知识工程应用于船舶结构的优化设计研究 精灵论文

1、知识工程应用于船舶结构的优化设计研究杨和振，陈金峰（上海交通大学，海洋工程国家重点实验室，上海 200240）摘要：针对船舶结构设计变量是涉及多种设计和约束条件的离散变量，造成结构优化的高度5非线性、多峰性等问题，而且船舶设计过程中需要设计规范和专家经验等知识支持，结合其 具有很强的综合性、模糊性等特点，本文提出了基于知识工程的船舶结构优化设计方法。该 方法利用知识工程与结构优化相结合，将获取的设计知识构建知识库应用于船舶结构优化设 计，并通过提取结构关键参数实现参数化结构模型与优化数学模型的相互转化，降低结构优 化设计对用户知识水平的要求。水密横舱壁结构的优化设计算例表明：满足约束要求的情况

2、10下，其结构重量在优化后比优化前降低了，保证了结构性能合理的同时实现重量最轻的目标； 其次，将结构参数化模型和数学优化模型结合在一起，为设计经验少的设计者提供了一种结 构设计的捷径；总之，实现了从不同资源中获取知识并应用于优化设计过程，促进设计能力 的提高，降低优化设计过程对知识和经验的依赖。 关键词：知识工程；船舶结构优化；知识库；模拟退火算法15中图分类号：U663.4Application of Knowledge-based Engineering for ShipStructure Optimization DesignYANG Hezhen, CHEN Jinfeng20(Sta

3、te Key Laboratory of Ocean Engineering, School of Naval Architecture, Ocean and CivilEngineering, Shanghai Jiao Tong University, ShangHai 200240)Abstract: Ship structural design variables are discrete variables involving a variety of design requirements and constraints, which leads to highly nonline

4、ar, multimodal and other problems in structure optimization. Besides, it needs design regulations and experts experience to support ship25structure design. Considering its highly comprehensive, empirical, fuzzy and other characteristics, this work presents application of knowledge based engineering

5、for ship structure optimization designmethod. This method combines the principle of knowledge based engineering design with structure optimization design. It constructs knowledge base including design regulations and expert experience for structure initial design. In addition, it can distil the key

6、design parameters of structure model to30achieve the mutual transformation of parameterized structure model and optimization mathematical model. The example of watertight transverse bulkhead optimization design shows the optimized weight of structure is lower than before on the condition of meeting

7、constrains required. It ensures the reasonable structure performance and lightest weight goal. secondly, it combines structureparameterized model with mathematical optimization model, which provides a shortcut for designer35with less experience of structure design. In conclusion, it gets knowledge f

8、rom different source and apply for structure optimization design, improve the design level, reduce the designers dependence on the knowledge and experience.Keywords:Knowledge-based Engineering; Ship Structure Optimization; Knowledge Base; SimulatedAnnealing400引言目前，结构优化设计领域已从航空扩展到船舶、桥梁、汽车、机械等更广泛的工程领域

9、， 解决的问题从减轻结构重量扩展到降低应力水平、改进结构性能和提高安全寿命等更多方面1-3456789101112131415 16171819202122横舱壁列板 1 厚度109.0横舱壁列板 2 厚度1111.5横舱壁列板 3 厚度1214水平桁腹板高度14501362.5水平桁腹板厚度1010水平桁面板宽度400745.2水平桁面板厚度1513垂直桁T1 腹板高度14501362.5垂直桁T1 腹板厚度1210垂直桁T1 面板宽度550647.5垂直桁T1 面板厚度1511.5垂直桁T2 腹板高度14501362.5垂直桁T2 腹板厚度1510垂直桁T2 面板宽度550732.2垂直桁

10、T2 面板厚度1513扶强材 1 腹板高度150150扶强材 1 腹板厚度1010扶强材 1 面板宽度9090扶强材 1 面板厚度1010扶强材 2 腹板高度200200扶强材 2 腹板厚度99扶强材 2 面板宽度9090扶强材 2 面板厚度1212265270水密横舱壁结构优化后的总重量为 57034.1kg，比优化前的重量减少了 3.03%，既满足了船舶设计规范、型材稳定性和加工工艺等约束要求，又实现了知识库中知识应用，同时可 以将结构优化尺寸参数实时应用于结构参数设计模型。水密横舱壁结构重量目标函数变化曲 线如图 9 所示，设计变量舱壁 1-3 列板厚度的优化过程曲线如图 10 所示，垂

11、直和水平桁材 面板宽度优化过程曲线如图 11 所示，优化后的水密横舱壁结构模型如图 12 所示。图9横舱壁结构优化过程重量变化曲线图 图10 横舱壁结构优化过程列板厚度曲线图Fig.9 Transverse Bulkhead Structural Weight CurveSchematic DiagramFig.10 One to Three Bulkhead Plate ThicknessOptimization Process Schematic Diagram图11横舱壁结构优化过程桁材面板宽度曲线 图 12 优化后水密横舱壁结构示意图Fig.11 Transverse Bulkhead

