(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111572929.8 (22)申请日 2021.12.21 (71)申请人 浙江工业大 学台州研究院 地址 318057 浙江省台州市椒江区滨 海工 业区海丰路2479号 (72)发明人 彭翔　邵宇杰　李吉泉　姜少飞　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 代理人 林超 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于迁移学习融合模型的桁架应力预 测及轻量 化方法 (57)摘要 本发明公开了一种基于迁移学习融合模型 的桁架应力预测及轻量化方法。 以横截面积和材 料为设计参数， 不确定性量化建立源数据集； 输 入构建有限元模 型得低高保真模 型； 对低高保真 模型进行随机采样， 获得保真点， 构建获得目标 数据； 将低保真模型的数据输入到深度神经网络 DNN模型初步训练确定模型参数； 保留前n ‑1层初 始化最后一层， 将高保真模型的数据再次训练修 正， 优化网络节点数得到融合代理模型； 将实际 数据输入到融合代理模型处理输出目标数据。 本 发明通过低保真采样点预训练深度神经网络， 保 证了深度神经网络泛化能力同时降低了构建成 本， 在高保真采样点数量较少时， 也能构建高精 度的代理模 型， 提高了桁架结构轻量化设计的可 靠性。 权利要求书2页 说明书4页 附图6页 CN 114239114 A 2022.03.25 CN 114239114 A 1.一种基于 迁移学习融合模型的桁架应力预测及轻量 化方法， 其特 征在于： 1)针对多杆桁架， 选择以横截面积和材料作为设计参数， 对多杆桁架的设计参数进行 不确定性 量化， 建立源数据集； 2)将步骤1)获得的源数据集输入构建多杆桁架的有限元模型， 获得低保真模型(LFM) 和高保真模型(HFM)； 3)针对低保真模型和高保真模型进行随机采样， 获得低保真模型中的m个低保真点和 高保真模型中的n个高保真点， 构建获得目标 数据； 4)构建深度神经网络DNN模型， 将低保真模型的源数据集和目标数据输入到深度神经 网络DNN模型进行初步训练确定模型参数θ ＝{W(j),b(j)}L+1； 5)根据4)确定模型参数θ＝{W(j),b(j)}L+1后的深度神经网络DNN模型， 保留其中前n ‑1层 的网络结构， n表示为深度神经网络DNN模型中的层总数， 初始化最后一层的网络结构中的 参数； 将高保真模型的源数据集和目标数据输入再次进行训练， 对最后 一层网络结构的参数 修正， 比较不同网络节点数对模 型精度的影响， 在设定范围内获取最优的网络节点数量， 得 到应用于桁架的融合代理模型； 6)在得到的融合代 理模型后， 将 实际的多杆桁架的横截面积和材料输入到 融合代理模 型处理输出目标数据， 用于表征应力预测结果和桁架节点的位移， 再通过遗传优化算法在 满足节点 位移的约束下实现多杆桁架的最优设计。 2.根据权利要求1所述的一种基于迁移学习 融合模型的桁架应力预测及轻量化方法， 其特征在于： 所述1)中， 不确定性量化具体是设置杆件的横截面积符合正态分布Ai～N(10 ‑4,10‑5)， 预先选择三种备选材 料。 3.根据权利要求1所述的一种基于迁移学习 融合模型的桁架应力预测及轻量化方法， 其特征在于： 所述2)具体为， 将不确定性量化后的设计参数输入和较大的网格尺寸使用粗网格多杆桁架有限元模 型， 构建获得低保真模型； 将不确定性量化后的设计参数输入和较小的网格尺寸使用细网格多杆桁架有限元模 型， 构建获得高保真模型。 4.根据权利要求1所述的一种基于迁移学习 融合模型的桁架应力预测及轻量化方法， 其特征在于： 所述4)中的深度神经网络DNN模 型是由多个隐藏层组成的神经网络， 神经网络 每一层都包含不同的参数， 并连接到下一层， 通过激活函数将第j层的输入转化为输出信 号， 第j个隐藏层计算 为： 其中， W(j)， b(j)分别是在深度神经网络DNN模型的权值和偏差， j表示隐藏层位置， z(j)表 示第j个隐藏层的输出， L表示隐藏层的数量， f()是激活函数。 5.根据权利要求1所述的一种基于迁移学习 融合模型的桁架应力预测及轻量化方法， 其特征在于： 在所述4)训练过程中， 使用损失函数进 行比较优化， 为输出层中的每个神经元 计算误差值， 通过最小化损失函数来 获得模型参数θ， 模 型参数θ包含权值W(j)和偏差b(j)， 损 失函数计算 为：权　利　要　求　书 1/2 页 2 CN 114239114 A 2其中， E( θ )表示对应θ 下的最终损失函数输 出值， i表示训练数据的序数， Ei表示第i组训 练数据对应的损失函数值， N表示训练数据的总组数， 表示第N组训练数据的真实输出值， 表示第N组训练数据的预测输出值， 表示第N组训练数据的真实输入值； 最小化损失函数时使用随机梯度下降算法来优化求解获得深度神经网络DNN模型的权 值W(j)和偏差b(j)的参数， 通过自适应矩 Adam算法进行参数 更新。 6.根据权利要求1所述的一种基于迁移学习 融合模型的桁架应力预测及轻量化方法， 其特征在于： 通过遗传优化算法， 在满足节点位移的约束下， 实现多杆桁架的最优设计， 具 体按照以下公式计算： M＝L1ρ A12+L2ρ A22+L3ρ A32+...+Liρ Ai2 其中， M表示桁架总质量， i表示第i组杆组， Li表示第i组杆组的长度， Ai表示第i组杆组 的横截面积， ρ 表示材 料密度。权　利　要　求　书 2/2 页 3 CN 114239114 A 3