[go: up one dir, main page]

CN118734712A - 一种面向激光粉末床熔融复材的仿二月兰结构设计方法 - Google Patents

一种面向激光粉末床熔融复材的仿二月兰结构设计方法 Download PDF

Info

Publication number
CN118734712A
CN118734712A CN202410974261.7A CN202410974261A CN118734712A CN 118734712 A CN118734712 A CN 118734712A CN 202410974261 A CN202410974261 A CN 202410974261A CN 118734712 A CN118734712 A CN 118734712A
Authority
CN
China
Prior art keywords
february
orchid
powder bed
laser powder
designing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202410974261.7A
Other languages
English (en)
Inventor
汤海斌
全嘉乐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202410974261.7A priority Critical patent/CN118734712A/zh
Publication of CN118734712A publication Critical patent/CN118734712A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)

Abstract

本发明公开了一种面向激光粉末床熔融复材的仿二月兰结构设计方法，包括：步骤S1、对二月兰茎秆横截面进行数据采集；步骤S2、采用阈值分割对二月兰茎秆截面图进行边缘检测，通过改变阈值来提取二月兰茎秆的微观结构特征并制作成数据集；步骤S3、利用生成对抗网络模型对数据集进行训练，通过生成器生成新的二月兰茎秆图片，并根据新的二月兰茎秆图片设计出三维抗冲击的仿生结构；步骤S4、构建面向激光粉末床熔融的冲击仿真模型，并进行冲击仿真试验，提取并分析冲击仿真结果。本发明在减轻重量的同时有效提升了激光粉床熔融制造的薄壁结构的抗冲击性能，显著提高设计效率和结构性能，具有广阔的应用前景。

