本发明属于复合车厢刚强度，具体为一种基于机器学习的复合车厢刚强度分析方法。
背景技术：
1、轻量化车厢主要由金属框架和玄武岩纤维复合材料层合板两部分组成，由于纤维板的特殊性，无法像传统金属那样进行焊接、钻孔等连接方式，故在设计时采用与金属框架结合形式，采用类似插销结构，将车厢面板拆分成多块组装的形式，插入在金属框架中，在框架与面板之间铺放合适的橡胶材料以适应所需的弹性和减震要求，同时确保连接牢固和持久，减少振动。通过橡胶的弹性和柔软性，实现减震和填补表面不平，确保连接牢固。然后用螺栓拧紧，顶住面板上的橡胶垫，起到固定的作用，最后在再采用专门设计的复合材料粘合剂灌胶固定加强，确保板材在框架中的稳定。
2、玄武岩纤维复合层合板为多种材料混杂复合的抗冲击高强度层压结构，依次包括抗冲击涂层、高强度金属板、应力分散层、连续纤维增强树脂复合材料层压外壁板。且为进一步减轻装载货物时对复合材料板材的冲击作用，在钢板与复合材料接触面采用了橡胶类弹性体或微孔泡沫金属组成的抗冲击缓冲层，分散货物冲击载荷，避免层合板受到较大冲击造成损伤。复合材料层合板通过模压成型或热压罐工艺整体成型，通过与车厢金属框架装配后形成车厢厢体。在保证车厢轻量化的同时能满足载重车厢高承重，高强度的要求，模块化设计还可提高装配效率及加工生产效率。除此之外，对受损伤的车厢板可独立更换，车厢体维护成本低，可维护性强。对于设计出的新型复合材料的车厢结构是否具有可行性，需要对轻量化车厢进行刚强度分析。
3、但是常见的分析方法多采用加工制作，实验验证分析的方式，存在较大误差的同时，且经济成本较高，也增加了相关工作人员的劳动负担。通过有限元分析的相关数据，训练机器学习模型，可以快速预测不同设计参数下的车厢刚度，从而加速设计迭代过程，减少对物理样机测试的依赖。机器学习模型可以帮助工程师更好地理解设计参数与刚度之间的关系，从而优化材料的使用，减少材料浪费，降低成本。机器学习模型能够从历史数据中学习到复杂的非线性关系，从而提供更准确的刚度预测，帮助工程师做出更可靠的设计决策。有限元分析计算成本高昂，而机器学习模型可以在不需要进行完整有限元分析的情况下提供预测结果，从而节约计算资源。通过机器学习模型预测的车厢刚度，可以更准确地评估车厢在实际使用中的性能，从而提高设计的可靠性，确保结构安全。
技术实现思路
1、有鉴于此，本发明提供一种基于机器学习的复合车厢刚强度分析方法，该方法通过获取复合车厢在不同工况下的特征参数，对神经网络进行训练，利用训练的神经网络能够快速、准确获取复合车厢刚强度信息。
2、实现本发明的技术方案如下：
3、一种基于机器学习的复合车厢刚强度分析方法，该方法包括：训练样本数据获取、神经网络训练及车厢刚强度分析三部分；
4、训练样本数据获取：将复合车厢整体模型导入有限元分析软件中，分别针对静态工况、动态工况及货物冲击工况，计算不同工况对应的施加载荷，获取不同工况下车厢结构的应力分布情况；采集复合车厢特征参数，并结合所述应力分布情况构成用于训练的样本数据；
5、神经网络训练：设计多感知机结构神经网络，包括输入层、隐藏层和输出层，所述隐藏层中的神经元使用relu作为激活函数，所述输出层输出为预测刚度值；利用所述训练样本数据对神经网络进行训练；
6、车厢刚强度分析：采集待分析复合车厢的特征并输入神经网络中，神经网络输出复合车厢刚度值。
7、进一步地，本发明所述特征参数包括车厢的材料属性、几何参数以及载荷条件，所述材料属性包括弹性模量和泊松比，所述几何参数包括板厚和加强筋尺寸，所述载荷条件包括作用力的大小和方向。
8、进一步地，本发明所述动态工况包括满载启动加速工况、满载转弯变向工况、满载刹车制动工况、满载转弯制动工况。
9、进一步地，本发明所述静止工况下，货物对底板的作用力为净水压力：
10、p1＝ρgh
11、其中，ρ为水密度，g为重力加速度，h为高度值；
12、货物对前、后、侧板的压力为：
13、
14、其中，为矿石的内摩擦角。
15、进一步地，本发明所述满载启动加速工况计算对应的施加载荷的过程中以加速度a1＝3m/s2代替车厢及货物由于启动加速惯性力产生的作用。
16、进一步地，本发明所述满载转弯变向工况计算对应的施加载荷的过程中以侧向加速度a2＝2.94m/s2代替车厢及货物由于转弯变向惯性力产生的作用；垂直加速度a3＝19.6m/s2。
17、进一步地，本发明所述满载刹车制动工况计算对应的施加载荷的过程中以制动加速度a4＝5m/s2代替车厢及货物由于启动加速惯性力产生的作用；垂直加速度a5＝11.76m/s2。
18、进一步地，本发明所述满载转弯制动工况计算对应的施加载荷的过程中载重汽车在实际道路行驶中可能出现的急刹转向的情况，以计算三个方向的加速度，取侧向加速度为a2＝2.94m/s2，取行驶方向制动加速度为a4＝5m/s2，取垂直加速度为a3＝19.6m/s2。
19、进一步地，本发明所述冲击工况计算对应的施加载荷的过程中矿石的冲击载荷主要由矿石与车厢碰撞时的速度决定，该速度v按自由落体运动产生的速度进行计算：
20、
21、其中，g为重力加速度，hmax为车厢侧面的最大高度再加上500mm。
22、进一步地，本发明所述神经网络的优化算法为：自适应矩估计；神经网络的学习率为：为0.001；获得的训练样本数据集被划分为训练集70％、验证集15％和测试集15％。
23、有益效果：
24、第一，本发明分别进行静态工况、动态工况及货物冲击工况的设置，动态工况还设置了满载启动加速工况、满载转弯变向工况、满载刹车制动工况、满载转弯制动工况四种，能够充分模拟复合车厢运行的情况，同时通过对不同工况设置了对应的施加载荷，然后利用有限元分析软件的加载求解功能进行分析，全面、高精度的获取用于训练神经网络的样本数据。
25、第二，本发明中通过机器学习模型，可以快速预测不同设计参数下的车厢刚度，从而加速设计迭代过程，减少对物理样机测试的依赖。
1.一种基于机器学习的复合车厢刚强度分析方法，其特征在于，该方法包括：训练样本数据获取、神经网络训练及车厢刚强度分析三部分；
2.根据权利要求1所述基于机器学习的复合车厢刚强度分析方法，其特征在于，所述特征参数包括车厢的材料属性、几何参数以及载荷条件，所述材料属性包括弹性模量和泊松比，所述几何参数包括板厚和加强筋尺寸，所述载荷条件包括作用力的大小和方向。
3.根据权利要求1所述基于机器学习的复合车厢刚强度分析方法，其特征在于，所述动态工况包括满载启动加速工况、满载转弯变向工况、满载刹车制动工况、满载转弯制动工况。
4.根据权利要求3所述基于机器学习的复合车厢刚强度分析方法，其特征在于，所述静止工况下，货物对底板的作用力为净水压力：
5.根据权利要求3所述基于机器学习的复合车厢刚强度分析方法，其特征在于，所述满载启动加速工况计算对应的施加载荷的过程中以加速度a1＝3m/s2代替车厢及货物由于启动加速惯性力产生的作用。
6.根据权利要求3所述基于机器学习的复合车厢刚强度分析方法，其特征在于，所述满载转弯变向工况计算对应的施加载荷的过程中以侧向加速度a2＝2.94m/s2代替车厢及货物由于转弯变向惯性力产生的作用；垂直加速度a3＝19.6m/s2。
7.根据权利要求3所述基于机器学习的复合车厢刚强度分析方法，其特征在于，所述满载刹车制动工况计算对应的施加载荷的过程中以制动加速度a4＝5m/s2代替车厢及货物由于启动加速惯性力产生的作用；垂直加速度a5＝11.76m/s2。
8.根据权利要求3所述基于机器学习的复合车厢刚强度分析方法，其特征在于，所述满载转弯制动工况计算对应的施加载荷的过程中载重汽车在实际道路行驶中可能出现的急刹转向的情况，以计算三个方向的加速度，取侧向加速度为a2＝2.94m/s2，取行驶方向制动加速度为a4＝5m/s2，取垂直加速度为a3＝19.6m/s2。
9.根据权利要求1所述基于机器学习的复合车厢刚强度分析方法，其特征在于，所述冲击工况计算对应的施加载荷的过程中矿石的冲击载荷主要由矿石与车厢碰撞时的速度决定，该速度v按自由落体运动产生的速度进行计算：
10.根据权利要求1所述基于机器学习的复合车厢刚强度分析方法，其特征在于，所述神经网络的优化算法为：自适应矩估计；神经网络的学习率为：为0.001；获得的训练样本数据集被划分为训练集70％、验证集15％和测试集15％。
