一种从离散测点到全场应力状态的预测方法与相关装置

本发明属于大型结构静力试验，涉及一种从离散测点到全场应力状态的预测方法与相关装置。

背景技术：

1、大型承载结构如液体火箭发动机机架等是大型装备安全稳定运行的基础，其工作过程中反复受到冲击，一旦发生失稳、裂纹、疲劳等将带来严重安全事故。而实时准确预测该类结构工作过程中的全域应力响应，对保障大型装备安全运行，避免灾难性事故发生意义重大。

2、大型承载结构的结构复杂，在临界载荷下易发生多类型失效，为保障试验安全，试验时通过在结构表面关键位置处安装大量应变传感器进行结构健康状态监测。但此类健康监测方法难以覆盖整个结构，难以发现未安装传感器处的微小缺陷，从而造成漏判。目前，为实现此类结构全场应力预测，基于径向基函数神经网络的方法被广泛研究，通过网络学习少量测点数据至结构全场海量节点应力、应变状态的映射形成对试验结构的孪生，但此类方法对于全场应力预测节点数量存在限制，且简单的径向基函数网络难以学习复杂的映射关系，在实际复杂工况、大量节点下预测能力较低。

技术实现思路

1、本发明的目的在于提供一种从离散测点到全场应力状态的预测方法与相关装置，以解决现有技术中传统代理模型面对多加载级、海量节点时对全场预测准确率下降且受节点数量限制的技术问题。

2、为达到上述目的，本发明采用以下技术方案予以实现：

3、第一方面，本发明提供一种从离散测点到全场应力状态的预测方法，包括以下步骤：

4、获取测点应力数据与待预测位置的初始应力值；

5、将测点应力数据与待预测位置的初始应力值输入预先训练好的基于应力修正的全场应力状态预测模型，得到各个点位的预测结果；

6、将各个点位的预测结果进行拼接，得到全场应力状态结果；具体公式为：

7、

8、prei＝model(inpi)

9、式中，为某部件i在step加载级下的预测结果；inpi为模型输入，prei为某个点位的模型预测结果。

10、进一步地，所述基于应力修正的全场应力状态预测模型的构建方法，包括以下步骤：

11、基于大型承载结构静力试验需求建立有限元模型，对所述有限元模型施加多种量级及多个点位载荷，得到有限元仿真结果；

12、利用有限元仿真结果，建立多加载级下的结构响应数据集，对所述多加载级下的结构响应数据集进行预处理，并将预处理后的数据集划分为结构体部件级的数据集，并将每个数据集划分为训练数据集和测试数据集；

13、构建基于应力修正的全场应力状态预测模型，通过所述训练数据集对基于应力修正的全场应力状态预测模型进行训练，并通过所述测试数据集对基于应力修正的全场应力状态预测模型的全场应力预测准确率进行验证，达到预设准确率后完成从离散测点到全场应力状态预测模型的构建。

14、进一步地，所述基于大型承载结构静力试验需求建立有限元模型，对所述有限元模型施加多种量级及多个点位载荷，得到有限元仿真结果的步骤，具体包括：

15、根据试验时载荷大小、施加位置以及边界条件，在有限元分析软件中设计待测结构的有限元模型，并将待测结构划分为网格；

16、对所述有限元模型施加多种量级及多个点位载荷，得到结构在多种加载条件下的多级响应结果，将全场的多级响应结果导出为rpt文件，将有限元模型信息存取为inp文件。

17、进一步地，所述有限元分析软件为abaqus或ansys；所述网格的划分大小根据分辨率需求设置，分辨率越高划分网格数量越大。

18、进一步地，所述对所述多加载级下的结构响应数据集进行预处理的步骤，具体包括：

19、利用python批处理rpt文件，通过索引待测结构装配体中零件名将每个零件应力值分别导出，将每个零件每个节点应力数据与测点位置数据拼接作为模型的输入，具体公式为：

