(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210991472.2 (22)申请日 2022.08.18 (71)申请人 东南大学 地址 210018 江苏省南京市玄武区四牌楼 2 号 (72)发明人 黄杰　宗周红　李佳奇　陈振健　 夏梦涛　李卓　 (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 徐尔东 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/00(2006.01) G06N 20/00(2019.01)G06F 17/18(2006.01) G06F 111/10(2020.01) G06F 119/14(2020.01) (54)发明名称 一种大型抗爆结构物冲击动力参数识别方 法与识别平台 (57)摘要 本发明涉及一种大型抗爆结构物冲击动力 参数识别方法， 识别方法包括确定待识别结构物 冲击动力学参数； 测定待识别结构物的几何参 数； 测定待识别结构物在爆炸冲击下的动力响 应； 建立待识别结构物在爆炸冲击下的数值模 型， 构建目标函数； 利用改进的MWOA ‑GPO算法在 参数区间快速寻优； 以及经过数次迭代， 计算出 最小目标值所对应的力学参数； 本发 明针对大型 防护工程抗爆结构动力参数获取困难， 测量结果 不精确等问题， 提出利用MW OA‑GPO算法对有限元 数值模型进行优化进而反演出结构物动力参数 的方法， 同时基于该识别方法提出了获取结构物 动力学参数的识别平台， 有效地提高了获取结构 参数的便利性和经济性。 权利要求书5页 说明书17页 附图5页 CN 115358148 A 2022.11.18 CN 115358148 A 1.一种大 型抗爆结构物冲击动力参数识别方法， 其特 征在于： 包括以下步骤： 步骤S1： 确定待识别结构物冲击动力学参数； 步骤S2： 测定待识别结构物的几何参数； 步骤S3： 测定待识别结构物在爆炸冲击下的动力响应； 步骤S4： 建立待识别结构物在爆炸冲击下的数值模型， 构建目标函数； 步骤S5： 利用改进的MWOA ‑GPO算法在参数区间快速寻优， 即利用改进型灰狼算法在全 局空间进行寻优， 当全局 寻优次数达到预设迭代次数后， 将全局空间的寻优转变为局部空 间的寻优， 在此阶段启动GPO局部的寻优技 术； 步骤S6： 全局寻优和局部寻优的反复迭代， 直至收敛迭代准则满足适应精度和最大允 许迭代步数， 计算出最小目标值对应的力学参数， 退出寻优过程， 输出最优结构物动力学参 数。 2.根据权利要求1所述的大型抗爆结构物冲击动力参数识别方法， 其特征在于： 步骤S1 中确定的待识别结构物冲击动力学参数， 若结构物为单介质结构， 包括单材料动态力学参 数， 若结构物为多介质组合结构， 包括各部分组件的材 料动态力学参数； 前述的材料动态力学参数包括确定实际工程设计中所需的动力参数、 未知参数的初始 值， 以及预设参数搜索区间的上 下限。 3.根据权利要求2所述的大型抗爆结构物冲击动力参数识别方法， 其特征在于： 步骤S2 中， 采用接触或者非接触的测量方式测定待识别结构物的几何参数。 4.根据权利要求3所述的大型抗爆结构物冲击动力参数识别方法， 其特征在于： 步骤S3 中， 待识别结构物在爆炸冲击下 的动力响应为对结构物关键点的实测动力响应， 包括结构 物的冲击破坏变形值Wkp1、 Wkp2、…、 Wkpn， 结构物的冲击超压值Pkp1、 Pkp2、…、 Pkpn以及结构物的 加速度值Akp1、 Akp2、…、 Akpn。 5.根据权利要求4所述的大型抗爆结构物冲击动力参数识别方法， 其特征在于： 步骤S4 中， 将步骤S2获取的待识别结构物的几何参数结合步骤S1中位置参数的初始值， 建立初始 的结构物数值模型； 构建的目标函数为 其中， x为一组材料动态力学参数， Si为结 构物上第i个关键监测点在爆炸后的动力学响应值， 为第i个位移监测点在该组力学 参数下有限元的计算动力响应值； 当目标函数的值满足目标函数minf(x)的收敛条件时， 数值模型中的动力学参数值即 为真实结构中的动力参数。 6.