(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 202111283750.0 (22)申请日 2021.11.01 (65)同一申请的已公布的文献号 申请公布号 CN 114239330 A (43)申请公布日 2022.03.25 (73)专利权人 河海大学 地址 211100 江苏省南京市江宁区佛城西 路8号 (72)发明人 伞冰冰　王倩　毋凯冬　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 刘莎 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/14(2020.01)(56)对比文件 CN 102707623 A,2012.10.0 3 WO 2020095321 A2,2020.0 5.14 Jiamin Guo 等.FORC E FINDING OF SUSPENDED-DOM ESUSING BACK PROPAGATION (BP) ALG ORITHM. 《Advanced Ste el Constructi on》 .2016,第12卷(第1期),17- 31. 伞冰冰.基于广义乘子法的有约束的自由曲 面形态创建. 《河南科 学》 .2018,第3 6卷(第12 期), 施永安.超椭球大跨空间 网壳参数化设计及 优化. 《中国优秀硕士学位 论文全文数据库 (工 程科技Ⅱ辑)》 .2019,(第2期), Jiamin Guo.Model updati ng of suspended-dome usi ng artificial neural networks. 《Advances i n Structural Engineering》 .2017, 审查员 赵鼎新 (54)发明名称 基于深度学习的大跨度网壳结构形态创建 方法 (57)摘要 本发明公开了一种基于深度学习的大跨度 网壳结构形态创建方法， 该方法基于深度学习网 络模型， 发掘输入层大跨度网壳结构控制点几何 特征变量和输出层结构应变能之间的最优映射 关系， 通过对 预测值和大跨度网壳结构应变能实 际值之间产生的误差进行反向传播来训练模型， 实现大跨度网壳结构应变能最小的目标， 最后使 用ANSYS有限元软件对创建的大跨度网壳结构力 学性能分析， 并对薄弱 区加强， 实现力学性能优 化。 本发明通过数据训练实现自我学习， 提高大 跨度网壳结构形态优化效率和精度。 权利要求书2页 说明书9页 附图2页 CN 114239330 B 2022.06.10 CN 114239330 B 1.一种基于深度学习的大跨度网壳结构形态创建方法， 其特征在于， 具体方法步骤如 下： 步骤1， 选择控制点几何特征变量， 并根据工程设计规范确定控制点几何特征变量的范 围； 步骤2， 搭建适用于大跨度网壳结构形态创建的深度前馈神经网络模型， 具体为： (2‑1)设计单个神 经元， 神经元的活性值 x1,x2...xd为神经元的 输入， d为控制点几何特征变量个数， w1,w2...wd为x1,x2...xd对应的权重， b是偏置， 激活函 数f(·)选用ReLU函数； (2‑2)基于(2 ‑1)中的神经元， 设计深度前馈神经网络模型， 包括输入层、 隐藏层和输出 层； 所述深度前馈神经网络模型通过以下公式进行信息传播： A(k)＝fk(W(k)·A(k‑1)+B(k)) 其中， k＝1,2 …,L， L表示深度前馈神经网络模型的层数； Z(k)表示第k层神经元的净输 入， 即净活性值； W(k)表示第k‑1层到第k层的权重矩阵； A(k‑1)表示第k‑1层神经元的输出， 即 活性值； B(k)表示第k‑1层到第k层的偏置； A(k)表示第k层神经元的输出， 即活性值； fk(·)表 示第k层神经 元的激活函数； (2‑3)自定义损失函数为： 其中， 表示自定义损失函数， x表示控制点几何特征变量， Y表示控制点几何特 征 变量X对应的大跨度网壳结构应 变能， 表示X对应的大跨度网壳结构应 变能的预测值； 步骤3， 收集现有工程设计中大跨度网壳结构模型的控制点几何特征变量以及相应的 大跨度网壳结构应变能， 以控制点几何特征变量为深度学习网络模型 的输入， 大跨度网壳 结构应变能为标签， 建立数据集； 步骤4， 利用步骤3 中的数据集训练步骤2中的深度前馈神经网络模型， 得到控制点几何 特征变量预测模型； 步骤5， 利用步骤4中的控制点几何特征变量预测模型预测得到的控制点几何特征变 量， 采用NURBS技 术进行大跨度网壳结构的几何建模， 得到应 变能最小的大跨度网壳结构。 2.如权利要求1所述的一种基于深度学习的大跨度网壳结构形态创建方法， 其特征在 于， 该方法还包括利用A NSYS有限元软件对 所创建的大跨度网壳结构进 行力学性能分析， 并 对薄弱区加强， 使其受力合理。 3.如权利要求1所述的一种基于深度学习的大跨度网壳结构形态创建方法， 其特征在 于， 根据经验以及工程设计规范选择控制点几何特 征变量。 4.如权利要求1所述的一种基于深度学习的大跨度网壳结构形态创建方法， 其特征在 于， 所述步骤4中， 在训练 时， 对误差进 行反向传播， 并采用梯度下降的方法使得权重和偏置 沿着误差减小的方向进行 更新： 第一步， 前馈计算每一层的净输入和活性 值， 直到最后一层； 第二步， 反向传播计算每一层的误差项， 其中第k层的误差项为：权　利　要　求　书 1/2 页 2 CN 114239330 B 2δ(k)＝f′k(Z(k))⊙((W(k+1))T·δ(k+1)) 式中， δ(k)表示第k层的误差项， δ(k+1)表示第k+1层的误差项， W(k+1)表示第k+1层的权重矩 阵， (·)′表示求导，⊙表示向量的点积运 算； 第三步， 计算每一层参数的梯度， 并更新参数， 所述参数包括权重和偏置； 其中 关于W(k)的梯度为 关于B(k)的梯度为 5.如权利要求1所述的一种基于深度学习的大跨度网壳结构形态创建方法， 其特征在 于， 所述步骤2中使用Tensorfl ow框架对深度前馈神经网络模型进行建模。 6.如权利要求1所述的一种基于深度学习的大跨度网壳结构形态创建方法， 其特征在 于， 隐藏层神经元数量的范围区间的端点值分别为： 和log2p， 其中p为输入层神经 元个数， q为输出层神经 元个数， h为[1,10]之间的常数。 7.如权利要求6所述的一种基于深度学习的大跨度网壳结构形态创建方法， 其特征在 于， 隐藏层神经元 的最佳数量通过训练得到： 从范围区间内的最小个数开始， 逐个增加， 验 证到最大个数， 如果出现过拟合即减小层数和 神经元个数。 8.如权利要求1所述的一种基于深度学习的大跨度网壳结构形态创建方法， 其特征在 于， 所述步骤5具体为： 由工程经验， 建筑规范和工程 实际条件， 确定控制点几何特征变量的 初始值范围， 在此范围内采用二分法， 选取两端点作为控制点几何特征变量初始值输入预 测模型， 得到对应的结构应变能， 选取靠近对应结构应变能较小的端点的一半范围为新的 范围， 再次采用二分法， 直至新的范围内两端点对应的结构应变能差值不超过设定阈值， 取 当前新的范围的中间点作为最终的控制点几何特征变量， 采用NURBS技术进行大跨度网壳 结构的几何建模此时的控制点几何特征数值输入到NURBS方法创建的曲面， 即得到应变能 最小的大跨度网壳结构。权　利　要　求　书 2/2 页 3 CN 114239330 B 3