本发明属于振动抑制，具体涉及一种基于深度学习的准零刚度低频隔振结构逆向设计方法。
背景技术：
1、振动普遍存在于很多工程应用中，对于有害的振动来说，采取有效措施抑制不希望的振动是非常重要的。不希望的振动可能会降低加工精度，干扰精密设备正常工作，破坏水下舰艇的隐身性能，加速结构疲劳损伤等等。隔振是一种有效可靠的振动抑制方法，通过在振源和被隔离物体之间加装隔振器来阻碍振动传递，还能为物体提供静态支撑。近年来，非线性隔振器，尤其是具有准零刚度(qzs)特性的隔振器，由于其高静低动的刚度而受到越来越多的研究者关注。相对传统线性隔振器它们可以在不损失负载能力的同时具有较低共振频率，也就是具有出色的隔振性能和低静态偏转。经典的准零刚度隔振器通常由正刚度元件和负刚度元件相结合来实现。也有少量学者提出单一元件实现准零刚度特性，相较于传统设计，该设计更加简紧凑。
2、现有大部分准零刚度隔振器采用正负刚度元件组成，具有结构复杂，调试困难，体积和重量大等缺点，而由单一元件实现准零刚度特性的隔振器虽然结构上紧凑简洁但是在设计过程中因为高维设计空间、以及结构-功能非唯一对应关系导致建模过程复合和计算成本巨大。
技术实现思路
1、有鉴于此，本发明提出了一种基于深度学习的准零刚度低频隔振结构逆向设计方法，该方法大大降低了计算成本，所设计的隔振器结构简单紧凑。
2、实现本发明的技术方案如下：
3、一种基于深度学习的准零刚度低频隔振结构逆向设计方法，具体过程为：
4、步骤一，获取曲梁形状及其对应的力位移响应，建立曲梁形状与对应力位移响应的数据库；
5、步骤二，构建神经网络，利用所述数据库进行神经网络训练；
6、步骤三，生成初始曲梁模型作为初始种群，利用所述深度神经网络预测其性能参数，利用适应度函数评估种群个体的优劣程度，当不满足准零刚度要求时，利用遗传算法更新种群，不断迭代直至满足终止条件；
7、步骤四，将多个满足条件的曲梁结构串并联构成准零刚度低频隔振结构。
8、进一步地，本发明所述利用非均匀有理b样条曲线，采用控制点和权重来描述曲梁的形状。
9、进一步地，本发明所述适应度函数为最小化目标点与神经网络预测的力位移曲线之间的残差。
10、进一步地，本发明所述适应度函数fobj为：
11、
12、其中，λ是惩罚因子，fi是位移di对应的支反力，ti为目标力，
13、ti＝ktar·(di-dc)+fc
14、其中，fc代表位移区间的中央位移dc对应的中央载荷，ktar代表目标刚度。
15、进一步地，本发明所述更新优化控制点的位置(xi，yi)和权重wj，表达式为：
16、find xi,yi,wj,i＝2,···,n-1,j＝1,···,n
17、
18、其中，xi和yi代表控制点pi的横纵坐标,l和h代表矩形设计空间的范围，num(i)代表非均匀有理b样条曲线自交点数量,ρmin(c)代表非均匀有理b样条曲线最小曲率半径，t为面内厚度。
19、进一步地，本发明所述将所述曲梁的两端简化为固定约束和简支约束，在简直约束端施加垂直向下的位移，通过有限方法计算变形下的曲梁的力位移响应。
20、进一步地，本发明所述深度神经网络由输入层、输出层及若干隐藏层组成，所述输入层包含若干节点，对应作为变量的控制点的坐标和权重，所述输出层包含若干节点，对应力位移曲线上若干个等间隔位移点的支反力的值。
21、进一步地，本发明所述输入层采用z-score标准化方法将数据归一化，使用rectified-linear unit(relu)作为激活函数，使用adam优化器，损失函数为mean-squared-error(mse)
22、进一步地，本发明所述使用自动超参数优化框架optuna优化隐藏层的层数和每一层神经元个数。
23、进一步地，本发明所述隐藏层中每一层的全连接层和激活函数之间加入批量归一化层。
24、有益效果
25、第一，本发明使用单一元件曲梁实现准零刚度，相较于传统准零刚度隔振器正负刚度元件组合的方式结构更简单紧凑，体积小重量轻。
26、第二，借助深度学习技术，在遗产算法反复迭代过程中，利用神经网络模型快速预测力位移响应代替有限元计算，避免了复杂的建模过程和节约大量计算成本。
1.一种基于深度学习的准零刚度低频隔振结构逆向设计方法，其特征在于，具体过程为：
2.根据权利要求1所述基于深度学习的准零刚度低频隔振结构逆向设计方法，其特征在于，利用非均匀有理b样条曲线，采用控制点和权重来描述曲梁的形状。
3.根据权利要求1所述基于深度学习的准零刚度低频隔振结构逆向设计方法，其特征在于，所述适应度函数为最小化目标点与神经网络预测的力位移曲线之间的残差。
4.根据权利要求3所述基于深度学习的准零刚度低频隔振结构逆向设计方法，其特征在于，所述适应度函数fobj为：
5.根据权利要求2所述基于深度学习的准零刚度低频隔振结构逆向设计方法，其特征在于，更新优化控制点的位置(xi，yi)和权重wj，表达式为：
6.根据权利要求1所述基于深度学习的准零刚度低频隔振结构逆向设计方法，其特征在于，将所述曲梁的两端简化为固定约束和简支约束，在简直约束端施加垂直向下的位移，通过有限方法计算变形下的曲梁的力位移响应。
7.根据权利要求1所述基于深度学习的准零刚度低频隔振结构逆向设计方法，其特征在于，所述深度神经网络由输入层、输出层及若干隐藏层组成，所述输入层包含若干节点，对应作为变量的控制点的坐标和权重，所述输出层包含若干节点，对应力位移曲线上若干个等间隔位移点的支反力的值。
8.根据权利要求7所述基于深度学习的准零刚度低频隔振结构逆向设计方法，其特征在于，所述输入层采用z-score标准化方法将数据归一化，使用rectified-linear unit作为激活函数，使用adam优化器，损失函数为mean-squared-error。
9.根据权利要求7所述基于深度学习的准零刚度低频隔振结构逆向设计方法，其特征在于，所述使用自动超参数优化框架optuna优化隐藏层的层数和每一层神经元个数。
10.根据权利要求9所述基于深度学习的准零刚度低频隔振结构逆向设计方法，其特征在于，所述隐藏层中每一层的全连接层和激活函数之间加入批量归一化层。
