穩臨界壓力的預測精度要稍低一些，這是因為失穩臨界壓力與各個設計變量之間乃是強非線性關系，因此需要盡量增大樣本點的個數來增加預測的準確度。當樣本點的個數為 1 350 時，結構重量的預測結果和實際輸出對比如圖4 所示；失穩臨界壓力的預測結果和實際輸出對比如圖5 所示。

表2　平均相對變動值 ARV Tab. 2　Average relative variance

圖4　結構重量預測輸出Fig. 4　Structure weight prediction output

圖5　失穩臨界壓力預測輸出Fig. 5　Buckling pressure prediction output

3.2優化結果分析

采用 BP-PSO 算法對環肋圓柱殼進行優化的收斂過程如圖6所示。經過優化，結構的重量下降了19.96%。為驗證優化結果的準確性，本文對優化后的結果進行有限元分析，得到環肋圓柱殼結構重量 Wt1= 37 755.78 kg，此時神經網絡預測得到的結構重量為Wt2= 37 753.68 kg，相對誤差僅為 0.01%。有限元分析得到的失穩臨界壓力為 P1= 7.07 MPa，神經網絡預測得到的失穩臨界壓力為 P2= 7.20 MPa，相對誤差約為1.81%。可見，對于需要考慮離散變量和復雜非線性約束的環肋圓柱殼結構，運用 BP-PSO 算法進行優化，能夠滿足工程優化要求。

在整個優化過程中，對 1 400 組樣本進行有限元分析需要約 23 h，訓練神經網絡和采用粒子群算法進行優化僅需要約 25 min的時間，整個過程可以在 24 h之內完成。如果直接采用粒子群算法循環調用有限元軟件進行優化，則可能需要數倍的時間才能達到相同的優化效果。

圖6　BP-PSO 算法優化過程Fig. 6　Optimization process of BP-PSO

表3　優化結果Tab. 3　Optimization results

4　結　語

本文用神經網絡代理模型替代有限元方法進行結構分析，然后利用改進的粒子群算法對環肋圓柱殼進行優化設計，得出結論如下：

基于神經網絡和智能算法聯合優化這一技術途徑，不僅可以發揮智能算法能夠進行全局優化、不易陷入局部最優這一特點，還可以節約大量計算時間，具有廣闊的工程應用前景。

參考文獻：

[1]陳美霞, 金寶燕, 陳樂佳. 基于APDL語言的加筋圓柱殼的靜動態性能優化設計[J]. 艦船科學技術, 2008, 30(3): 64–68. CHEN Mei-xia, JIN Bao-yan, CHEN Le-jia. Optimization design of static and dynamic characteristics of stiffened cylindrical shells based on APDL[J]. Ship Science and Technology, 2008, 30(3): 64–68.

[2]龍連春, 趙斌, 陳興華. 薄壁加筋圓柱殼穩定性分析及優化[J]. 北京工業大學學報, 2012, 38(7): 997–1003. LONG Lian-chun, ZHAO Bin, CHEN Xing-hua. Buckling analysis and optimization of thin-walled stiffened cylindrical shell[J]. Journal of Beijing University of Technology, 2012, 38(7): 997–1003.

[3]王存福, 趙敏, 葛彤. 考慮失穩模式的環肋圓柱殼結構優化設計[J]. 上海交通大學學報, 2014, 48(1): 56–63. WANG Cun-fu, ZHAO Min, GE Tong. Optimal design of ring-stiffened cylindrical shell considering instability mode[J]. Journal of Shanghai Jiaotong University, 2014, 48(1): 56–63. [4]PEREZ R E, BEHDINAN K. Particle swarm approach for structural design optimization[J]. Computers & Structures, 2007, 85(19/20): 1579–1588.

[5]LUH G C, Lin C Y. Optimal design of truss-structures using particle swarm optimization[J]. Computers & Structures, 2011, 89(23/24): 2221–2232.

