(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211156512.8 (22)申请日 2022.09.22 (71)申请人 吉林大学 地址 130012 吉林省长 春市南关区人民大 街5988号吉林大 学南岭校区 (72)发明人 梁鸿宇　卢春达　刘百川　王登峰　 田广东　蒲永锋　马芳武　 (74)专利代理 机构 吉林省长 春市新时代 专利商 标代理有限公司 2 2204 专利代理师 林楠 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06F 30/15(2020.01) G06F 16/21(2019.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于机器学习的仿生自相似分层结构性能 预测方法 (57)摘要 本发明公开基于机器学习的仿生自相似分 层结构性能预测方法， 用有限元仿真或者实验 方 法得到该结构 模型的初始数据库， 并对初始数据 库中的数据进行清理； 用GA进行变量筛选， 根据 帕累托占优思想对筛选的变量进行优劣处理， 通 过随机选取建立BP神经网络模型的训练和测试 数据集； 用十折交叉验证法结合R^2的评价方法 确定最终数据集选择方式以及对应的权值与阈 值； 建立最终的神经网络模型， 并通过测试数据 集对上述模 型进行预测结果评估。 本发明利用机 器学习与已知数据相结合， 利用数据进行驱动的 模式对该结构的吸能性能进行预测， 当仿生自相 似分层结构的几何参数或者种类等发生变化时， 只需要通过改变模型中有 限变量就能得到新的 模型以适应新的结构。 权利要求书1页 说明书5页 附图4页 CN 115455782 A 2022.12.09 CN 115455782 A 1.基于机器学习的仿生自相似分层结构性能预测方法， 其特 征在于， 包括以下步骤： S1： 采集数据， 通过有限元仿真或者实验方法得到的数据作为建立仿生自相似分层结 构模型的初始数据库， 所述初始数据库包括材 料的力学性能； S2： 对初始数据库中的数据进行清理； 通过实验以及仿真的方式调节S1中初始数据库 中的属性 参数， 通过对最终性能的影响大小来对数据进行清理和剔除； S3： 采用遗传算法对S2中的数据进行变量筛选， 获得后续纳入模型的变量， 根据帕累托 占优思想对筛 选的变量进行优劣处 理， 并将优劣处 理后的数据作为总数据库； S4： 通过随机方法选择建立BP神经网络模型的训练数据集和测试数据集； 采用十折交 叉验证方法将S 3中的总数据库分为十组， 随机抽取8 0％的数据作为BP神经网络的训练数据 集， 并将剩余的20％数据作为模型的测试数据集； 所述训练数据集用于BP神经网络模型参 数的确定及其模型的建立， 所述测试 数据集用于对后续建立模型 预测效果的评估； S5： 通过S4中得到的所有训练数据集和与其对应的测试数据集建立多个BP神经网络模 型， 且每个神经网络模 型均重复运行10次， 通过10次中模 型拟合的R^2结果确定每一个模 型 最优的权值与阈值； 用十折交叉验证方法验证结合R^2的评价方法确定多个模型中最优模 型的数据集选择 方式以及对应的权值与阈值； S6： 确定网络参数， 所述网络参数包括网络层数、 网络节点数、 激活函数、 选择单层隐含 层； 所述隐含层节点数公式为： 其中： Nh为隐含层节点数， Nin为输入层节点数， 对于BP神经网络而言， 输入层节点数为 输入特征数， Nout为输出层节点数， h为1 ‑10中任意 一个的调节常数； S7： 通过测试数据集对已经建立好的神经网络模型进行预测结果评估； 将基于S6中的 参数而建立好的神经网络模型应用到S4中划分好的测试数据集中进 行模型验证， 并通过实 验或仿真得到的实际测试数据集中的数据与模型预测出的结果进 