储液容器跌落冲击动力学神经网络建模

　　1　引言

　　塑料储液容器由于其材料具有良好的化学稳定性、耐腐蚀性、抗冲击性,对环境温度的适应性,对气体、液体的密封性,以及塑料质轻、价格适宜等诸多优点,在许多场合取代了其他材料(木材、玻璃及金属等)容器而应用于日常生活和社会生产活动之中。然而,这些储液容器在运输和使用过程中,会因为受到跌落冲击而存在破损的危险。容器一旦发生破损就会导致储装的液体泄漏损失,还可能由于液体具有污染性及腐蚀性、易燃等特点,而导致环境污染,甚至引发人身安全事故。因此,正确计算储液容器的跌落冲击响应对于容器的耐撞性设计有着重要的意义。

　　当储液容器受到跌落冲击时,容器结构与液体之间会发生耦合作用,即容器结构在液体载荷作用下发生变形或运动,而变形或运动反过来又影响液体的流动,因而储液容器上的应力大小与分布会发生急剧变化。由于储液容器在跌落冲击中复杂的液固耦合作用,很难建立数学模型来分析、评估容器的跌落冲击特性。采用有限元仿真可以实现容器跌落过程的动态模拟,精确获得各响应参数值。但为了获得高精度的数值仿真结果,所需的有限元模型单元规模较大、计算时间较长。通过构建神经网络模型代替实际结构的有限元计算,不仅可以大大降低计算量,还能实现诸如重量、容积、应力和应变等多种指标体系在容器结构、材料上的最优组合,提高计算效率[1-3]。

　　本文采用有限元程序ANSYS/LS-DYNA,对PC(聚碳酸酯)饮水桶在自由落体情况下的跌落冲击过程进行数值模拟。以不同跌落角度、跌落高度、壳体厚度下的饮水桶桶体等效应力仿真数值作为训练样本,运用BP神经网络预测跌落冲击参数和结构参数下的接触应力值,与有限元仿真值进行比较,为饮水桶的耐撞性设计提供新的设计思路和理论依据。

　　2　研究方法

　　有限元分析与神经网络技术结合过程,主要分3个步骤,其流程图见图1。

　　(1)获取学习样本集的有限元仿真。其主要工作是,建立储液容器的有限元模型,采用LS-DYNA中的ALE算法,计算不同跌落角度、不同跌落高度以及不同壳体厚度下,储液容器跌落冲击接触点最大应力值,从而获得学习的样本集以及网络校验集。

　　(2)建立跌落冲击参数和结构参数到接触点最大应力值的神经网络预测模型。其主要工作是,将跌落冲击参数和结构参数作为网络的输入、接触点最大应力值作为网络的输出,选择BP神经网络,进行网络学习训练,直至样本集收敛。

　　(3)改变储液容器跌落冲击参数和结构参数,运用BP网络进行应力值的预测,与有限元仿真值比较,进行网络泛化能力检验。