Description

一种面向激光粉末床熔融复材的仿二月兰结构设计方法
技术领域
本发明属于仿生结构设计技术领域，具体是一种面向激光粉末床熔融复材的仿二月兰结构设计方法。
背景技术
近年来，随着航空工业和军事领域对高性能抗冲击材料需求的不断增加，传统的材料设计方法和制造方法已无法满足日益苛刻的应用要求。仿生设计作为一种受自然生物启发的方法，通过模拟自然界中生物结构的优异性能，为抗冲击材料的研发提供了新的思路。然而，传统的仿生结构设计通常依赖于经验法和试错法，设计效率低且优化效果非常有限。因此，如何利用现代技术提高仿生抗冲击结构的设计效率和性能成为当前研究的热点和难点。
生成对抗网络(Generative Adversarial Network,GAN)作为一种深度学习模型，通过生成器和判别器之间的博弈过程，可以生成与真实数据分布相似的新数据。GAN在图像生成、样本生成和数据增强等领域展现出强大的能力。近年来，GAN也逐渐被引入到工程设计领域，通过学习并模拟复杂的结构特征，为仿生结构设计提供新的方法。
激光粉末床熔融(Laser Powder Bed Fusion,LPBF)是一种增材制造技术，通过逐层熔化粉末材料并将其固化成形，能够制造出复杂的三维结构。LPBF技术具有高精度、材料利用率高和设计自由度大的优点，特别适用于制造复杂的仿生结构。然而，如何通过LPBF技术实现高效的仿生结构设计和优化仍然是一个具有挑战性的问题。
现有的仿生结构设计通常依赖于手工经验和有限的试验数据，设计过程繁琐，效率低下，且难以保证优化效果。难以系统性地模拟和验证复杂仿生结构的抗冲击性能；同时也是对激光粉末床熔融技术优势的体现与挑战，LPBF技术在制造复杂三维结构方面具有独特优势，但如何设计出最优的仿生结构并利用LPBF技术高效制造，是一个亟待解决的问题。
发明内容
鉴于上述问题，提出了本发明以便提供克服上述问题或者至少部分地解决上述问题的一种面向激光粉末床熔融复材的仿二月兰结构设计方法。
为实现上述目的，本发明采用了如下技术方案：
一种面向激光粉末床熔融复材的仿二月兰结构设计方法，所述方法包括如下步骤：
步骤S1、对二月兰茎秆横截面进行数据采集；
步骤S2、采用阈值分割对二月兰茎秆截面图进行边缘检测，通过改变阈值来提取二月兰茎秆的微观结构特征并制作成数据集；
步骤S3、利用生成对抗网络模型对数据集进行训练，通过生成器生成新的二月兰茎秆图片，并根据新的二月兰茎秆图片设计出三维抗冲击的仿生结构；
步骤S4、构建面向激光粉末床熔融的冲击仿真模型，并进行冲击仿真试验，提取并分析冲击仿真结果。
可选的，步骤S2中采用阈值分割对二月兰茎秆截面图进行边缘检测包括：
将拍摄好的二月兰茎秆图片的路径导入后运行阈值分割的代码，利用反二进制阈值化阈值分割方法对数据集的图片进行边缘检测；
在代码中加入可以改变阈值的滑动条，比较不同阈值下的分割情况使分割达到预定的效果；
将处理完成的图片保存到同一文件夹下，用于后期生成对抗网络的训练集。
可选的，步骤S3中生成对抗网络模型的判别器以表示数据的参数x为输入，以D(x)为输出，若输出为1，则表示数据是真实的；若输出为0，则表示数据极可能为生成器虚假生成的，与真实的数据存在较大的差距；
生成对抗网络模型的生成器总共分成三层：第一层通过一层线性连接层和一层批标准化层将输入的噪声向量转换为一个高维特征张量；第二层通过自定义函数，将输入的特征张量转换为一个具有更高维度和更复杂特征的输出特征张量；最后一层是输出层，通过四层卷积层将高维特征张量转换为最终的图像输出；
所述判别器与生成器相对应，通过四层卷积层降低特征图的空间尺寸，并增加特征图的深度，同样也调用了自定义函数用于增加特征图的深度和复杂度。
可选的，采用了二分类交叉熵损失BCELoss对步骤S3生成对抗网络模型进行评估,公式如下：
公式中N代表着样本数量，yi表示的是第i个样本的实际标签，则表示第i个样本的预测值，通常为一个概率值。
可选的，步骤S3采用激光粉末床熔融复材参数构建所述三维抗冲击的仿生结构的三维模型。
可选的，步骤S3中三维抗冲击的仿生结构形成基于训练集中处理好的二月兰茎秆图片，生成类似于训练集内的图片，并根据图片设计出二维结构，再通过拉伸形成三维的仿生薄壁结构。
可选的，步骤S4采用冲击仿真软件建立冲击仿真模型。
可选的，步骤S4中冲击仿真试验的材料参数采用激光粉末床熔融制成的复材测得，材料基体为PEEK，增强材料为碳纤维，碳纤维含量10％。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.本发明将二月兰茎秆这样具有优良抗压和抗弯曲的结构作为仿生原型，根据生成对抗网络生成的图片生成了仿生薄壁结构，解决了当下经验设计的局限性，本发明在减轻重量的同时有效提升了激光粉床熔融制造的薄壁结构的抗冲击性能，在一定程度上提高了结构的强度。
2.本发明引入阈值分割对数据集进行预处理，再将预处理的图片作为生成对抗网络的训练集，通过生成的图片来对结构进行设计，设计的复杂结构能够利用激光粉末床熔融技术很好的完成制造，显著提高设计效率和结构性能，具有广阔的应用前景。
附图说明
图1为本申请实施例提供的一种面向激光粉末床熔融复材的仿二月兰结构设计方法的流程示意图；
图2为本申请实施例中阈值处理后的部分数据集图像；
