替代模型开发用于接中的数字实验
Zeyuan Miao1, Anastasia Vasileiou1, Hujun Yin1
1School of Engineering, University of Manchester.
Journal of visualized experiments : JoVE
|April 14, 2025
概括
本研究引入了使用人工神经网络的自动化工作流程,以预测接引起的残余应力,显著减少模拟时间和提高准确性,以提高制造业的结构完整性.
科学领域:
- 材料科学与工程 材料科学与工程
- 计算力学 计算力学 计算力学
- 制造过程 制造过程 制造过程
背景情况:
- 接在制造中至关重要,但接引起的残余应力会影响结构完整性.
- 预测残余应力对于可靠的接结构至关重要.
- 传统的模拟是耗时的,阻碍了快速评估.
研究的目的:
- 使用人工神经网络 (ANN) 开发一个高效的工作流程,用于预测接引起的残余应力.
- 为ANN培训自动化从有限元模拟生成数据.
- 为了减少与传统模拟方法相关的时间和精力.
主要方法:
- 构建和验证一个标准的接有限元模拟.
- 开发具有宏函数的Python脚本,用于自动生成数据.
- 在生成的数据上培训和测试基于ANN的替代模型.
- 与实验数据对比模拟结果的验证.
主要成果:
- 自动化工作流大大减少了模拟设置和数据提取时间.
- 在预测残留压力方面,ANN替代模型取得了很高的准确性.
- 相对根的平均平方误差为0.0024,表明与模拟结果密切一致.
结论:
- 开发的工作流提供了一种有效和可重复的方法来预测接引起的残余应力.
- 基于ANN的替代模型为传统模拟提供了快速而准确的替代方案.
- 这种方法提高了接元件在制造中的可靠性和耐用性.
