基于SIMP算法的轻量化结构拓扑优化MATLAB实现与收敛性分析

COMSOL与MATLAB联合仿真:MBB梁拓扑优化流程图与代码实现 拓扑优化作为结构设计领域的关键技术,通过SIMP方法将材料分布问题转化为数学优化问题。其核心原理是在给定约束下寻找最优材料布局,利用有限元分析计算结构响应,通过灵敏度分析指导设计变量更新。这种技术在工程实践中具有重要价值,能够显著提升结构性能并减少材料用量。在COMSOL与MATLAB的联合仿真环境中,COMSOL负责有限元计算和物理场建模,MATLAB则实现优化算法和流程控制。针对MBB梁这一经典基准模型,通过清晰的流程图可以系统化地组织拓扑优化过程,有效解决传统方法中存在的流程黑箱化和自动化程度不足等问 阅读详情

1. SIMP算法与轻量化设计入门指南

第一次接触结构拓扑优化时,我被那些充满艺术感的镂空设计深深吸引——这些既坚固又轻盈的结构,就像是用数学雕刻出来的艺术品。SIMP算法正是实现这种"数学雕刻"的利器,它能让材料在需要的地方聚集,在冗余的地方消失。想象一下,这就像是在玩一个智能版的"俄罗斯方块"游戏,只不过我们的目标是让结构在满足强度要求的前提下,用最少的材料完成使命。

在实际工程项目中,我经常遇到这样的场景:客户拿着一个5公斤的金属支架问"能不能减到3公斤但保持原有刚度?"这时候SIMP算法就派上用场了。它通过密度场概念,将每个微小单元的材料存在与否转化为0-1之间的连续变量,再配合惩罚因子迫使结果趋向清晰的实体-空洞分布。这种方法的妙处在于,它不需要预先设定结构的形状,完全由算法自主发现最优的材料分布模式。

MATLAB环境为SIMP实现提供了理想平台。记得我第一次用MATLAB实现SIMP时,只用了不到200行代码就完成了从有限元分析到拓扑优化的完整流程。相比商业软件动辄上万的授权费,这种自主实现的方案不仅成本低,还能根据具体需求灵活调整算法参数。对于中小型设计任务,这种轻量级解决方案特别实用。

2. MATLAB实现框架搭建

2.1 设计域初始化

搭建SIMP优化框架的第一步是定义设计域。我习惯用矩形网格划分设计空间,这样便于后续有限元分析。比如处理一个200mm×100mm的支架设计,可以这样初始化:

nx = 100; ny = 50;  % 网格数量
lx = 200e-3; ly = 100e-3;  % 物理尺寸(m)
[xx,yy] = meshgrid(linspace(0,lx,nx), linspace(0,ly,ny));
rho = ones(ny,nx)*0.5;  % 初始密度场

这里有个实用技巧:初始密度不要设成全1,0.4-0.6之间的值更容易获得稳定收敛。我曾做过对比实验,发现初始密度为0.5时,收敛速度比全1初始化快约15%。

2.2 载荷与约束设置

边界条件的

SolidWorks_仿真分析19_拓扑优化与设计洞察 拓扑优化(Topology Optimization)是一种在给定设计域、载荷与约束条件下,通过数学算法自动寻找最优材料分布的先进设计方法。它不同于传统的尺寸优化或形状优化,它允许结构在拓扑层面发生根本性变化——即材料的有无、空洞的诞生与消失。本文将系统性地介绍拓扑优化的核心原理、经典SIMP算法、完整代码实现、工程应用案例以及设计洞察,帮助读者从理论到实践全面掌握这一颠覆性的设计工具。 阅读详情

相关推荐

【信息科学与工程学】【物理/化学和工程技术】第一百五十五篇 结构力学中的计算方法01

编号类型领域子领域问题问题的数学分析算法/方程式逐步推理思考的数学表达式及参数列表参数的数值范围及常数及变量及因变量关联知识1力学计算工程力学结构力学用力法分析超静定刚架在多种作用(荷载、支座移动、温度变化、制造误差)下的内力和位移力法是求解超静定结构的基本方法之一。其理论基础是:超静定结构的多余约束导致内力无法仅由静力平衡方程确定,必须补充变形协调条件。力法通过将超静定结构转化为静定的基本结构(去掉多余约束,代以多余未知力),利用基本结构在多余约束处沿多余未知力方向的位移与原结构实际位移相等的条件,建立一

weixin_49199313的博客 95

【信息科学与工程】【物理/化学科学和工程技术】知识体系01 力学基础2 力学模型01

机器人控制的力学模型

weixin_49199313的博客 1259

【信息科学与工程学】【制造工程】第三十六篇 机械工程与自动化101

本系统通过多模型集成、知识增强、主动学习和持续优化等关键技术,实现了高效、高质量的自动化文本语料标注。系统采用模块化设计,支持灵活扩展,能够处理不同类型的文本数据,适应多样的标注需求。