行对比， 通过网络模型结 果中的网络训练回归 对模型的预测能力进行评价； S8： 采用正确率评价公式对S7中的模型 预测结果进行评估； 正确率评价公式为： 其中R为模型 预测结果的正确率， n 为测试正确的次数， N 为所有的测试次数； S9： 适当调整所选随机数据所占比例对模型结果进行测试； 调整S4中的训练数据集和 测试数据集的所占比例， 改为随机抽取90％或70％作为训练数据集， 将剩 余的10％或30％ 作为测试数据集， 并重复上述S5至S8进行重复运算， 已确定模型预测的结果与 实际结果之 间的差值， 评价模型对于比例的依赖程度。权　利　要　求　书 1/1 页 2 CN 115455782 A 2基于机器学习的仿生自相似分层结构性能预测方 法 技术领域 [0001]本发明属于汽车被动安全性技术领域， 具体涉及 一种基于机器学习的仿生自相似 分层结构性能预测方法。 背景技术 [0002]随着我国汽车保有量的迅速增加， 汽车被动安全的地位也与日俱增。 将仿生设计 理念引入轻质高强夹芯结构， 从而形成优异的仿生自相似分层结构， 已经成为近年来的研 究热点。 仿生自相似分层结构不仅提高了结构的可设计性， 而且具有提高结构强度与能量 吸收能力的优点。 [0003]现有的仿生自相似分层结构如华侨大学硕士学位论文中曾意于2018 年5月29日所 提交的“层级自相似薄壁仿生结构的耐撞性研究 ”和“自相似分层蜂窝结构多碰撞工况耐撞 性研究”， 马芳武等， 《汽车工程》 ， 第44卷第6期， 第 886～892页， 2022年6月， 均是由仿生设计 形成的层级自相似分层结构， 探索出了对仿生自相似分层结构吸能性能的部分影响因素以 及设计思路， 并完成了对结构的优化。 但是在实际应用过程中， 由于加工方式等因素会产生 偏差， 导致 实际生产出的结构， 吸能性能会出现小幅降低， 并且没有给出一个完整的影响因 素体系； 在应用时， 仿生自相似分层结构的最终吸能结果受到多重因素的影响： 除外表形 状、 单胞结构以及所选材料等外， 其本身 所用材料种类、 成分、 工艺、 组织与性能之 间的关系 极为复杂， 且存在各种交互作用， 使得其难以通过推导 公式等方法获得准确结果， 只能通过 实验或者仿 真的方式得到吸能值的准确结果， 当仿生自相似分层结构的几何参数或者种类 等发生变化时， 还需要再次进行仿真或实验等方式获得吸能值， 从而限制 了其大范围的应 用， 且花费时间较长 。 发明内容 [0004]本发明的目的是为了解决上述问题， 而提供一种基于机器学习的仿生自相似分层 结构性能预测方法， 该预测方法会减小由于加工方式产生的偏差， 从而尽量减小仿生自相 似分层结构吸能性能的降低值， 而且当仿生自相似分层结构的几何参数或者种类等 发生变 化时， 只需要通过改变模型中的有限变量就能得到新的模型以适应新的结构， 不需要再次 进行实验来获得吸能值， 从而扩大了其范围的应用， 节省了时间及物力成本 。 [0005]为了实现上述目的， 本发明提供一种基于机器学习的仿生自相似分层结构性能预 测方法， 包括以下步骤： [0006]S1： 采集数据， 通过有限元仿真或者实验方法得到的数据作为建立仿生自相似分 层结构模 型的初始数据库， 所述初始数据库包括材料的力学性能， 若 所述材料为金属， 则金 属材料的力学性能包括正 弹性模量、 切变弹性模量、 比例极限、 弹性极限、 强度极限、 抗拉强 度、 屈服极限、 屈服 强度、 疲劳极限； 若 所选材料为复合材料， 则复合材料的力学性能特征包 括纵向/横向抗拉强度、 纵向/横向抗压强度、 纵向/横向弹性模量、 主泊松比、 切变模量。 [0007]S2： 对初始数据库中的数据进行清理； 通过实验以及仿真的方式调节S1中初始数说　明　书 1/5 页 3 CN 115455782 A 3