本發明涉及海洋平臺管節點制造，具體涉及一種基于誤差反向傳播的導管架k型管節點強度預測方法。
背景技術：
1、海洋平臺工程的建設與發展創新是海洋事業的重要基礎。我國目前已有很多海洋平臺服役多年，管結構在海洋平臺中被廣泛運用，其中管節點是平臺結構設計和建造中的技術重點和難點。管節點結構受到的應力比其他部分大得多，而且焊縫集中，構件間載荷傳遞都需要通過管節點進行，因此，是最容易產生裂紋發生破壞的部位。在其設計過程中應當滿足一定的強度和剛度要求，同時需要考慮多種參數：例如k型管節點考慮弦桿與撐桿的截面直徑及壁厚、撐桿之間的間距、夾角等。由于管節點優化時涉及多項參數，通過實驗手段尋找最優的參數組合顯得非常不現實。快速準確地建立管節點結構模型，是管節點分析研究的基礎與前提。
2、在海洋平臺管節點應力分析的方法中，有限元法是現如今應用最為廣泛的，可以在一定程度上代替實驗，從而使科研人員或設計人員投入較低的成本卻能有效的完成優化工作。在優化過程中，有限元方法雖然可以被用來預測管節點強度，但是每給出一個設計參數組合都需要經歷建模、分析及結果提取的過程。顯然，基于有限元方法的優化要進行多次的數值模擬和結果對比分析，耗費大量時間才有望找到一個相對好的組合。特別是在進行三維模型分析時，這種缺點更為突出。
3、綜上所述，有必要對現有技術做進一步創新。
技術實現思路
1、針對上述背景技術中存在的技術問題，本發明提出了一種基于誤差反向傳播的管節點強度預測方法，其構思合理，實現了利用導管架管節點設計參數的數值直接預測強度范圍，從而避免了大量的有限元分析。
2、為解決上述技術問題，本發明提供的一種基于誤差反向傳播的導管架k型管節點強度預測方法，其主要包括以下步驟：
3、(1)建立k型管節點的有限元模型；
4、(2)編寫命令流實現管節點的有限元參數化批量建模；
5、(3)進行數據準備和預處理；
6、(4)基于神經網絡建立管節點強度預測模型；
7、(5)使用編程實現管節點強度預測模型。
8、所述基于誤差反向傳播的導管架k型管節點強度預測方法，其中，所述步驟(1)的具體過程為：先根據導管架平臺常用的k型管節點，利用有限元軟件對管節點進行幾何模型的構建,建立弦桿及撐桿，弦桿與撐桿夾角為θ；然后在幾何模型完成構建的基礎上進行有限元模型網格劃分，根據實際情況與計算要求手動劃分生成規則的四邊形網格進行分析，獲得模型網格劃分結果；最后在有限元軟件中設置材料屬性、單元類型、邊界條件和荷載施加情況。
9、所述基于誤差反向傳播的導管架k型管節點強度預測方法，其中，所述步驟(2)的具體過程為：使用一組參數來定義管節點模型的幾何尺寸，并對幾何尺寸之間的關系進行約束，實現幾何尺寸之間的拓撲關系，確定需要變化的幾何模型的相關參數，有限元模型建立完成solve后顯示應力云圖。
10、所述基于誤差反向傳播的導管架k型管節點強度預測方法，其中，所述管節點模型的幾何尺寸可根據無量綱參數進行定義：
11、
12、上式(1)-(4)中，l表示弦管長度；d表示弦管外徑；d表示撐管外徑；t表示弦管管壁壁厚；t表示撐管管壁壁厚；α為弦管長度與外徑之比，反應弦管柔度；β為弦管外徑與撐管直徑之比，反應載荷傳遞和應力分布；γ為弦管外徑與弦管管壁壁厚之比，反應弦管徑向剛度；τ為撐管管壁壁厚與弦管管壁壁厚之比，反應弦管與撐管的相對彎曲剛度。
13、所述基于誤差反向傳播的導管架k型管節點強度預測方法，其中，所述步驟(3)的具體過程為：在批量運行算例模型后，提取模型有限元分析計算的有限元結果即管節點不同設計參數組合及所獲取的最大應力值，整理所提取的有限元結果；將有限元結果進行歸一化處理，并賦予較小的初值避免數據為0。
14、所述基于誤差反向傳播的導管架k型管節點強度預測方法，其中：所述最大應力值分為“安全”、“不確定”、“危險”三類,并以0、1、2分別表示“安全”、“不確定”、“危險”。
15、所述基于誤差反向傳播的導管架k型管節點強度預測方法，其中：所述步驟(4)是根據有限元結果預測管節點結構強度，然后利用誤差反向傳播算法建立管節點強度預測模型,且所述管節點強度預測模型的架構包括輸入層、隱藏層、輸出層；
16、所述輸入層是結合工程實際中管節點的結構特征，選取管節點結構參數，將結構參數作為輸入節點；
17、所述隱藏層是采用單層隱藏層誤差反向傳播算法對管節點安全度進行預測；對于隱藏層節點數，通過結合多次試驗和參考經驗公式來確定；所參考經驗公式如下：
18、
19、m＜n-1????????????????????????(6)；
20、m＝log2?n?????????????????(7)；
