(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110281984.5 (22)申请日 2021.03.16 (65)同一申请的已公布的文献号 申请公布号 CN 112906136 A (43)申请公布日 2021.06.04 (73)专利权人 上海交通大 学 地址 200240 上海市闵行区东川路80 0号 (72)发明人 沈洪　廖聪豪　 (74)专利代理 机构 上海汉声知识产权代理有限 公司 3123 6 专利代理师 胡晶 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/17(2020.01) G06F 30/23(2020.01) G06F 30/27(2020.01)G06N 3/04(2006.01) G06F 119/08(2020.01) (56)对比文件 CN 10407 7451 A,2014.10.01 CN 106202937 A,2016.12.07 CN 101604144 A,2009.12.16 CN 109977464 A,2019.07.0 5 CN 111651916 A,2020.09.1 1 唐鹏翔等.基 于固有应 变的船板 激光热成形 研究. 《应用激光》 .2020,第40卷(第1期), 李金华等.BP神经网络在铝合金板材激光弯 曲成形中的应用. 《热加工 工艺》 .2017,第46卷 (第1期), 裴继斌.船用钢板 激光弯曲成形机理及成形 规律的研究. 《中国优秀博硕士学位 论文全文数 据库(博士)》 .20 08,(第08 期), 审查员 王仕超 (54)发明名称 船体外板的激光热成形变形预测方法和系 统 (57)摘要 本发明提供了一种船体外板的激光热成形 变形预测方法和系统， 包括： 步骤1： 建立关于热 源参数及板件参数的工艺窗口； 步骤2： 基于工艺 窗口进行多组热弹塑性有 限元仿真并提取等效 固有应变结果； 步骤3： 基于等效固有应变结果建 立预测神经网络模型， 泛化出工艺窗口中其它工 艺参数下的等效固有应变结果； 步骤4： 将等效固 有应变结果 以各向异性热膨胀系数形式赋予给 模型， 作为模型的初始属性； 步骤5： 通过对模型 施加单位 温度载荷， 保证计算获得的热应变分布 的大小、 方向与等效固有应变分布相同； 步骤6： 进行热弹性有限元仿真， 得到材料的变形位移。 本发明可以快速求解大尺寸板件、 复杂路径的变 形结果， 实现了船体外板的全自动激光加热成型 加工。 权利要求书2页 说明书7页 附图3页 CN 112906136 B 2022.07.22 CN 112906136 B 1.一种船体外 板的激光热成形变形 预测方法， 其特 征在于， 包括： 步骤1： 针对实际加工过程分析建立关于热源参数及板件参数的工艺窗口； 步骤2： 基于该工艺窗口进行多组热弹 塑性有限元仿真， 并提取等效固有应 变结果； 步骤3： 基于多组工艺参数的等效固有应变结果建立预测神经网络模型， 通过数学方法 泛化出该工艺窗口中其它工艺 参数下的等效固有应 变结果； 步骤4： 将所述步骤3计算获得的等效固有应变结果以各向异性热膨胀系数形式赋予给 模型， 作为模型的初始属性； 步骤5： 通过对模型施加单位温度载荷， 保证计算获得的热应变分布 的大小、 方向与等 效固有应 变分布相同； 步骤6： 进行 热弹性有限元仿真， 得到材 料的变形位移。 2.根据权利要求1所述的船体外板的激光热成形变形预测方法， 其特征在于， 所述步骤 2包括： 步骤2.1： 建立三维薄板件 几何模型并进行网格划分， 距离加热路径越近的区域的网格 设置得越细小； 步骤2.2： 将材 料物性参数赋值进几何模型中； 步骤2.3： 给几何模型 添加边界条件及 初始条件； 所述几何模型中材料的本构关系定义为分段弹塑性模型， 弹性 区使用弹性模量和泊松 比定义， 塑性区使用Johnso n‑Cook模型定义， 激光移动热源 采用高斯分布热源 模型。 3.根据权利要求1所述的船体外板的激光热成形变形预测方法， 其特征在于， 所述步骤 3包括： 步骤3.1： 建立预测神经网络前先确定神经网络的输入层， 分别表示激光功率、 扫描速 度、 光斑直径、 板件厚度和材 料深度； 步骤3.2： 确定训练样本， 样本 选择需覆盖实际加工的参数 范围且为分布均匀； 步骤3.3： 确定算法流程， 分别为： 特征处理、 确定交叉验证组、 确定光滑因子取值范围、 系统误差求 解、 确定最佳光滑因子和 确定最佳训练样本 。 