(19)中华 人民共和国 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 202111360926.8 (22)申请日 2021.11.17 (71)申请人 合肥通用机 械研究院有限公司 地址 230031 安徽省合肥市蜀山区长江西 路888号 (72)发明人 李凡丁　陈学东　徐鹏　范志超　 陶家辉　 (74)专利代理 机构 合肥和瑞知识产权代理事务 所(普通合伙) 34118 代理人 王挺 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 113/26(2020.01) G06F 119/14(2020.01) (54)发明名称 一种基于机器学习的复合材料储氢容器铺 层角度设计方法 (57)摘要 本发明公开了一种基于机器学习的复合材 料储氢容器铺层角度设计方法， 属于压力容器仿 真设计领域。 根据储氢容器的设计尺 寸建立有限 元模型， 分析储 氢容器在给定压力下的单元失效 率； 对储氢容器复合材料层的铺层角度进行更 新， 并对每次更新铺层方案后的储 氢容器进行有 限元分析， 提取有限元模型中的单元信息并利用 归一化函数建立数据库； 以该数据库训练神经网 络， 输入层为储氢容器复合材料层的铺设角度， 输出层为单元 失效率； 以神经网络的输出为优化 目标， 最小化储氢容器的单元失效率， 并对经过 全求解域搜索后预测失效率最小的模型进行对 比验算， 即可得到在内胆尺寸及铺设层数不变的 前提下的复合材 料层最优铺设角度。 权利要求书2页 说明书9页 附图4页 CN 114239157 A 2022.03.25 CN 114239157 A 1.一种基于机器学习的复合材料储氢容器铺层角度设计方法， 其特征在于， 包括以下 步骤： S1， 建立储氢容器的有限元模型； S2， 根据该储氢容器的有限元模型， 在设定的加载压力下， 分析储氢容器的失效形式以 及失效百分比， 得到样本数据； 失效百分比是指储氢容器有限元模型中的失效单 元数目与总单 元数目之间的百分比； 样本数据包括： 储氢容器的有限元模型和该储氢容器的失效形式以及失效百分比； S3， 以储氢容器复合材料层的铺层角度作为变量， 对储氢容器复合材料层的铺层角度 进行更新， 并利用更新后的储氢容器复合材料层的铺层角度对储氢容器的有限元模型进 行 更新， 得到更新后的储氢容器的有限元模型； 按照步骤S2的方式， 在设定的加载压力下， 分 析更新后的储氢容器的失效形式以及失效百分比， 得到新的样本数据； S4， 按照步骤S3的方式， 得到一定数量的样本数据， 建立数据库； S5， 建立神经网络的模型， 神经网络的输入变量为储氢容器复合材料层的铺层角度， 神 经网络的预测结果 为该储氢容器的失效百分比； S6， 利用数据库对神经网络进行训练， 得到训练完成的神经网络； 利用训练完成的神经网络即可对储氢容器复合材料层的铺层角度进行预测， 得到该储 氢容器复合材 料层的铺 层角度所对应的失效百分比； S7， 基于该神经网络对储氢容器复合材料层的铺层角度进行优化， 以神经网络的预测 结果为优化 目标， 最小化储氢容器的失效百分比， 储氢容器的失效百分比最小化时所对应 的储氢容器复合材 料层的铺 层角度， 即为储氢容器复合材 料层的优化铺 层角度。 2.根据权利要求1所述的一种基于机器学习的复合材料储氢容器铺层角度设计方法， 其特征在于， 步骤S1中， 根据储氢容器内胆的设计尺 寸建立内胆有限元模型， 在该内胆有限 元模型上对复合材 料层进行建模， 得到储氢容器的有限元模型。 3.根据权利要求1所述的一种基于机器学习的复合材料储氢容器铺层角度设计方法， 其特征在于， 步骤S2中， 得到储氢容器的有限元模型后， 施加载荷与边界条件， 在设定的加 载压力下， 判断储氢容器的单元失效形式， 将储氢容器的失效单元数目除以总单元数目， 即 可得到该储氢容器的失效百分比； 其中， 以Hashin失效准则作 为爆破压力下储氢容器的失效判据， 包括纤维拉伸失效、 纤 维压缩失效、 基 体拉伸失效、 基 体压缩失效的四种失效形式。 4.根据权利要求1所述的一种基于机器学习的复合材料储氢容器铺层角度设计方法， 其特征在于， 步骤S3中， 储氢容器复合材料层包括螺旋缠绕层和环向缠绕层； 其中， 仅对螺 旋缠绕层中的铺设角度进 行更新， 不改变环向缠绕层的铺设角度以及螺旋缠绕层的铺设顺 序。 5.根据权利要求1所述的一种基于机器学习的复合材料储氢容器铺层角度设计方法， 其特征在于， 步骤S6中， 将数据库划分为训练集和测试集， 利用训练集对神经网络进行训 练， 利用测试集对神经网络进行测试， 当神经网络对训练集和测试集的预测结果的准确 率 均达到要求后， 即表示训练完成， 得到训练完成的神经网络 。 6.根据权利要求1所述的一种基于机器学习的复合材料储氢容器铺层角度设计方法， 其特征在于， 步骤S7中， 利用步骤S 6得到的训练完成的神经网络， 对该储氢容器复合材料层权　利　要　求　书 1/2 页 2 CN 114239157 A 2的铺层角度进行全空间预测， 寻找储氢容器复合材 料层的优化铺 层角度。 7.根据权利要求1所述的一种基于机器学习的复合材料储氢容器铺层角度设计方法， 其特征在于， 利用步骤S7得到的储氢容器复合材料层的优化铺层角度， 对储氢容器的有限 元模型进行优化， 得到优化后的储氢容器的有限元模型； 对优化后的储氢容器的有限元模 型进行有限元分析， 若在相同爆破压力下优化后的储氢容器获得更好的力学性能， 即失效 百分比较低或最大应力较低， 则步骤S7得到的储 氢容器复合材料层的优化铺层角度即为最 优铺层角度。权　利　要　求　书 2/2 页 3 CN 114239157 A 3