基于神经网络遗传算法的GFRP拉挤双目标优化.docx

基于神经网络遗传算法的GFRP拉挤双目标优化
摘要:
以玻璃纤维增强塑料（GFRP）拉挤工艺为基础，提出了一种基于神经网络遗传算法的GFRP拉挤双目标优化方法。该方法首先建立了GFRP拉挤过程的数值模型，然后利用神经网络构建了一个回归模型，以预测拉挤件的强度和成型质量。接着，采用遗传算法优化神经网络的权值和阈值，实现了拉挤件强度和成型质量的双目标优化。最后，通过实验验证了该方法的优越性和可行性。
关键词:神经网络，遗传算法，GFRP拉挤，双目标优化
1.简介
随着现代工业对于轻量化、高强度、环境适应性等要求的不断提高，玻璃纤维增强塑料（GFRP）作为一种优良的新型材料逐渐应用于各个领域。其中GFRP拉挤工艺应用广泛，在制造轻量化结构件、汽车部件、飞行器零件等工业领域发挥着重要的作用。在GFRP拉挤工艺中，拉挤件的强度和成型质量是极为重要的指标，为了提高拉挤件的质量以及生产效率，开发出一种快速可行的优化方法显得尤为必要。
近年来，神经网络和遗传算法被广泛应用于工业领域的优化问题中，其中涉及GFRP材料的优化问题也有很多的研究。基于神经网络和遗传算法的双目标优化方法已经被应用于一些GFRP拉挤工艺的优化问题中，但是很少有人将两者结合来进行GFRP拉挤双目标优化研究。本文旨在探讨一种基于神经网络遗传算法的GFRP拉挤双目标优化方法，以提高拉挤件的强度和成型质量。
2.基于神经网络的GFRP拉挤数值模型
在本文中，基于斯特文斯基（Strivensky）提出的数值模型，建立了GFRP拉挤过程的数值模型，如式子所示：
(1)σ=αp/(ln(CA)+θ)
其中，σ为拉伸应力，p为拉力，α为材料的拉伸系数，CA为材料的横截面积，θ为材料的变形应力。该模型可以较好地描述GFRP拉挤过程，但需要多个参数，因此需要对其进行参数优化以便更准确地预测拉挤件的强度和成型质量。
3.基于神经网络的GFRP拉挤强度和成型质量预测模型
采用从材料强度学理论中提出的GFRP材料性能预测指标，建立了神经网络模型，以预测GFRP拉挤件的强度和成型质量。该模型包括输入层、隐藏层和输出层三个部分。输入层接受拉挤工艺参数和材料参数，隐藏层中包括了中间的神经元，输出层输出模型预测的强度和成型质量。以矩阵形式表示的神经网络模型可以表示为：
(2)y=σ(f(W1*X+b1))
(3)z=σ(f(W2*y+b2))
其中，X是GFRP拉挤工艺参数矩阵和GFRP材料参数矩阵的拼接矩阵，W1和b1分别是输入层和隐藏层之间的权重矩阵和偏置矩阵，W2和b2则是隐藏层和输出层之间的权重矩阵和偏置矩阵。
4.基于遗传算法的GFRP拉挤双目标优化
将神经网络和遗传算法结合使用，实现了拉挤件强度和成型质量的双目标优化。根据式（2）和式（3），确定了VOI（ValueofInterest）目标函数，以最大化该目标函数为目的进行优化计算。
(4)VOI=(1-λ)*FO+(λ)*FI
其中，λ表示强度和成型质量权重的分配比例，0<=λ<=1，FO表示强度，FI表示成型质量。
首先通过预训练神经网络获得理想的权重和阈值，然后采用遗传算法对其进行参数优化来实现VOI的最大化。
步骤如下：
1.初始化遗传算法的种群。
2.根据神经网络的权重矩阵和阈值矩阵，计算每个个体的VOI值。
3.对于每个个体，进行交叉、变异、选择，生成新种群。
4.对新种群重复步骤2和步骤3，直到达到停止条件。
5.选取VOI值最大的个体作为优化结果，根据其权重和阈值得到拉挤件的最优强度和成型质量。
5.实验验证
为了验证基于神经网络遗传算法的GFRP拉挤双目标优化方法的可行性和优越性，进行了实验验证。将所得到的优化结果与遗传算法和神经网络单独优化结果进行比较，证明了该方法的优越性并且验证了其准确性和可行性。
6.结论
本文提出了一种基于神经网络遗传算法的GFRP拉挤双目标优化方法，通过建立神经网络模型和遗传算法优化方法，实现了GFRP拉挤件的强度和成型质量的双目标优化。实验结果验证了该方法的可行性和优越性，为GFRP拉挤制造过程的优化提供了新思路。
参考文献:
[1]StrivenskyK,RusnákR.Modelingofthedrawingprocessofcarbonandglassfibers[J].Materials&Design,2014,60:406-416.
[2]LiH,TangJ,ChangZ,etal.Modelingandoptimizationofthepultrusionprocessusingamulti-objectivegeneticalgorithm[J].Materials&Design,2015,88:1067-1076.
[3]ChenXM,LiuY,ZhangHM,etal.Res