4.根据权利要求1所述的船体外板的激光热成形变形预测方法， 其特征在于， 所述步骤 4包括： 步骤4.1： 特征处理中对输入、 输出样本库中样本进行归一化处理， 将处于不同维度i的 特征值映射到 ‑1～+1之间， 数 学公式为： xij＝2(xij‑xjmin)/(xjmax‑xjmin)‑1 yij＝2(yij‑yjmin)/(yjmax‑yjmin)‑1 其中， xjmin、 xjmax、 yjmin、 yjmax分别表示输入、 输出向量的所有第j个特征样本值中的最小 值和最大值； 步骤4.2： 光滑因子 的取值范围为σ ∈[0,2]， 从取值范围下限开始以0.1的增量遍历计 算在取值范围内的每一 光滑因子下的以均方差作为评价方式的系统误差 。 5.根据权利要求1所述的船体外板的激光热成形变形预测方法， 其特征在于， 工艺参数 包括： 激光功率1000～3000W， 扫描速度2 0～100mm/s， 光斑直径2～10mm， 板材 厚度2～10mm， 材料深度0～4m m。 6.一种船体外 板的激光热成形变形 预测系统， 其特 征在于， 包括：权　利　要　求　书 1/2 页 2 CN 112906136 B 2模块M1： 针对实际加工过程分析建立关于热源参数及板件参数的工艺窗口； 模块M2： 基于该工艺窗口进行多组热弹 塑性有限元仿真， 并提取等效固有应 变结果； 模块M3： 基于多组工艺参数的等效固有应变结果建立预测神经网络模型， 通过数学方 法泛化出 该工艺窗口中其它工艺 参数下的等效固有应 变结果； 模块M4： 将所述模块M3计算获得的等效固有应变结果以各向异性热膨胀系数形式赋予 给模型， 作为模型的初始属性； 模块M5： 通过对模型施加单位温度 载荷， 保证计算获得的热应变分布的大小、 方向与等 效固有应 变分布相同； 模块M6： 进行热弹性有限元仿真， 得到材 料的变形位移。 7.根据权利要求6所述的船体外板的激光热成形变形预测系统， 其特征在于， 所述模块 M2包括： 模块M2.1： 建立三维薄板件几何模型并进行网格划分， 距离加热路径越近的区域的网 格设置得越细小； 模块M2.2： 将材 料物性参数赋值进几何模型中； 模块M2.3： 给几何模型 添加边界条件及 初始条件； 所述几何模型中材料的本构关系定义为分段弹塑性模型， 弹性 区使用弹性模量和泊松 比定义， 塑性区使用Johnso n‑Cook模型定义， 激光移动热源 采用高斯分布热源 模型。 8.根据权利要求6所述的船体外板的激光热成形变形预测系统， 其特征在于， 所述模块 M3包括： 模块M3.1： 建立预测神经网络前先确定神经网络的输入层， 分别表示激光功率、 扫描速 度、 光斑直径、 板件厚度和材 料深度； 模块M3.2： 确定训练样本， 样本 选择需覆盖实际加工的参数 范围且为分布均匀； 模块M3.3： 确定算法流程， 分别为： 特征处理、 确定交叉验证组、 确定光滑因子取值范 围、 系统误差求 解、 确定最佳光滑因子和 确定最佳训练样本 。 9.根据权利要求6所述的船体外板的激光热成形变形预测系统， 其特征在于， 所述模块 M4包括： 模块M4.1： 特征处理中对输入、 输出样本库中样本进行归一化处理， 将处于不同维度i 的特征值映射到 ‑1～+1之间， 数 学公式为： xij＝2(xij‑xjmin)/(xjmax‑xjmin)‑1 yij＝2(yij‑yjmin)/(yjmax‑yjmin)‑1 其中， xjmin、 xjmax、 yjmin、 yjmax分别表示输入、 输出向量的所有第j个特征样本值中的最小 值和最大值； 模块M4.2： 光滑因子的取值范围为σ ∈[0,2]， 从取值范围下限开始以0.1的增量遍历计 算在取值范围内的每一 光滑因子下的以均方差作为评价方式的系统误差 。 10.根据权利要求6所述的船体外板的激光热成形变形预测系统， 其特征在于， 工艺参 数包括： 激光功率1000～3000W， 扫描速度20～100mm/s， 光斑直径2～10mm， 板材厚度2～ 10mm， 材料深度0～4m m。权　利　要　求　书 2/2 页 3 CN 112906136 B 3