[6]何小二, 王德禹, 夏利娟. 基于粒子群算法的多用途船結構優化[J]. 上海交通大學學報, 2013, 47(6): 928–931. HE Xiao-er, WANG De-yu, XIA Li-juan. Optimization of multipurpose ship structures based on particle swarm approach[J]. Journal of Shanghai Jiaotong University, 2013, 47(6): 928 –931.

[7]郭海丁, 路志峰. 基于BP神經網絡和遺傳算法的結構優化設計[J]. 航空動力學報, 2003, 18(2): 216–220. GUO Hai-ding, LU Zhi-feng. Structure design optimization based on BP-neural networks and genetic algorithms[J]. Journal of Aerospace Power, 2003, 180(2): 216–220.

[8]王建, 龐永杰, 程妍雪, 等. 近似模型在非均勻環肋圓柱耐壓殼優化中的應用研究[J]. 船舶力學, 2014, 18(11): 1331 –1338. WANG Jian, PANG Yong-jie, CHENG Yan-xue, et al. Application of approximation models to optimize the design of the non-uniform ring-frames pressure shell[J]. Journal of Ship Mechanics, 2014, 18(11): 1331–1338.

[9]王吉權. BP神經網絡的理論及其在農業機械化中的應用研究[D]. 沈陽: 沈陽農業大學, 2011.

[10]敖永才, 師奕兵, 張偉, 等. 自適應慣性權重的改進粒子群算法[J]. 電子科技大學學報, 2014, 43(6): 874–880. AO Yong-cai, SHI Yi-bing, ZHANG Wei, et al. Improved particle swarm optimization with adaptive inertia weight[J]. Journal of University of Electronic Science and Technology of China, 2014, 43(6): 874–880.

[11]陳果. 神經網絡模型的預測精度影響因素分析及其優化[J].模式識別與人工智能, 2005, 18(5): 528–534. CHEN Guo. Analysis of influence factors for forecasting precision of artificial neural network model and its optimizing[J]. Pattern Recognition and Artificial Intelligence, 2005, 18(5): 528–534.

Optimization of ring-stiffened cylindrical shell based on neural network and particle swarm optimization algorithm

ZHANG Yu1, HUANG Xiao-ping1, YAN Xiao-shun2
(1. State Key Lab of Ocean Engineering, Shanghai Jiaotong University, Shanghai 200240, China; 2. China Ship Development and Design Center, Wuhan 430064, China)

Abstract:For the external pressure vessel such as submarine shell, it is important to meet stability requirement. This paper wrote an improved particle swarm optimization(PSO), in which the penalty function is employed to transform nonlinear constraint optimization to unconstrained optimization. Then based on Matlab and Ansys, BP neural network and particle swarm optimization were applied to optimize ring-stiffened cylindrical shell , with the stability as constraint, with the total mass of stiffened cylindrical as objective function. And the optimal variables are shell thickness, frame dimensions and frame spacing. In the process of optimization, latin hypercube sampling method are used to choose sample points, and the finite element analysis was carried out on the sample points. With the analysis result, BP neural network can be built. Then this paper discuss the sample’s influence on prediction accuracy of neural network. Finally, this paper optimize the neural network with improved particle swarm optimization method. Optimum results shows that the validity of the proposed approach is examined, and this method can be used to solve nonlinear constraints discrete structural optimization problems. Use BP-PSO optimization algorithm can get good optimization result and save lots of time.

Key words:BP neural network；particle swarm optimization(PSO)；ring-stiffened cylindrical shell；optimization；stability analysis

作者簡介：張宇(1993–)，男，碩士研究生，研究方向為船舶結構強度分析。

基金項目：國家自然科學基金資助項目(51279102)

收稿日期：2015–08–18； 修回日期：2015–09–29

文章編號：1672–7619(2016)03–0005–05

doi：10.3404/j.issn.1672–7619.2016.03.002

中圖分類號：TP273

文獻標識碼：A