图3为本申请实施例所用的生成对抗网络模型示意图；
图4为本申请实施例中生成对抗网络生成的比较接近真实的样本；
图5为本申请实施例中冲击仿真模型示意图；
图6为本申请实施例冲击仿真加载模型示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本实施例提供一种面向激光粉末床熔融复材的仿二月兰结构设计方法，包括：
S1、对二月兰茎秆横截面进行数据采集。
S2、采用阈值分割对二月兰茎秆截面图进行边缘检测，通过改变阈值来提取二月兰茎秆的微观结构特征并制作成数据集。
采用阈值分割对二月兰茎秆截面图进行边缘检测包括：
将拍摄好的二月兰茎秆图片的路径导入后运行阈值分割的代码，利用反二进制阈值化阈值分割方法对数据集的图片进行边缘检测。
在代码中加入可以改变阈值的滑动条，比较不同阈值下的分割情况使分割达到预定的效果。
将处理完成的图片保存到同一文件夹下，用于后期生成对抗网络的训练集。
由于拍摄图片过程中存在切片不平、光线不匀等情况，这使得图像分割的难度加大。单一阈值分割方式和固定阈值的方法效果并不理想，所以采取多种阈值分割方式并选取分割效果最为合适的反二进制阈值分割方法，部分数据集图像展示如图2所示。
S3、利用生成对抗网络模型对数据集进行训练，通过生成器生成新的二月兰茎秆图片，并根据新的二月兰茎秆图片设计出三维抗冲击的仿生结构。
如图3和图4所示，本实施例中，所述仿生薄壁结构根据生成对抗网络生成的图像设计而来，其中生成对抗网络模型的定义为图像生成的关键。
生成对抗网络模型的判别器以表示数据的参数x为输入，以D(x)为输出，若输出为1，则表示数据是真实的；若输出为0，则表示数据极可能为生成器虚假生成的，与真实的数据存在较大的差距。
一种对抗博弈的过程在生成器和判别器中形成了，并且这过程是一个动态的过程。随着训练的不断进行，生成器所产生的虚假数据越来越接近于真实情况。它的输出开始展现出与真实数据之间的更多相似性和一致性；与此同时，判别器也在不断地学习和改进自己的识别能力，能够更加准确地区分真实与模拟数据。
在本实施例中生成对抗网络模型的生成器总共分成三层：第一层通过一层线性连接层和一层批标准化层将输入的噪声向量转换为一个高维特征张量；第二层通过自定义函数，将输入的特征张量转换为一个具有更高维度和更复杂特征的输出特征张量；最后一层是输出层，通过四层卷积层将高维特征张量转换为最终的图像输出。
所述判别器与生成器相对应，通过四层卷积层降低特征图的空间尺寸，并增加特征图的深度，同样也调用了自定义函数用于增加特征图的深度和复杂度。
采用了二分类交叉熵损失BCELoss对生成对抗网络模型进行评估,公式如下：
公式中N代表着样本数量，yi表示的是第i个样本的实际标签，则表示第i个样本的预测值，通常为一个概率值，范围在0到1之间。
采用激光粉末床熔融复材参数构建所述三维抗冲击的仿生结构的三维模型，三维抗冲击的仿生结构形成基于训练集中处理好的二月兰茎秆图片，生成类似于训练集内的图片，并根据图片设计出二维结构，再通过拉伸形成三维的仿生薄壁结构。
S4、构建面向激光粉末床熔融的冲击仿真模型，并进行冲击仿真试验，提取并分析冲击仿真结果。
本实施例中，采用冲击仿真软件建立冲击仿真模型开展冲击仿真分析。冲击仿真试验的材料参数采用激光粉末床熔融制成的复材测得，材料基体为PEEK，增强材料为碳纤维，碳纤维含量10％。冲击仿真模型示意图如图5所示。
试验时采取正面直接进行冲击，为了让整个结构都受到冲击，冲击体设置成了一块110mm×140mm×5mm的板，材料为普通低碳钢，密度为0.0078g/mm3，杨氏模量为200GPa，泊松比为0.29。本冲击模拟将结构的底面中点固定，再将底面的除了X轴和Z轴的移动外的自由度限制，以探究结构在碰撞后的膨胀情况，最后再赋予冲击板一个10mm/ms的速度。
具体试验过程中，由于需要设置摩擦与接触以模拟实际工况，因此使用摩擦系数为0.2，就是设置三维仿生薄壁结构的冲击仿真模型和冲击体之间的摩擦。
试样的材料选用激光粉末床熔融复材，其纤维含量为10％，密度为0.00012g/mm3，杨氏模量为7413MPa，泊松比0.33，屈服应力46MPa。采用激光烧结技术制成样品后测得相应的材料弹塑性参数如下表：
将本实施例将获得的利用生成对抗网络模型生成的仿二月兰结构与常规薄壁蜂窝结构，分别开展轴向冲击仿真，冲击仿真加载模型如图6所示。两种结构的体积填充率相同。由图6所示的吸能曲线对比可知，本实施例得到的结构在满足填充率不变的前提下，实现了基于生成对抗网络的仿二月兰结构吸能性能优于常规蜂窝薄壁结构。
本实施例将二月兰茎秆这样具有优良抗压和抗弯曲的结构作为仿生原型，根据生成对抗网络生成的图片生成了仿生薄壁结构，解决了当下经验设计的局限性，本发明在减轻重量的同时有效提升了激光粉床熔融制造的薄壁结构的抗冲击性能，在一定程度上提高了结构的强度。
本实施例引入阈值分割对数据集进行预处理，再将预处理的图片作为生成对抗网络的训练集，通过生成的图片来对结构进行设计，设计的复杂结构能够利用激光粉末床熔融技术很好的完成制造，显著提高设计效率和结构性能，具有广阔的应用前景。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (8)

