基于Kriging模型的弹性元件结构参数优化

来源 :陕西理工大学学报(自然科学版) | 被引量 : 0次 | 上传用户:wangshuanghong2009
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
弹性元件是提高称重传感器测量精度和灵敏度的关键部件,通过结构优化提高弹性元件在同等载荷下不同贴片部位之间的应变差值,降低应变传递误差.在线性弹性范围内,将弹性元件的结构参数作为输入参数,受载条件下的最大应变差及固有频率作为优化目标,采用最优拉丁超立方试验设计方法和Kriging模型构建设计变量与优化目标之间的关系模型,并通过NSGA-Ⅱ对Kriging模型进行全局寻优,得到最优结构参数.最终的优化结果显示,最大应变差提升了41.55%,前5阶模态频率均有不同程度提升.试验结果说明结构参数优化在满足产品性能的前提下,对原有性能有显著提升.
其他文献
首先采用Riccati方程的解的性质和试探函数法找到了 Riccati方程的八种类型的显式新精确解.其次运用李群分析法获得了 KdV-Burgers-Kuramoto方程的约化方程和群不变解.然后利用Riccati方程的八种类型的显式新精确解和广义Tanh函数法给出了约化方程的多种类型的显式新精确解.最后将Riccati方程的八种类型的显式新精确解与李群分析法和广义Tanh函数法相结合,得到了 KdV-Burgers-Kuramoto方程的多种类型的显式新行波解.这些技巧和方法可以用于求解其它一些非线性偏
为了全面提高复杂装备费用的合理使用度,构建了复杂装备费用测算的灰色自记忆耦合模型,借助自记忆预测技术来提高其预测精度.模型通过有机耦合自记忆原理与传统灰色模型,综合了两者各自的优势.系统的自记忆方程包含多个时次初始场而不仅是单个时次初始场,从而克服了传统灰色预测模型对初值比较敏感的弱点.通过对复杂装备费用测算的两个案例分析,验证了该耦合模型由于充分挖掘了多时点系统历史资料,能够紧密捕获复杂系统的演化路径.三个误差分析指标综合验证了灰色自记忆耦合模型的可靠性和稳健性,以及较其他传统统计方法和灰色预测模型明显
基于对单叶调和函数系数估计的猜想,对定义在单位圆盘上的调和映照类的星象半径进行研究.首先研究系数在满足一定条件下的调和映照类的星象半径,得到其精确的估计,其次研究两类调和函数的卷积的星象半径,所得到的结论也是精确的.
充分利用故障暂态信息可有效提高小电流接地系统故障区段定位的成功率,暂态零序电流在故障点前后差异较大,基于此特点对故障区段定位,零序电流波形在故障点同侧相似,在故障点异侧差异大.计算了故障线路各区段波形相关系数,选择波形相关系数为负值的区段为故障区段.数据模型表明,选线方案在高阻接地时依然具有较高的准确性,与传统选线方法相比,该方法利用了更丰富更全面的电气特征,进一步提高了选线准确率与可靠性.定位方案在不同位置、不同接地电阻、不同故障初相角下的情况均适用.
Node Multicut问题是图论与组合优化的经典问题,无限制性node Multicut问题是它的一类子问题.而无限制性K node multicut问题是无限制性node multicut问题的进一步推广形式.主要研究了完全图上的无限制性k Node Multicut问题.首先将部分点覆盖问题(PVC)多项式时间内归约到此问题证明该问题是NP难的,其次利用完全图独有的性质将该问题转换成特殊的部分击中集合问题(Special Partial Hitting Set Problem)并运用递归的思想和局
应用Riccati展开法,给出了非线性Konno-Oono方程的一系列新精确解.这些解的形式包括三角函数解、双曲函数解、有理函数解.最后,对特殊函数下的精确解进行数值模拟,给出这些精确解的直观表示.
关于三元三次不定方程的研究,是不定方程研究中的重要课题,有许多尚未解决的问题.讨论了不定方程ax2+by2+cz2=dxyz-1的基础解,其中(a,b,c)=1,a,b,c均为d的因子.利用文献中的方法,运用二元二次型理论和初等数论的结果,求出了该不定方程的所有基础解.
以白及、杜鹃兰、建兰种子为离体培养材料,比较三者非共生萌发及成苗过程.结果表明:3种兰科植物成苗过程存在明显差异;白及种胚膨大成原球茎后上端形成叶片,随后形成根直接成苗;杜鹃兰的原球茎先形成根状茎,顶端分化出叶芽,叶基部长出根发育成苗;建兰萌发形成根状茎后持续增殖,需改变培养基激素,才可分化成苗;建兰根状茎与杜鹃兰的明显不同,具有向地性,且杜鹃兰的根状茎仅能进行有限分支并形成休眠芽.结论:兰科植物种子非共生萌发成苗可区分为3种模式,白及是绝大多数兰科种子非共生萌发成苗的模式.
针对防火墙数据量大、人工配置效率低下的问题,提出一种改进的蜉蝣算法(IMA)来优化支持向量机(SVM)防火墙配置模型中的参数.改进的蜉蝣算法首先引入改进的Tent混沌映射来对蜉蝣种群进行初始化,其次在蜉蝣群体中引入遗传算法中的变异策略.将IMA运用于SVM防火墙配置模型参数寻优,通过对防火墙数据进行训练测试,结果表明,IMA的寻优性能较好,检测速度较快.
介绍了 λ-Kantorovich算子并给出了该类算子矩的估计,利用连续模和K-泛函的关系,研究了 Voronovskaja型渐近公式,得到了 Grüss-Voronovskaja型逆定理.