根据权利要求5所述的大型抗爆结构物冲击动力参数识别方法， 其特征在于： 步骤S5 的具体步骤为： 步骤S5‑1， 进行改进型 灰狼算法在全局空间的迭代寻优； 步骤S5‑2， GPO在局部空间的动态加速； 其中步骤S5 ‑1具体为： 步骤S5‑1‑1， 设定MWOA算法的参数， 包括搜索灰狼种群数NP、 算法的维数D以及局部寻 优次数启动时间Itermax， 当MWOA算法在单循环阶段时适应度评价次数t达到Itermax时， 进入权　利　要　求　书 1/5 页 2 CN 115358148 A 2GPO局部加速阶段； 步骤S5‑1‑2， 在MWOA算法的每一次迭代寻优前， 计算搜索种群中每一头狼的适应度 值， 并将种群中适应度值最优的狼的位置信息保存为α， 将种群中适应度值次优的狼的位置信 息保存为β， 将种群中适应度第三优的灰狼的位置信息保存为δ， 剩余的狼群为ω； 当狼群中 四类阶级确定后， 开始全局空间的寻优， 根据改进 型灰狼算法的迭代公 式， 更新下一代的狼 群粒子位置， 在每一次迭代更新狼群种群 计算时， 此时数值计算的适应度计算次数t＝t+1； 步骤S5‑1‑3， 在寻优过程中， 潜在的最优粒子群需要带进真实的适应度函数中计算真 实适应度值， 即根据当前灰狼种群的寻优 个体的位置 Iij动态更新步骤S4中所 建立的数值模 型中， 根据更新后的数值模型， 计算当前参数Iij所对应的数值模型中的适应度值FE(Iij)， 其中每一组种群中具有最优适应度的粒子所组成的种群记为QBE(i)， 当前所有 粒子中的适 应度值FE最小值所对应的最优个体记为当前全局最优个体PBgj， 其对应的目标函数值BFE (PBgj)为当前全局最优解； 数值模型的计算次数达 到t＝Itermax后， 进入GPO加速阶段； 步骤S5‑2具体为： 步骤S5‑2‑1， 建立高斯过程代理模型， 在步骤S5 ‑1中寻找的全局最优个体PBgj附近， 按 照距离PBgj距离最近的若 干点， 当前选取构建GPR模型的种群数量为NP ×D， 组建新的学习样 本集(Xsample， Ysample)， 生成局部代理模型； 步骤S5‑2‑2， 基于已经建立的GPR模型， 依据GPO局部加速技术快速寻找当前局部最优 点BLij， 与并将BLij的位置信息 输入到数值模型中， 计算 其适应度FE(BLij)； 步骤S5‑2‑3， 基于步骤S5 ‑2‑2中的所寻的BLij的适应度FE(BLij)与步骤S5 ‑1‑3所寻找的 当前最优点PBgj的适应度FE(PBgj)进行比较， 根据评判结果， 若FE(BLij)>FE(PBgj)， 证明加速 成功， 则令全局最优点PBgj＝BLij； 若FE(BLij)<FE(PBgj)， 则加速不成功， 则PBgj在仍然保持 不变； 判定结束后， 则在返回到步骤S5 ‑1‑2的改进型灰狼算法MWOA的全局寻优阶段， 在步骤 S5‑1‑2中， 将围绕当前最优点PBgj继续全局的寻优和局部的加速的迭代过程， 直至满足收敛 条件。 7.根据权利要求6所述的大型抗爆结构物冲击动力参数识别方法， 其特征在于： 前述步 骤S5‑1‑2MWOA算法在的全局空间的寻优过程包括： 步骤S5‑1‑2‑1， 狼群初始位置信息Pij＝Iij， 将第一代种群Pij代入步骤S4中所建的数值 模型中进行适应度评价， 得到所有个体第 一代适应度值FE1st(Pij)， 当前全部集合中适应度 值最小的粒子Pxj为当前的全局最优蚱蜢， 其对应的目标函数值FE1st(Pxj)为当前第一代全 局最优解； 步骤S5‑1‑2‑2， 根据改进型狼群算法MWOA算法寻优公式更新搜索粒子位置， 得到搜索 下一地种群位置Pnextij； 步骤S5‑1‑2‑3， 对更新后的当前狼群位置Pnextij带入进步骤S5 ‑1‑3中进行适应度评价 得到当代所有狼群的目标函数值FE(Pnextij)； 当前Pnextij中适应度函数值最小的狼群个体 Nmingj为当前的全局最优狼群 个体， 其对应的目标函数值FE(Nmingj)为当前全局最优解； 步骤S5‑1‑2‑4， 基于当前狼群位置Pnextij， 重复上述步骤， 此时迭代次数t＝t+1， 经过数 次迭代后， 全局寻优 迭代次数t＝ Itermax， 进入GPO加速阶段。 8.根据权利要求7所述的大型抗爆结构物冲击动力参数识别方法， 其特征在于： 改进型 灰狼算法利用 α 、 β 和 δ 的位置的具体寻优步骤为：权　利　要　求　书 2/5 页 3 CN 115358148 A 3