1.一种面向激光粉末床熔融复材的仿二月兰结构设计方法，其特征在于，所述方法包括如下步骤：
步骤S1、对二月兰茎秆横截面进行数据采集；
步骤S2、采用阈值分割对二月兰茎秆截面图进行边缘检测，通过改变阈值来提取二月兰茎秆的微观结构特征并制作成数据集；
步骤S3、利用生成对抗网络模型对数据集进行训练，通过生成器生成新的二月兰茎秆图片，并根据新的二月兰茎秆图片设计出三维抗冲击的仿生结构；
步骤S4、构建面向激光粉末床熔融的冲击仿真模型，并进行冲击仿真试验，提取并分析冲击仿真结果。
2.如权利要求1所述的一种面向激光粉末床熔融复材的仿二月兰结构设计方法，其特征在于，步骤S2中采用阈值分割对二月兰茎秆截面图进行边缘检测包括：
将拍摄好的二月兰茎秆图片的路径导入后运行阈值分割的代码，利用反二进制阈值化阈值分割方法对数据集的图片进行边缘检测；
在代码中加入可以改变阈值的滑动条，比较不同阈值下的分割情况使分割达到预定的效果；
将处理完成的图片保存到同一文件夹下，用于后期生成对抗网络的训练集。
3.如权利要求1所述的一种面向激光粉末床熔融复材的仿二月兰结构设计方法，其特征在于，步骤S3中生成对抗网络模型的判别器以表示数据的参数x为输入，以D(x)为输出，若输出为1，则表示数据是真实的；若输出为0，则表示数据极可能为生成器虚假生成的，与真实的数据存在较大的差距；
生成对抗网络模型的生成器总共分成三层：第一层通过一层线性连接层和一层批标准化层将输入的噪声向量转换为一个高维特征张量；第二层通过自定义函数，将输入的特征张量转换为一个具有更高维度和更复杂特征的输出特征张量；最后一层是输出层，通过四层卷积层将高维特征张量转换为最终的图像输出；
所述判别器与生成器相对应，通过四层卷积层降低特征图的空间尺寸，并增加特征图的深度，同样也调用了自定义函数用于增加特征图的深度和复杂度。
4.如权利要求1所述的一种面向激光粉末床熔融复材的仿二月兰结构设计方法，其特征在于，采用了二分类交叉熵损失BCELoss对步骤S3生成对抗网络模型进行评估,公式如下：
公式中N代表着样本数量，yi表示的是第i个样本的实际标签，则表示第i个样本的预测值，通常为一个概率值。
5.如权利要求1所述的一种面向激光粉末床熔融复材的仿二月兰结构设计方法，其特征在于，步骤S3采用激光粉末床熔融复材参数构建所述三维抗冲击的仿生结构的三维模型。
6.如权利要求1所述的一种面向激光粉末床熔融复材的仿二月兰结构设计方法，其特征在于，步骤S3中三维抗冲击的仿生结构形成基于训练集中处理好的二月兰茎秆图片，生成类似于训练集内的图片，并根据图片设计出二维结构，再通过拉伸形成三维的仿生薄壁结构。
7.如权利要求1所述的一种面向激光粉末床熔融复材的仿二月兰结构设计方法，其特征在于，步骤S4采用冲击仿真软件建立冲击仿真模型。
8.如权利要求1所述的一种面向激光粉末床熔融复材的仿二月兰结构设计方法，其特征在于，步骤S4中冲击仿真试验的材料参数采用激光粉末床熔融制成的复材测得，材料基体为PEEK，增强材料为碳纤维，碳纤维含量10％。
CN202410974261.7A 2024-07-19 2024-07-19 一种面向激光粉末床熔融复材的仿二月兰结构设计方法 Pending CN118734712A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410974261.7A CN118734712A (zh) 2024-07-19 2024-07-19 一种面向激光粉末床熔融复材的仿二月兰结构设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410974261.7A CN118734712A (zh) 2024-07-19 2024-07-19 一种面向激光粉末床熔融复材的仿二月兰结构设计方法