weixin_49199313的博客 988

【信息科学与工程】【物理/化学科学和工程技术】 第一百二十二篇 汽车振动学01

编号类型领域问题问题的数学分析及数值分析 (Step推导链)参数列表及边界范围及数值及各类常数1理论分析 + 数值计算车辆动力学(垂向振动)单自由度弹簧-质量-阻尼系统在简谐路面激励下的稳态响应Step 1: 建立运动方程​ mx¨+cx˙+kx=F0​cos(ωt) Step 2: 化为标准形式​ x¨+2ζωn​x˙+ωn2​x=mF0​​cos(ωt) 其中 ωn​=k/m​, ζ=c/(2km​) Step 3: 假设稳态解​ x(t)=Xcos(ωt−ϕ)

weixin_49199313的博客 71

拓扑优化Matlab实例详解:基于SIMP的轻量化设计从入门到避坑

结构优化是工程设计中的核心需求,目标是在满足性能约束的前提下实现材料最省、刚度最大。拓扑优化作为一种主流的结构优化方法,通过在设计域内智能分配材料,能够生成非直觉的高效传力路径。在Matlab环境下,SIMP(固体各向同性材料惩罚)方法凭借其连续变量模型和清晰的灵敏度推导,成为实现拓扑优化的首选算法。配合优化准则法(OC)更新与灵敏度滤波技术,可以高效求解以最小柔度为目标、体积分数为约束的经典问题。该技术广泛应用于航空航天、汽车轻量化及机械部件设计领域。例如,对悬臂梁或MBB梁进行轻量化模拟,以减重30%为

weixin_33326218的博客 292

TOP3D拓扑优化系统:MATLAB密度法实现与工程验证

拓扑优化是结构轻量化设计的核心技术,其本质是通过材料分布重构提升刚度-重量比。基于SIMP(固体各向同性惩罚)方法的密度法,利用惩罚因子控制中间密度单元的物理合理性,并结合OC(最优准则)迭代实现高效收敛。该技术无需商业求解器依赖,具备强可解释性与调试能力,广泛应用于航空航天、机械结构等领域的概念设计与验证阶段。TOP3D作为典型开源实现,完整覆盖建模、分析、更新、过滤与可视化链路,支持MATLAB原生矩阵运算与PDE工具箱后处理,是理解拓扑优化原理与开展轻量化工程实践的关键入口。

weixin_33423874的博客 217

topMMA:用移动渐近线法突破SIMP多约束拓扑优化

拓扑优化是结构设计领域的重要工具,通过在给定设计域内合理分布材料来提升结构性能。工程中常用SIMP(固体各向同性材料惩罚)模型配合OC(优化准则)法求解单目标单约束问题,但面对体积、位移、应力等多约束工况时,OC法需反复推导更新公式且易陷入启发式泥潭。MMA(移动渐近线法)通过在每个迭代点构造凸子问题,统一处理目标与多约束梯度,使约束扩展只需增加输入数组而无需修改核心更新逻辑,已成为SIMP流程中替代OC法的关键技术。本文围绕topMMA开源项目,讲解MMA的基本原理、渐近线与移动限的调参规律、最小Pyth

weixin_29056865的博客 287

MATLAB拓扑优化实战包:SIMP/BESO/LSM六算法+3D均匀化全流程代码

直接可用的MATLAB拓扑优化工具集,集成SIMP、BESO、LSM、ESO、ICM、HM六种主流算法,支持柔度最小化、固有频率提升、应力约束、疲劳寿命评估、解耦设计、流体通道布局、电磁响应建模、压电耦合分析、多材料分布、多尺度建模、跨尺度映射及多目标协同等12类工程优化任务。含完整3D均匀化功能链:CreateUnitCellDataBase构建晶胞数据库,homo3D执行三维等效弹性张量计算,GenerateVoxel生成体素化几何模型,display_3D和unit_cell_visualizatio

zzz56的博客 265

各向异性网格自适应与拓扑优化:trullekrul在MATLAB中的工程实践

拓扑优化作为结构轻量化设计的关键方法,核心是在给定材料用量约束下寻找最优材料分布。传统固定均匀网格常陷入精度与效率的两难:粗网格结果模糊,细网格计算昂贵。自适应网格技术通过动态调整单元尺寸与方向,为解决这一矛盾提供了新思路。基于误差指示器构造度量张量,各向异性网格能够在应力梯度剧烈区域局部加密,在平缓区域保持粗网格,从而以更少单元捕捉清晰结构边界。结合SIMP材料插值模型与有限元求解,该方法在优化迭代中动态重构网格,显著提升计算效率与边界锐度,适用于悬臂梁、支架等典型构件的轻量化设计。本文以开源项目trul

