研究提出KATO神经网络用于船舶振动拓扑优化
论文AI 评分 62/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对船舶结构振动引发噪声与疲劳问题，研究将基于卷积Kolmogorov-Arnold网络（KATO）的神经重参数化拓扑优化扩展至受迫振动设计，以主动输入功率（AIP）为目标。在100Hz甲板与18Hz推进器基座案例中，8种优化布局均降低了AIP与静态柔度。与GCMMA相比，KATO在AIP上误差低于0.5dB，静态柔度低22至36倍，且运行速度快6.4至10.4倍。在300Hz近共振工况下，KATO能保持结构连通，最大AIP降低超2.7dB，二值静态柔度低59倍。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载优化方法与目标设定
船舶结构振动易导致噪声、疲劳及设备损伤，而传统动态柔度拓扑优化在近共振区易产生病态设计。该研究将基于卷积Kolmogorov-Arnold网络（KATO）的神经重参数化拓扑优化方法拓展至受迫振动设计场景，选用主动输入功率（AIP）作为优化目标。同时，引入Helmholtz偏微分方程滤波与Heaviside投影来控制特征尺寸及制造公差。
多频段工况性能对比
研究将该方法应用于100Hz发动机支撑甲板面板与18Hz推进器基座框架。结果显示，所有8种优化布局均较尺寸优化参考降低了AIP，并在有限深度挤压后实现了更低的静态柔度。在无约束、考虑制造及考虑应力的框架变体中，KATO在AIP上与GCMMA匹配度在0.5dB内，但在等体积二值重分析后，静态柔度降低22至36倍。
近共振工况与计算效率
在300Hz近共振案例中，两种方法均将初始AIP降低超32dB，但KATO能维持连通设计，二值静态柔度较GCMMA低59倍，且在1至500Hz频段内将最大AIP额外降低2.7dB。在计算效率方面，针对所实现的应力感知公式，KATO的运行速度比GCMMA快6.4至10.4倍，验证了神经AIP驱动方法在设计连通且特征尺寸可控的船舶结构时的高效性。
为什么值得看
KATO为解决近共振下拓扑优化病态设计提供新方案，在船舶抗振设计中兼顾性能与计算效率。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。