Publications (1)

Publication Number Publication Date
CN118734712A true CN118734712A (zh) 2024-10-01

Family

ID=92847471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410974261.7A Pending CN118734712A (zh) 2024-07-19 2024-07-19 一种面向激光粉末床熔融复材的仿二月兰结构设计方法

Country Status (1)

Country Link
CN (1) CN118734712A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106828600A (zh) * 2017-02-21 2017-06-13 汽-大众汽车有限公司 一种仿生抗冲击轻量化结构
CN108764173A (zh) * 2018-05-31 2018-11-06 西安电子科技大学 基于多类生成对抗网络的高光谱图像分类方法
CN109341524A (zh) * 2018-10-17 2019-02-15 上海理工大学 一种基于机器视觉的光纤几何参数检测方法
WO2019226195A2 (en) * 2017-12-01 2019-11-28 California Institute Of Technology Fabrication and design of composites with architected layers
US20190382995A1 (en) * 2017-03-03 2019-12-19 The Regents Of The University Of California Elastic lattices for design of tensegrity structures and robots
CN114445586A (zh) * 2021-07-30 2022-05-06 华东师范大学 一种基于生成对抗网络的三维仿生设计方法及系统
CN114677325A (zh) * 2022-01-25 2022-06-28 安徽农业大学 水稻茎秆截面分割模型的构建方法及基于该模型的检测方法
CN115577460A (zh) * 2021-07-02 2023-01-06 北京航空航天大学 基于循环一致对抗适配网络的机械设备智能故障诊断方法
CN116503323A (zh) * 2023-03-16 2023-07-28 中海油能源发展股份有限公司 一种基于深度学习的煤岩数据生成及渗透率预测方法
CN116665824A (zh) * 2023-06-15 2023-08-29 天津理工大学 一种基于卷积对抗自编码网络的光子晶体光纤二维参数空间压缩及随机结构自动生成的方法
CN117291038A (zh) * 2023-10-07 2023-12-26 南京理工大学 一种面向激光烧结复材的仿生薄壁结构抗冲击设计方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106828600A (zh) * 2017-02-21 2017-06-13 汽-大众汽车有限公司 一种仿生抗冲击轻量化结构
US20190382995A1 (en) * 2017-03-03 2019-12-19 The Regents Of The University Of California Elastic lattices for design of tensegrity structures and robots
WO2019226195A2 (en) * 2017-12-01 2019-11-28 California Institute Of Technology Fabrication and design of composites with architected layers
CN108764173A (zh) * 2018-05-31 2018-11-06 西安电子科技大学 基于多类生成对抗网络的高光谱图像分类方法
CN109341524A (zh) * 2018-10-17 2019-02-15 上海理工大学 一种基于机器视觉的光纤几何参数检测方法
CN115577460A (zh) * 2021-07-02 2023-01-06 北京航空航天大学 基于循环一致对抗适配网络的机械设备智能故障诊断方法
CN114445586A (zh) * 2021-07-30 2022-05-06 华东师范大学 一种基于生成对抗网络的三维仿生设计方法及系统
CN114677325A (zh) * 2022-01-25 2022-06-28 安徽农业大学 水稻茎秆截面分割模型的构建方法及基于该模型的检测方法
CN116503323A (zh) * 2023-03-16 2023-07-28 中海油能源发展股份有限公司 一种基于深度学习的煤岩数据生成及渗透率预测方法
CN116665824A (zh) * 2023-06-15 2023-08-29 天津理工大学 一种基于卷积对抗自编码网络的光子晶体光纤二维参数空间压缩及随机结构自动生成的方法
CN117291038A (zh) * 2023-10-07 2023-12-26 南京理工大学 一种面向激光烧结复材的仿生薄壁结构抗冲击设计方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
WENFENG DU: ""3D solid model generation method based on a generative adversarial network"", 《SPRINGER NATURE LINK》, 21 January 2023 (2023-01-21) *
白中浩;周存文;龚超;张林伟;谭雯霄;卜晓兵;: "仿生层级薄壁方管的耐撞性研究", 中国公路学报, no. 01, 15 January 2020 (2020-01-15) *
范晓文;杨欣;许述财;黄晗;霍鹏;: "仿骨单位薄壁结构轴向和斜向耐撞性研究", 载人航天, no. 02, 15 April 2020 (2020-04-15) *
邓敏杰: ""基于马尾草仿生薄壁结构的设计优化和耐撞性研究"", 《中国优秀硕士学位论文全文数据库 工程科技2辑》, 15 February 2023 (2023-02-15) *
韩雨洋;张志攀;曲良体;: "激光结构化仿生表面", 科学通报, no. 12, 20 November 2018 (2018-11-20) *

