集成Moldflow与多岛遗传算法的共注成型多参数智能优化
- 格式:pdf
- 大小:278.78 KB
- 文档页数:4
基于机器学习的TC18钛合金起落架锻造成形工艺智能优化唐学峰;王志洲;冯仪;余俊;邓磊;金俊松;王新云
【期刊名称】《塑性工程学报》
【年(卷),期】2024(31)4
【摘要】针对TC18钛合金加工窗口窄、零件成形质量与性能的预测以及工艺参数的优化设计困难的问题,通过热压缩试验分析了TC18钛合金的热变形行为与微观组织演变规律。
基于Bayesian算法优化构建了TC18钛合金热变形流动应力和微观组织演变的深度神经网络(DNN)模型。
通过对UG和Deform的二次开发,完成了不同工艺参数下起落架锻造的自动建模与仿真,并建立了预锻件的尺寸-工艺-质量数据库。
结合DNN和遗传算法(GA)、粒子群算法(PSO)、快速非支配排序遗传算法(NSGA2)确定了最优的预锻件工艺参数。
结果表明,采用NSGA2优化后锻件最大成形力R_(Tmax)可降低40.6%,目标截面的平均初生α相含量为0.207,接近最优含量20.0%。
【总页数】13页(P254-266)
【作者】唐学峰;王志洲;冯仪;余俊;邓磊;金俊松;王新云
【作者单位】华中科技大学材料成形与模具技术全国重点实验室;武汉新威奇科技有限公司
【正文语种】中文
【中图分类】TG316.8
【相关文献】
1.基于Murty判据的粗片层状TA15钛合金β相区锻造工艺参数优化
2.基于最小损伤值的齿轮毛坯锻造成形过程工艺参数优化设计
3.基于微观组织优化的锻造工艺预成形及毛坯形状优化设计
4.Ti–6Al–4V钛合金筋板类吊挂锻造成形工艺优化及模具磨损研究
5.基于响应面法的喷射成形7055铝合金飞机轮毂锻造工艺优化
因版权原因,仅展示原文概要,查看原文内容请购买。
基于人工神经网络和遗传算法的普鲁兰酶重组大肠杆菌高密度发酵工艺优化迟 雷,王静雨,侯俊超,魏佳佳,魏 涛,胡晓龙,何培新*(郑州轻工业大学食品与生物工程学院,河南 郑州450000)摘 要:基于人工神经网络和遗传算法,对重组大肠杆菌(Escherichia coli )BL 21表达热稳定普鲁兰酶的高密度发酵工艺进行优化。
在5 L 的发酵罐中,通过比较不同发酵温度、pH 值及培养基碳氮比(C /N ,mol /mol )对细胞量和产物产量的影响,确定最佳发酵工艺。
结果表明,诱导前适合细胞生长的发酵条件为发酵温度34.4 ℃、pH 6.87、培养基C /N 6.1;诱导后适合产物表达的发酵条件为发酵温度32.5 ℃、pH 6.69、培养基C /N 5.3,最终获得细胞质量浓度56.5 g /L ,重组蛋白产量3.21 g /L ,酶活力为268.3 U /mL 。
关键词:重组普鲁兰酶;神经网络;遗传算法;高密度发酵Artificial Neural Network-Genetic Algorithm-Based Optimization of High Cell Density Cultivation ofRecombinant Escherichia coli for Producing PullulanaseCHI Lei, WANG Jingyu, HOU Junchao, WEI Jiajia, WEI Tao, HU Xiaolong, HE Peixin *(School of Food and Bioengineering, Zhengzhou University of Light Industry, Zhengzhou 450000, China)Abstract: In this study, the high cell density cultivation of recombinant Escherichia coli BL 21 for the production of a novel thermostable pullulanase was optimized using artificial neural network and genetic algorithm. The effects of culture temperature, medium pH, and carbon-to-nitrogen (C /N) molar ratio were tested in a 5 L bioreactor. The results suggested that the optimal culture conditions before the induction phase were as follows: temperature 34.4 ℃, pH 6.87 and C /N ratio 6.1, and the optimal culture conditions after induction were 32.5 ℃, pH 6.69 and 5.3 C /N ratio. The maximum biomass, protein concentration and pullulanase activity obtained under these conditions were 56.5 g /L, 3.21 g /L and 268.3 U /mL, respectively.Keywords: recombinant pullulanase; neural network; genetic algorithm; high cell density cultivation DOI:10.7506/spkx1002-6630-20200101-006中图分类号:Q815 文献标志码:A 文章编号:1002-6630(2021)10-0073-06引文格式:迟雷, 王静雨, 侯俊超, 等. 基于人工神经网络和遗传算法的普鲁兰酶重组大肠杆菌高密度发酵工艺优化[J]. 食品科学, 2021, 42(10): 73-78. DOI:10.7506/spkx1002-6630-20200101-006. CHI Lei, WANG Jingyu, HOU Junchao, et al. Artificial neural network-genetic algorithm-based optimization of high cell density cultivation of recombinant Escherichia coli for producing pullulanase[J]. Food Science, 2021, 42(10): 73-78. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20200101-006. 收稿日期:2020-01-01基金项目:国家自然科学基金青年科学基金项目(31801535);河南省重大科技专项(181100211400);河南省教育厅科技创新人才项目(18HASTIT040);郑州轻工业大学博士科研启动基金项目(2013BSJJ004)第一作者简介:迟雷(1983—)(ORCID: 0000-0002-7824-2785),男,副教授,博士,研究方向为发酵工程。