21、上式(5)-(7)中，m代表隱藏層節點數，n代表輸入層節點數，l代表輸出層節點數，常數a＝1～10；
22、所述輸出層是選取“安全”“不確定”“危險”這3種安全狀態作為輸出。
23、所述基于誤差反向傳播的導管架k型管節點強度預測方法，其中：所述步驟(5)中的管節點強度預測模型可分初始化網絡、訓練網絡、查詢網絡、變量賦值、導入數據和計算準確率這六個部分；
24、所述步驟(5)的具體過程為：先對神經網絡模型進行訓練，在對神經網絡模型進行訓練的過程中基于學習的樣本數據，通過結果誤差反向傳播不斷調整網絡權值，以此完成訓練，最后對已經訓練的模型進行驗證和測試；
25、所述初始化網絡需要設置神經網絡模型的輸入層節點、隱藏層節點和輸出層節點的數量，這些節點數量定義了神經網絡模型的形狀和尺寸；除此之外，所述初始化網絡還需要設置學習率、初始化鏈接權重及定義激活函數；所述初始鏈接權重為隨機生成且隨機數采用正態分布，均值為0，標準差分別為隱藏層節點數的-0.5次方即輸入層與隱藏層之間的初始權重和輸出層節點數的-0.5次方即隱藏層與輸出層之間的初始權重；
26、所述激活函數為sigmoid函數，公式如下：
27、
28、所述訓練網絡分為兩個部分，第一部分是針對給定的訓練樣本計算輸出；第二部分是將計算得到的輸出與期望輸出對比，基于差值優化改進網絡權重，通過計算損失函數l關于每個權重參數w(l)和偏置b(l)的梯度，來更新每個權重參數w(l)和偏置b(l)以最小化損失；
29、對于每一層l，先計算損失函數相對于激活值a(l)的偏導數：
30、
31、接著，計算相對于線性變換輸出z(l)的偏導數：
32、δ(l)＝δ(l+1)·g′(z(l))?????????????????????????????????????????(10)；
33、上式(10)中的g′(z(l))為激活函數的導數；
34、然后，更新每一層的權重和偏置：
35、
36、權重和偏置的更新方式采用梯度下降法：
37、
38、上式(13)中的η為學習率；
39、所述查詢網絡需要傳遞來自輸入層節點的輸入信號，將所有的輸入與所有正確的鏈接權重組合，生成了組合調節后的信號矩陣，傳輸給每個隱藏層節點，通過隱藏層使用鏈接權重調節信號后傳給輸出層，輸出層使用鏈接權重根據反向傳播算法逐漸更新，以使得預測誤差最小化，最后從輸出層輸出；當輸入層傳遞的數據饋送至給定的隱藏層節點或輸出層節點時，使用鏈接權重調節輸入層傳遞的數據的同時應用了sigmoid激活函數抑制來自這些節點的信號；
40、所述變量根據誤差反向傳播網絡結構賦值，神經網絡模型的輸入層節點數為5，隱藏層節點數為4，輸出層節點數為3，學習率為0.1；
41、所述導入數據需要創建神經網絡對象，導入訓練數據集訓練網絡和導入測試數據集測試網絡，訓練數據不充足時，可采取迭代全部樣本數據多次的方法，即增加神經網絡模型中訓練輪次的次數，進行網絡訓練學習以提高訓練效果；
42、所述管節點強度預測模型所輸出結果為不同設計參數下管節點的安全狀態，最大值表示預測的所處狀態；由于輸出結果為一維數組的位于0到1區間的三個數，故增加一部分代碼，采取準確度度量的方式直觀表示訓練效果。
43、所述基于誤差反向傳播的導管架k型管節點強度預測方法，其中，所述對神經網絡模型進行訓練的過程為：首先，初始化網絡的權重和神經元的偏置值，并選擇一個輸入樣本；接著，執行前向傳播，計算隱含層和輸出層的輸出，然后根據期望輸出與實際輸出的差異計算誤差；通過反向傳播將誤差傳遞給各個隱含層，計算隱含層的誤差，并調整權重和偏置值；隨后檢查當前樣本的訓練是否結束，若未完成則繼續調整，否則增加迭代次數并選擇下一個樣本，重復前述過程；最后，當所有樣本訓練完畢，整個訓練過程結束。
44、采用上述技術方案，本發明具有如下有益效果：
45、本發明基于誤差反向傳播的管節點強度預測方法構思合理，實現了管節點強度安全預測，用于管節點設計階段，模擬多種參數，減少實驗次數，對管節點結構強度提供更快捷的評估，可以有效解決目前有關管節點設計階段有限元分析繁瑣的問題，同時，可以有效的提高效率，降低成本，加速管節點的設計研發。
46、本發明針對管節點設計過程中需考慮大量設計參數，采用bp神經網絡建立管節點強度預測模型，此模型適合處理需要同時考慮多種因素、條件復雜模糊的信息處理問題，工作過程為根據少部分具有代表性的樣本學習，不斷調整自身權重。網絡內部大量的可調參數具有高度的靈活性，容錯性強，因此能分析處理較為復雜的非線性系統，如預測與控制等問題。