20、

21、inputstep＝{inp1,inp2,inp3,…,inpn}

22、inpi＝{s测试,si}

23、式中，某部件在step加载级下，表示从试验中应变换算得到的应力值，表示从有限元仿真中输出的模型全场应力值，inputstep表示此部件的单加载级模型输入数据；inpi表示测点数据与待预测点位初始应力拼接后的模型输入。

24、进一步地，所述通过所述训练数据集对基于应力修正的全场应力状态预测模型进行训练的步骤，具体包括：

25、将训练数据集中应变片测点的低维测试数据与待预测点位初始应力值进行拼接后将数据映射至高维空间；

26、利用变分推断方法，模型基于所述高维空间的数据得到高维高斯分布；

27、根据高维高斯分布和模型的全连接层降维，得到待预测点位应力预测结果；

28、以均方根误差mse作为损失函数指导模型进行训练；具体公式为：

29、fμ＝relu{linear[tanh(linear(inpi))]}

30、fσ＝relu{linear[tanh(linear(inpi))]}

31、fg＝relu{linear[n～(fμ,fσ)]}

32、pre_stress＝sigmoid{linear[relu(linear(fg))]}

33、pre_loss＝mse(fg,true_stress)

34、式中，inpi为测点数据与待预测点位初始应力拼接后的模型输入；linear为深度学习模型中的线性变换层；relu、tanh和sigmoid分别为模型的三种激活层；fμ和fσ为高维分布特性；fg为预测应力值。

35、进一步地，还包括：对有限元模型inp文件进行零部件网格节点坐标及单元信息提取后得到的vtk文件进行可视化，将各点位的应力预测结果拼接为全场应力预测结果，将全场应力预测结果与模型节点进行对齐后对模型进行渲染，得到全场应力显示结果。

36、第二方面，本发明提供一种从离散测点到全场应力状态的预测系统，包括：

37、数据获取模块，用于获取测点应力数据与待预测位置的初始应力值；

38、预测模块，用于将测点应力数据与待预测位置的初始应力值输入预先训练好的基于应力修正的全场应力状态预测模型，得到各个点位的预测结果；

39、拼接模块，用于将各个点位的预测结果进行拼接，得到全场应力状态结果。

40、第三方面，本发明提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。

41、第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。

42、与现有技术相比，本发明具有以下有益效果：

43、本发明公开了一种从离散测点到全场应力状态的预测方法与相关装置，建立了基于应力修正的全场应力状态预测模型，通过将测点应力数据与待预测位置的初始应力值输入所述基于应力修正的全场应力状态预测模型，得到各测点的预测结果；然后将各测点的预测结果拼接得到全场的应力状态预测结果。本发明基于应力修正与深度学习的大型结构全场响应的数字孪生技术能够通过大量历史数据与仿真数据，学习少量测点到全场应力分布的潜在映射关系，实现高准确、高分辨率的结构状态响应预测，并通过单测点修正的方式实现任意节点数量下的结构状态响应预测，对进一步实现大型承载结构试验数字化与结构异常状态准确识别具有指导意义。

44、进一步地，本发明提出了以零部件节点为单元的数字孪生模型训练数据集，解决了一般数字孪生模型受节点限制且模型全场预测分辨率难以调整的问题，降低了数字孪生模型学习少量测点到全场节点状态映射关系的难度。

45、进一步地，本发明构建的基于应力修正的全场应力状态预测模型可将基于有限测点的低维数据映射至高维空间，通过变分原理推断待预测节点应力值分布，并降维计算得到最终预测结果，通过在训练集上缩小预测值与实际值的均方根损失，提高模型在结构受不同负载下的预测能力。

46、进一步地，本发明提出结果可视化方法，从结构模型inp文件中提取网格信息，并与拼接后的模型预测结果对齐，最终通过pyvista进行可视化输出，得到能够实时响应的数字孪生模型。