-
公开(公告)号：CN115600383A
公开(公告)日：2023-01-13
申请号：CN202211179622.6
申请日：2022-09-27
Applicant: 大连理工大学宁波研究院(CN) , 大连理工大学(CN)
IPC: G06F30/20 , G06F119/14
Abstract: 本发明公开一种不确定性数据驱动计算力学方法、存储介质及产品，方法包括步骤：初始化局部凸包数据点；根据当前迭代线性规划问题的可行性获取结构响应；根据当前迭代步的结构响应更新局部凸包数据点；执行迭代循环，直到结构响应的位移向量的2范数的相对误差小于设定的阈值。通过更改目标函数来求解结构响应的解集，可以衡量数据集不确定性对解的影响，比经典DDCM方法的单一解更具有可信度，更有利于工程师的判断；可以使用成熟的线性规划问题高效求解，也加快了收敛速度，降低了经典DDCM方法中对实验数据点数目的要求。
-
公开(公告)号：CN115408914A
公开(公告)日：2022-11-29
申请号：CN202211071121.6
申请日：2022-09-02
Applicant: 大连理工大学宁波研究院 , 大连理工大学
Abstract: 本发明公开二维结构的问题无关机器学习拓扑优化方法、介质及产品，方法包括步骤：构建机器学习模型；在随机样本中线下训练机器学习模型；将粗单元中的细单元密度分布输入机器学习模型，输出扩展多尺度有限元中的多尺度形函数值；采用扩展多尺度有限元进行结构分析并优化。实施本发明，通过构建机器学习模型，利用机器学习模型对最耗时的多尺度形函数进行计算，代替了原有扩展多尺度有限元中多尺度形函数复杂的计算，从而充分发挥出了线性边界条件下的扩展多尺度有限元方法的高效性，实现了有限元的分析时间数量级上的降低。
-
公开(公告)号：CN116362079A
公开(公告)日：2023-06-30
申请号：CN202310252549.9
申请日：2023-03-16
Applicant: 大连理工大学 , 大连理工大学宁波研究院
IPC: G06F30/23 , G06F17/16 , G06F119/02
Abstract: 本发明公开了一种基于新型插值模型的多材料结构拓扑优化方法，包括以下步骤：给出多材料结构拓扑优化问题的优化列式‑获得预设数量的网格单元‑根据实际求解问题设置计算的边界约束和载荷条件‑引入用于区分每根组件内材料属性的材料属性区别参数γ，生成所有组件的拓扑描述函数‑设计域内组件的更新变化，直到收敛输出最终的结构优化构型。本发明采用上述基于新型插值模型的多材料结构拓扑优化方法，若考虑设计域内K种不同材料的优化分布，仅需要引入一组描述组件内材料分布类别的未知变量γK‑1，并与组件的拓扑描述函数联系起来，便可以描述有限单元网格内的材料属性，简化了的分析和计算过程，提高了分析计算效率。
-
公开(公告)号：CN115600383B
公开(公告)日：2023-06-02
申请号：CN202211179622.6
申请日：2022-09-27
Applicant: 大连理工大学宁波研究院 , 大连理工大学
IPC: G06F30/20 , G06F119/14
Abstract: 本发明公开一种不确定性数据驱动计算力学方法、存储介质及产品，方法包括步骤：初始化局部凸包数据点；根据当前迭代线性规划问题的可行性获取结构响应；根据当前迭代步的结构响应更新局部凸包数据点；执行迭代循环，直到结构响应的位移向量的2范数的相对误差小于设定的阈值。通过更改目标函数来求解结构响应的解集，可以衡量数据集不确定性对解的影响，比经典DDCM方法的单一解更具有可信度，更有利于工程师的判断；可以使用成熟的线性规划问题高效求解，也加快了收敛速度，降低了经典DDCM方法中对实验数据点数目的要求。
-
公开(公告)号：CN115630542B
公开(公告)日：2023-09-01
申请号：CN202211187180.X
申请日：2022-09-28
Applicant: 大连理工大学宁波研究院 , 大连理工大学
IPC: G06F30/23 , G06F30/15 , G06F119/14
Abstract: 本发明公开了一种薄壁加筋结构的加筋布局优化方法，将待优化的薄壁结构基底曲面生成三角形网格曲面基于共形映射建立基底曲面和参数空间平面的映射关系在参数空间中进行组件布局以模拟参数空间的加强筋，基于共形映射的节点坐标变换将参数空间的加强筋映射为物理空间的加强筋网格模型；基于形状灵敏度分析方法，采用MMA求解器更新设计变量。本发明采用显式几何参数构建并描述参数空间的组件型加强筋，通过共形映射技术构建参数空间和物理空间的映射关系，实现物理空间中复杂曲面上的加筋模型的建立。对整个结构采用高精度的随体壳单元进行，可以准确捕获结构的响应信息。
-
Patent Agency Ranking
公开(公告)号：CN116362079B
公开(公告)日：2024-01-30