weixin_29611239的博客 222

99行拓扑优化代码解析:OC与MMA算法教学骨架与敏度实现原理

拓扑优化是结构轻量化设计的核心数值方法,其本质是在给定载荷与约束下,通过单元密度分布迭代求解最优材料布局。关键技术瓶颈在于刚度矩阵组装的数值稳定性、柔度目标函数对密度的解析敏度计算,以及OC(优化准则法)与MMA(移动渐近线法)两类更新策略的收敛特性差异。本文聚焦SIMP插值模型下的可微分建模实践,详解如何手动推导并实现ρ^p刚度缩放、精确位移求解与-∂C/∂ρe梯度公式,避免自动微分黑箱;同时阐明OC的平方根更新律与MMA中移动渐近线对信任域的动态调控机制。适用于高校教学、算法验证与工程原型开发。

weixin_29238147的博客 241

chrome-win64-159.0.8145.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome 159.0.8145.0 win64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Windows 64 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

J1939协议实用指南与J1939数据记录方案

“没错,这是一份SAE J1939简单、实用指南。”—虹科 **开篇:**在这篇介绍中,我们介绍了J1939协议的基本知识,其中包括PGN和SPN。因为这是一篇偏向应用的简介,所以您还将会学习到如何通过DBC文件解码J1939数据、如何记录J1939、典型的应用案例和实用技巧。下面,来了解下这份简单易懂的J1939介绍吧~ 什么是J1939? 简而言之,SAE J1939其实是一套标准,重型车辆ECU间就是按照这套标准在CAN总线上进行通信的。当今大多数车辆都通过CAN(Controller Area Ne

1万+

手把手教你搭建一个属于自己的网站-适合零基础小白,文末附网站模板

手把手教你搭建一个属于自己的网站-适合零基础小白写在前面搭建需求功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 写在前面 前段时间休息想着搭一个属于自己的网站,几经尝试终于成功了,网上其实有很多教程,但很多,希望这篇文章能够帮助到

qq_46788925的博客 1万+

西电计组实验一 存储器实验

计组实验报告 实验一 存储器实验——FPGA中LPM_ROM定制与读出实验 一.实验目的   1.掌握FPGA中lpm_ROM的设置,作为只读存储器ROM的工作特性和配置方法;   2.用文本编辑器编辑mif文件配置ROM,学习将程序代码以mif格式文件加载于lpm_ROM中;   3.在初始化存储器编辑窗口编辑mif文件配置ROM;   4.验证FPGA中mega_lpm_ROM的功能。 二.实验原理   ALTERA的FPGA中有许多可调用的LPM (Library Parameterized Modu

Polaris的博客 1万+

西门子PLC1200与CB1241模块的Modbus RTU从站配置全流程(附串口调试技巧)

本文详细介绍了西门子S7-1200 PLC与CB1241通信模块实现Modbus RTU从站配置的全流程,包括硬件接线规范、TIA Portal工程组态、通信指令编程及串口调试技巧。通过实战案例和常见错误处理方案,帮助工程师快速搭建稳定的工业通信系统,提升自动化设备的互联互通能力。

weixin_29165725的博客 333

MobaXterm破解14个会话限制的保姆级教程(附Python环境配置指南)

本文提供了MobaXterm破解14个会话限制的详细教程,并深入讲解了如何配置稳定的Python环境以支持相关脚本运行。通过理解软件授权机制、安全实践步骤以及许可文件的应用,帮助用户解除会话数量限制,实现高效的远程服务器管理与自动化运维。

weixin_29211309的博客 1708

keil自动分配SDRAM空间设置使用

1.修改.sct文件。

qizhi321123的博客 1404

【LLC快速上手系列】如何在LLC谐振里优雅地调死区时间?

用示波器死盯Vds波形,找到ZVS临界点;别听“经验值”,亲自调才准;死区时间并非越短越好,也不是越长越稳,而是要“刚刚好”;用热成像看MOSFET温升变化,ZVS调好了,温度马上掉2~5℃;轻载难ZVS?适当提升频率 or 降低Lr可破!

weixin_43199439的博客 503

通过理解 sk_buff 深入掌握 Linux 内核自定义协议族的开发实现

在。

数字人生 460

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

上一篇: SGLang HiCache实战:手把手教你配置KV Cache Offload,让大模型推理成本直降84%
下一篇: 告别固定词表!用YOLO-World+S/M/L模型,5分钟搭建你的开放词汇检测Demo
里小咸
博客等级 码龄10年 54粉丝 1万+原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址