基于人工神经网络和遗传算法的复合材料夹芯结构多目标优化

摘要整理

夹芯结构在航空航天、汽车和海洋等工业应用中具有显著的性能提升潜力。复合材料夹芯结构的设计面临重大挑战，需在结构重量与成本之间取得平衡。本文提出了一种基于遗传算法（GA）和人工神经网络（ANN）的多目标优化模型，用于复合材料夹芯结构的重量和成本最小化。采用经典层板理论、梁弯曲理论和蒙特卡洛模拟生成设计数据，应用于高速列车地板面板。多层前馈神经网络以芯材密度、芯材厚度、面板材料组合和施加载荷为输入，预测结构的安全系数、成本和重量。训练后的神经网络模型表现良好，决定系数R²=0.99，均方误差MSE=1.3×10⁻⁵。采用遗传算法基于ANN模型进行成本和重量的多目标优化，获得帕累托前沿提供多个非支配最优点。有限元法（FEM）用于验证关键最优设计点（最低成本、最低重量及帕累托最优点），FEM与优化结果的最大偏差约8.9%，表明两种方法具有良好的一致性。研究表明，采用碳纤维增强复合材料（CFRP）或纤维金属层板（FML）作为面板相比全铝夹芯结构，分别可实现约59.5%和48.6%的重量节省。本研究建立的蜂窝芯层与层合面板复合夹芯结构优化设计方法具有创新性，为工程应用提供了新的设计思路。

相关论文