申请号：CN202310252549.9
申请日：2023-03-16
Applicant: 大连理工大学 , 大连理工大学宁波研究院
IPC: G06F30/23 , G06F17/16 , G06F119/02
Abstract: 本发明公开了一种基于新型插值模型的多材料结构拓扑优化方法，包括以下步骤：给出多材料结构拓扑优化问题的优化列式‑获得预设数量的网格单元‑根据实际求解问题设置计算的边界约束和载荷条件‑引入用于区分每根组件内材料属性的材料属性区别参数γ，生成所有组件的拓扑描述函数‑设计域内组件的更新变化，直到收敛输出最终的结构优化构型。本发明采用上述基于新型插值模型的多材料结构拓扑优化方法，若考虑设计域内K种不同材料的优化分布，仅需要引入一组描述组件内材料分布类别的未知变量γK‑1，并与组件的拓扑描述函数联系起来，便可以描述有限单元网格内的材料属性，简化了的分析和计算过程，提高了分析计算效率。
-
公开(公告)号：CN115408914B
公开(公告)日：2023-07-04
申请号：CN202211071121.6
申请日：2022-09-02
Applicant: 大连理工大学宁波研究院 , 大连理工大学
IPC: G06F30/23 , G06F30/27 , G06N3/0499 , G06N3/08 , G06N20/00
Abstract: 本发明公开二维结构的问题无关机器学习拓扑优化方法、介质及产品，方法包括步骤：构建机器学习模型；在随机样本中线下训练机器学习模型；将粗单元中的细单元密度分布输入机器学习模型，输出扩展多尺度有限元中的多尺度形函数值；采用扩展多尺度有限元进行结构分析并优化。实施本发明，通过构建机器学习模型，利用机器学习模型对最耗时的多尺度形函数进行计算，代替了原有扩展多尺度有限元中多尺度形函数复杂的计算，从而充分发挥出了线性边界条件下的扩展多尺度有限元方法的高效性，实现了有限元的分析时间数量级上的降低。
-
公开(公告)号：CN116309690A
公开(公告)日：2023-06-23
申请号：CN202211543971.1
申请日：2022-12-01
Applicant: 大连理工大学 , 大连理工大学宁波研究院 , 大连维视科技有限公司
Abstract: 一种基于Transformer结构的局部和全局视角兼容的目标跟踪方法。本发明的Transformer结构采用ViT‑Base的网络结构，将依据前一帧跟踪位置裁剪的局部搜索区域和全图搜索区域同时作为输入，两路搜索分支共享特征提取和特征融合网络的权重，实现在统一模型下的局部和全局视角目标跟踪。同时使用一个基于Transformer的特征编码网络获得跟踪框的特征向量，在局部跟踪结果的回归质量预测得分较低时，从全局和局部跟踪的多个结果中选择与第一帧给定目标的特征向量距离最小的跟踪框作为当前帧的最终跟踪结果；在局部跟踪结果的回归质量预测得分较高时，采用局部跟踪结果作为当前帧的最终跟踪结果。
-
公开(公告)号：CN115630542A
公开(公告)日：2023-01-20
申请号：CN202211187180.X
申请日：2022-09-28
Applicant: 大连理工大学宁波研究院 , 大连理工大学
IPC: G06F30/23 , G06F30/15 , G06F119/14
Abstract: 本发明公开了一种薄壁加筋结构的加筋布局优化方法，将待优化的薄壁结构基底曲面生成三角形网格曲面基于共形映射建立基底曲面和参数空间平面的映射关系在参数空间中进行组件布局以模拟参数空间的加强筋，基于共形映射的节点坐标变换将参数空间的加强筋映射为物理空间的加强筋网格模型；基于形状灵敏度分析方法，采用MMA求解器更新设计变量。本发明采用显式几何参数构建并描述参数空间的组件型加强筋，通过共形映射技术构建参数空间和物理空间的映射关系，实现物理空间中复杂曲面上的加筋模型的建立。对整个结构采用高精度的随体壳单元进行，可以准确捕获结构的响应信息。
-
公开(公告)号：CN118262275B
公开(公告)日：2024-07-23
申请号：CN202410669172.1
申请日：2024-05-28
Applicant: 大连理工大学 , 大连理工大学宁波研究院
IPC: G06V20/40 , G06V10/82 , G06N3/045 , G06N3/0895
Abstract: 本发明属于机器学习、计算机视觉、目标跟踪领域，公开了一种基于共显著性学习的弱监督目标跟踪方法，通过设计弱监督共显著性注意力模块，嵌入基准跟踪算法中，实现模型的弱监督训练。本发明能够使现有基准跟踪算法在降低约30倍训练标注数据的使用情况下，获得与基准跟踪算法相近或更优的性能，有效地解决了现有基准跟踪算法对大规模标注数据的依赖问题，降低了现有模型的训练成本，并缓解了现有跟踪训练数据集的迫切需求。
-
-
-
-
-
-
-
-
-
Search Results
67
records
(took 0.035 seconds)
