Deform多孔材料的滚珠轴承环成形

 

多孔材料与塑性材料(可压缩的刚性-粘塑性材料)的处理方式本质上相同,只是多了一个密度的设置。多孔材料应该设置为Porous类型,而不是我们通常计算的Plastic类型。另外,密度的设置可以对整个工件进行统一设置也可以通过Element data来对单独的区域进行设置。

 

材料密度变化的对象(例如粉末成型中使用的材料)应建模为多孔对象。 

 

当前可用于多孔材料的唯一迭代方法是直接求解方法。该方法不具有快速收敛能力,因此,多孔材料模拟可能比可比较的塑性材料模拟花费更长的时间。

 

下面是一个滚珠轴承环(如下图)压缩成形的实例,这里只取一个其横截面进行分析。

 

 

1 新建一个问题,并命名为Porous_race。然后进入前处理,打开2D模块。

 

 

 

2 模拟控制部分只考虑变形不考虑传热。依次导入工件几何体PM_pre.igs,上下模几何体PM_top.igs和PM_btm.igs。

 

 

 

3 设置坯料基本性质。温度2000F,密度0.9,材料AISI-4340[1550-2200F (  850-1200C)]。

 

          

这里的密度是相对密度,不是绝对密度,取值为0-1。这个值最好设置成0.7及以上,因为DEFORM不能对散粉压缩进行计算,即需要一定密实的材料。

设置材料密度除了这样统一设置之外,还可以通过Advanced中的Element data设置。这两种方法的区别是,后者能设置局部的密度信息,见下图。其中Range可以批量给一定范围的单元赋值,而Picking则可以给单独选择的单元赋值。

 

                                       

 

4 划分网格。这里简单的划分350个网格。

 

 

5设置上模运动速度为7。下模保持默认。

 

 

6 进行定位设置,上下模均采用干涉定位。

 

 

7 定位关系设置。

 

 

8 模拟控制。步数为100,每5步一存。步进设置为0.0092in/step。

 

 

 

9 检查并生成数据库,并计算。

 

10 后处理,查看密度变化。

 

 

从后处理结果可以看到材料被压实的一个过程,其他变量可自行查看。

 

相应的KEY文件和几何文件可公众号回复【多孔材料】获得

 

 

 

遗传算法优化BP神经网络(GABP)是一种结合了遗传算法(GA)和BP神经网络的优化预测方法。BP神经网络是一种多层前馈神经网络,常用于模式识别和预测问题,但其容易陷入局部最优。而遗传算法是一种模拟自然选择和遗传机制的全局优化方法,能够有效避免局部最优 。GABP算法通过遗传算法优化BP神经网络的权重和阈值,从而提高网络的学习效率和预测精度 。 种群:遗传算法中个体的集合,每个个体代表一种可能的解决方案。 编码:将解决方案转化为适合遗传操作的形式,如二进制编码。 适应度函数:用于评估个体解的质量,通常与目标函数相反,目标函数值越小,适应度越高。 选择:根据适应度保留优秀个体,常见方法有轮盘赌选择、锦标赛选择等。 交叉:两个父代个体交换部分基因生成子代。 变异:随机改变个体的部分基因,增加种群多样性。 终止条件:当迭代次数或适应度阈值达到预设值时停止算法 。 初始化种群:随机生成一组神经网络参数(权重和阈值)作为初始种群 。 计算适应度:使用神经网络模型进行训练和预测,根据预测误差计算适应度 。 选择操作:根据适应度选择优秀个体 。 交叉操作:对选择的个体进行交叉,生成新的子代个体 。 变异操作:对子代进行随机变异 。 替换操作:用新生成的子代替换掉一部分旧种群 。 重复步骤2-6,直到满足终止条件 。 适应度函数通常以预测误差为基础,误差越小,适应度越高。常用的误差指标包括均方根误差(RMSE)或平均绝对误差(MAE)等 。 GABP代码中包含了适应度函数的定义、种群的生成、选择、交叉、变异以及训练过程。代码注释详尽,便于理解每个步骤的作用 。 GABP算法适用于多种领域,如时间序列预测、经济预测、工程问题的优化等。它特别适合解决多峰优化问题,能够有效提高预测的准确性和稳定性 。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值