翼型多目标气动优化设计方法王一伟钟星立杜特专(北京大学力学与工程科学系,北京 100871)摘要本文将数值优化软件modeFRONTIER同计算流体力学(CFD)软件相结合,对NACA0012翼型的气动性能进行优化。
计算采用N-S方程作为主控方程以计算翼型气动性能,分别采用多目标遗传算法(MOGA)和多目标模拟退火算法(MOSA)作为翼型的气动性能优化算法。
计算结果表明,优化后的翼型相对于优化前的翼型的气动性能有很大提高(升阻比增幅可达182%)。
关键字气动优化设计多目标NS方程遗传算法模拟退火算法Abstract: The combination of the optimization software, modeFRONTIER, and the commercial CFD software is used to optimize the aerodynamic functions of the airfoil, NACA0012.The NS equations are adopted for calculating the airfoil aerodynamic properties (Cl, Cd and etc). Two kinds of optimization algorithm, the Multi-Object Genetic Algorithm(MOGA) and the Multi-Object Simulated Annealing(MOSA), are used in the optimization process respectively. The optimized airfoils show remarkable improvement of its aerodynamic functions (The ratio of lift to drag increases up to 282%) relative to its original one.Key words Aerodynamic Optimization Design, NS Equation, Genetic Algorithm, Simulated Annealing一、研究背景翼型的气动力设计是现代飞机设计的核心技术。
mopso算法流程MOPSO(Multi-Objective Particle Swarm Optimization)算法是一种多目标粒子群优化算法,用于解决多目标优化问题。
下面是MOPSO算法的基本流程:1. 初始化:-设置算法参数,如种群大小、最大迭代次数、惯性权重等。
-随机生成初始粒子群的位置和速度。
-计算每个粒子的适应度值。
2. 更新个体最优解和全局最优解:-对于每个粒子,根据其当前位置和个体历史最优位置,更新个体最优解。
-根据所有粒子的个体最优解,更新全局最优解。
3. 更新粒子速度和位置:-对于每个粒子,根据当前速度、个体最优解和全局最优解,计算新的速度。
-根据新的速度,更新粒子的位置。
4. 非支配排序和拥挤度计算:-对于每个粒子,根据多目标适应度值进行非支配排序。
-计算每个粒子的拥挤度值,用于维持种群的多样性。
5. 选择新一代粒子群:-根据非支配排序和拥挤度值,选择新一代的粒子群。
-保持种群大小不变,常用的选择策略有锦标赛选择、轮盘赌选择等。
6. 判断终止条件:-如果达到最大迭代次数,终止算法。
-否则,返回步骤2。
MOPSO算法基于粒子群优化(PSO)算法,并扩展为多目标优化。
它通过维护个体最优解和全局最优解来搜索多目标问题的近似最优解。
通过非支配排序和拥挤度计算,MOPSO算法能够保持种群的多样性,提供一系列不同的近似最优解。
需要注意的是,以上流程是MOPSO算法的基本框架,具体的实现可以根据问题的特点和算法的要求进行调整和优化。
例如,可以根据问题的约束条件进行修正,引入自适应参数来提高算法性能,或结合其他优化技术进行改进。
现代设计研究所优化设计方法和工具孟祥慧 博士 xhmeng@主要内容概述 方案设计与结构无参数优化Tosca 拓扑优化 形状优化 (薄板锻压)加强筋方案设计参数优化及多学科优化理论方法优化设计方法与工具产品开发项目的典型曲线和理想曲线功能定义 概念设计 详细设计 分析验证 制造 售后服务理想曲线理想曲线表示设计/流程随 时间的改变数 此曲线计入项目从计划阶 段开始的所有改变 后期改变导致的成本、 质量、交付等目的的无 法完成由于评估不充分产品投 入市场后由于性能欠佳 而需要的产品改变.典型的项目曲线改变数项目时间量Job 1优化设计方法与工具Integrated Product Delivery & Support优化设计方法与工具主要内容概述 方案设计与结构无参数优化Tosca 拓扑优化 形状优化参数优化及多学科优化理论方法优化设计方法与工具拓扑优化理论介绍在变密度法中,单元相对密度为设计变量,弹性模量与设计变量之间满 足假定的插值函数关系。
常见插值函数有固体各向同性惩罚微结构模型 (solid isotropic microstructures with penalization,SIMP) 和材料属性的有 理近似模型(rational approximation of material properties,RAMP)。
两种 模型在TOSCA中可选择设定。
优化设计方法与工具形状优化理论介绍形状优化通过改变结构的内外边界形状以改善结构特性如降低应力、 提高疲劳强度以延长结构寿命等。
在上世纪90年代处,受CAD技术的 推动,形状优化成为研究热点。
由于形状优化包含了CAD(CAGD)、 后验误差估计、自适应网格、敏度分析等关键性技术,故而目前形状 优化技术已广泛应用于工程界。
TOSCA软件形状优化模块采用无参数形状定义技术,即无需预定义形 状变量,自动寻找满足约束条件下的最优形状。
同时采用对称约束、 网格平滑技术以保证优化结构的工程可行性。