Similar Documents

Publication Publication Date Title
Willis et al. Engineering sketch generation for computer-aided design
CN109166100A (zh) 基于卷积神经网络的多任务学习细胞计数方法
CN110110745A (zh) 基于生成对抗网络的半监督x光图像自动标注
CN110188047B (zh) 一种基于双通道卷积神经网络的重复缺陷报告检测方法
CN114757864B (zh) 一种基于多尺度特征解耦的多层级细粒度图像生成方法
CN111008738B (zh) 基于多模态深度学习的Sn-Bi合金延伸率和抗拉强度的预测方法
CN106180720B (zh) 一种具有优化网状内结构的金属件激光增材制备方法
Wang et al. A generative design method of airfoil based on conditional variational autoencoder
CN118862683A (zh) 一种基于生成式神经网络的复合材料铺层智能设计方法
CN107657634A (zh) 基于深度学习和支持向量机的页岩数字岩心三维重构方法
Pan et al. A Novel Combinational Convolutional Neural Network for Automatic Food-Ingredient Classification.
CN117291038B (zh) 一种面向激光烧结复材的仿生薄壁结构抗冲击设计方法
CN118734712A (zh) 一种面向激光粉末床熔融复材的仿二月兰结构设计方法
CN105653772B (zh) 一种pbx炸药颗粒压制成型数值模拟自动化建模方法及系统
Yan et al. Campus garbage image classification algorithm based on new attention mechanism
CN106649974A (zh) 基于球单元的可变形结构的设计方法
Du et al. Generation and evaluation of unimaginable three-dimensional structural joints using generative adversarial networks
Wu et al. Application of Product Form Recognition Combined with Deep Learning Algorithm
CN109210001A (zh) 一种超塑成形空心扭转叶片的设计方法
Ye The analysis of optimization strategy of industrial design in automatic sketch generation based on deep learning
CN107092895A (zh) 一种基于深度信念网络的多模态情感识别方法
Wu et al. A novel framework called HDU for segmentation of brain tumor
CN117332651A (zh) 一种仿晶格力学超结构材料数据增广方法
CN110245708A (zh) 一种基于gan网络的技术文档术语解释生成方法及装置
CN113537132B (zh) 基于双流卷积神经网络的视觉疲劳检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination