推进机械振动下船舶结构的神经拓扑优化

船舶结构振动会导致噪声、疲劳和设备损坏，而动态柔顺度拓扑优化在共振附近可能产生病态设计。本研究将利用卷积 Kolmogorov-Arnold 网络（KATO）的神经重参数化拓扑优化扩展至强迫振动设计，并以有功输入功率（AIP）为目标函数。应用对象包括一个 100 Hz 发动机支承甲板板件和一个 18 Hz 推进器基座框架。Helmholtz PDE 滤波和 Heaviside 投影用于控制特征尺寸与制造公差。在两类甲板结构中，8 种优化布局的 AIP 均低于尺寸优化参考布局；经过有限深度挤出后，其静态柔顺度也更低。对于无约束、考虑制造因素和考虑应力的框架变体，在匹配体积的二值化再分析中，KATO 的 AIP 与 GCMMA 的差异不超过 0.5 dB，同时静态柔顺度降低了 22–36 倍。在接近共振的 300 Hz 工况下，两种方法均使初始 AIP 降低超过 32 dB；KATO 保持了设计的连通性，使二值化静态柔顺度降低 59 倍，并将 1–500 Hz 范围内的最大 AIP 降低 2.7 dB。对于所实现的考虑应力的公式，KATO 的运行速度比 GCMMA 快 6.4–10.4 倍。结果表明，由神经网络驱动的 AIP 拓扑优化能够高效设计具备连通性和受控特征尺寸、且强迫振动性能更优的船舶结构。