12、 Structure Flange WidthOptimization Process Schematic DiagramFig.12 Optimized Transverse Bulkhead StructureSchematic Diagram2752802852905结束语设计规范对水密横舱壁板厚的约束以及对扶强材、垂直桁材和水平桁材剖面模数的约 束，同时考虑型材的局部稳定性和工艺性约束要求，建立水密横舱壁结构参数化模型并通过 知识工程技术转化为数学优化模型进行结构优化设计。建立横舱壁结构的参数化模型，通过 知识工程模块建立标准的角钢库和板材库以及将 CCS 设计规范要求、设计标准和专家

13、经验 等知识整理、归纳构建简单知识库，并将横舱壁结构参数化模型转化数学优化模型,借助于 产品工程优化模块基于模拟退火优化算法对水密横舱壁结构进行优化设计，并将优化设计数 据实时应用于结构设计模型，对结构设计模型进行实时更新，避免了结构优化过程和设计过 程分开独立操作，减少了由结构优化数学模型转化为设计模型的重复工作。将知识工程应用于水密横舱壁结构优化设计，优化设计结果表明：首先，横舱壁结构重 量在优化后比优化前降低了，保证横舱壁结构性能合理的同时实现了结构重量最轻的目标， 降低产品设计的生产成本，产生一定的经济效益。其次，为船舶结构优化设计提供了极其丰 富的技术手段，将结构优化的数学模型和结构

14、设计仿真模型结合在一起，为设计经验少的设 计者提供了一种船舶结构优化设计的捷径，有助于设计者快速完成设计工作的同时，能够快 速地积累经验。再次，实现从不同资源中获取知识并应用于船舶结构优化设计过程中促进设 计能力提高，帮助用户在更短的时间内、更精确地完成更多的设计工作，增强知识的重用性 和共享性，降低优化设计过程对知识和经验的依赖，提高设计过程的有效自动化层次。参考文献 (References)2953003051 Kodiyalam S., Sobieszczanski Sobieski J. Multidisciplinary design optimization-some formal

15、 methods, frame work requirements and application to vehicle designJ. International Journal of Vehicle Design, 2001, 25: 3-22. 2 Alexandrov N. M., Lewis R. M. Analytical and computational aspects of collaborative optimization for multidisciplinary designJ. AIAA Journal, 2002, 40(2): 301-309.3 Sobies

16、zczanski-Sobieski J., Haftka R. T. Multidisciplinary aerospace design optimization: Survey of recent developmentsJ. Structural Optimization, 1997, 14(1): 1-23.4 张科施. 飞机设计的多学科优化方法研究D. 西安: 西北工业大学, 2006.5 郑帮涛, 鲁海燕. 微分群体智能算法在船舶结构混合变量优化中的应用J. 船舶力学, 2009, 13(73):770-775.6 蒋如宏, 裘泳铭. 船舶主尺度方案的多目标模糊优化设计J.船体与舾

17、装,1999: 7-10.7 柳存根, 姚震球. 遗传进化算法在船舶初步设计中的应用J. 上海交通大学学报, 2000, 34(1): 41-45. 8 黄衍顺, 陈斌, 涂跃红. 双壳散货船结构重量优化设计J. 机电设备, 2007, 209(01): 3-6.9 陈宁,曹成勋,佘建国. 基于遗传算法与临境环境的机舱优化仿真研究J.船舶工程, 2008,30(4):77-80. 10 刘远. 基于遗传算法的大型起重船拔杆式臂架优化设计研究D. 2004.11 La Rocca G., Van Tooren M. J. L. Knowledge-based engineering to sup

18、port aircraft multidisciplinary design310315320325and optimizationJ. Proceedings of the Institution of Mechanical Engineers, Part G: Journal of AerospaceEngineering, 2010, 224(9): 1041-1055.12 Curran R, Verhagen W. J .C, Van Tooren M. J. L, et al. A multidisciplinary implementation methodology for k

19、nowledge based engineering: KNOMAD J. Expert Systems with Applications, 2010,37(11):7336-7350.13 Xing L. N., Chen Y. W., Wang P, et al. A Knowledge-Based Ant Colony Optimization for Flexible Job ShopScheduling ProblemsJ. Applied Soft Computing Journal, 2010, 10(3): 888-896.14 Zhou T. J., Xing L. N.

20、A knowledge-based genetic algorithm to the global numerical optimizationA. Computational sciences and optimizationC. Sanya, Hainan, China: IEEE Computer Society, 2009:513-516. 15 Jie J., Zeng J. C., Han C. Z., et al. Knowledge -based cooperative particle swarm optimizationJ. Applied Mathematics and Computation, 2008, 205(2): 861-873.16 Hu J., Peng Y.