CN108256271B - 一种led灯具的轻量化设计方法 - Google Patents

一种led灯具的轻量化设计方法 Download PDF

Info

Publication number
CN108256271B
CN108256271B CN201810166189.XA CN201810166189A CN108256271B CN 108256271 B CN108256271 B CN 108256271B CN 201810166189 A CN201810166189 A CN 201810166189A CN 108256271 B CN108256271 B CN 108256271B
Authority
CN
China
Prior art keywords
design
led lamp
performance
regression model
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810166189.XA
Other languages
English (en)
Other versions
CN108256271A (zh
Inventor
刘丽兰
戚梦佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201810166189.XA priority Critical patent/CN108256271B/zh
Publication of CN108256271A publication Critical patent/CN108256271A/zh
Application granted granted Critical
Publication of CN108256271B publication Critical patent/CN108256271B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Non-Portable Lighting Devices Or Systems Thereof (AREA)

Abstract

本发明涉及一种LED灯具的轻量化设计方法。该方法根据确定的优化目标确定设计变量，生成多组设计方案，根据设计方案建立3D模型，并得到优化目标对应参数值。根据优化目标参数值将设计方案分为等长度的几部分，分别使用SVR方法训练回归函数，提高了回归函数的拟合精度。然后结合得到的回归函数建立轻量化设计的多目标优化数学模型，使用NSGAII算法对数学模型进行运算求解，得到一系列符合设计要求的设计方案。这种设计方法所建立的性能‑尺寸模型使用于结构相似的LED灯具模型，设计方法使用于各类使用LED灯具，有助于避免LED灯具材料的浪费，缩短设计周期，提高设计效率，减少LED灯具生产、制造、测试过程中的成本。

Description

一种LED灯具的轻量化设计方法
技术领域
本发明涉及一种LED灯具的优化设计方法，特别涉及一种LED灯具的轻量化设计方法。
背景技术
由于LED光源绿色节能的特点，受到各国的大力推广，随着LED灯具使用范围使用数量的增加，针对LED灯具的设计研究也逐渐受到重视。目前LED灯具的结构设计重点在性能的优化，即通过散热结构尺寸的修改达到降低LED芯片结温的目的，在优化结温的同时，连带降低LED灯具的质量，并没有特别针对质量的优化方法。在实际生产过程中，常见的LED灯具设计是依靠设计人员的经验选择尺寸参数，通过增加LED灯具散热器的尺寸余量来确保芯片结温在可接受的范围之内；关于LED灯具的优化设计研究中，通常是固定大部分设计参数不变，改变少数几个设计参数的值，得到几组不同的LED灯具散热器尺寸，通过热模拟的方法得到几组尺寸对应的LED芯片结温，从中选择结温最低的一组设计参数作为LED灯具优化后结果。两种方法都存在缺点。第一种方案应用的更广泛，但结构设计缺乏科学依据，且没有对散热器材料做到有效利用，散热结构的优劣直接取决于设计人员经验。第二种设计方案可以提升散热器对材料的利用率，但优化周期长，且优化结果与设定的设计参数值和选择设计参数有直接关系，待优化的散热器设计参数选择缺乏科学依据，优化结果充满不确定性。因此，很有必要提出一种考虑全面且快速有效的LED灯具轻量化设计方法。
发明内容
本发明的目的在于解决目前LED灯具设计方法中的不足，提供一种LED灯具的轻量化设计方法，适用于LED灯具散热器的优化设计和LED灯具性能-尺寸的建模，通过所建模型根据设计要求完成考虑LED灯具质量和其他性能优化的多目标优化问题，缩短设计周期，提高设计效率，降低LED灯具生产制造测试环节的成本。
为达到上述目的，本发明采用下述技术方案：
一种LED灯具的轻量化设计方法，其特征在于，包括以下步骤：
(1)确定LED灯具的设计优化目标；
(2)提取待优化散热器的尺寸参数作为设计变量x＝[x1,x2,x3,…,xn]T,n＝1,2,3,…,n，其中n为设计变量数量，确定设计变量的取值范围；
(3)在设计变量取值范围内随机生成一定数量的设计变量取值，即生成了一定数量的设计方案；
(4)按得到的设计方案进行3D建模，使用对应软件进行仿真分析，得到各设计方案对应的LED灯具性能参数值；
(5)将所得的LED灯具性能按一定跨度分成几组性能参数值等长度的设计方案组，并对数据做归一化处理；
(6)将归一化后数据根据分类情况使用SVR方法建立回归模型，其回归模型为：
f(x)＝ωTx+b
其中，f(x)为函数预测值，x为设计变量，ω和b为模型参数；
(7)对回归模型进行拟合精度评价，评价函数为：
Figure GDA0003296083810000021
若回归函数精度不符合要求，则返回步骤(6)重新选择方法，或返回步骤(3)增加训练样本数量；
(8)对回归模型做灵敏度分析，分析设计变量对LED灯具性能的影响程度，设计变量x的灵敏度为：
Figure GDA0003296083810000022
如果设计变量过多时，返回步骤(5)，通过减少灵敏度低的设计变量来减少程序的运算量，提高运行效率；
(9)以LED灯具质量最小和灯具其他性能最优为目标建立多目标优化的轻量化设计数学模型：
Figure GDA0003296083810000023
式中，V(X)为LED灯具的体积函数，H(X)为LED灯具的性能-尺寸关系函数，R(X)为其他功能指标的约束，Gu(X)为LED灯具的结构尺寸函数，GL、GU分别为LED灯具结构尺寸的下限和上限，R0为LED灯具给定的性能参数或功能指标值；
(10)使用NSGAII算法对轻量化设计数学模型进行优化；
(11)根据设计要求在一系列优化结果中选择需要数值，根据实际情况对设计变量数值进行圆整，得到的设计参数值即为优化后LED灯具的设计方案。
步骤(1)中，选择的优化目标除LED灯具质量外，也可以LED灯具性能为考虑目标选择LED灯具结温，也可以LED灯具强度为考虑目标选择LED灯具所受应力和变形等作为优化目标，同样也可以LED灯具零件加工过程为考虑目标选择加工过程所受的力变形等作为优化目标。
步骤(2)中选择的设计变量的取值范围，不仅包括每个设计变量单独的取值范围，也包括灯具装配时由干涉带来的组合尺寸约束。
步骤(3)需要产生均匀分布设计空间的一定数量的设计方案，设计方案应大于40组，避免因数据少而导致过拟合情况。
步骤(4)中，使用模拟值代替真实测量值是考虑到LED灯具属于设计优化阶段，首先不能确保随机得到设计方案是否方便生产加工，其次在该阶段针对不同尺寸设计方案生产制造实物极大增加了设计成本，不符合实际情况，最后生产周期也会导致LED灯具设计周期的延长，因此使用模拟值替代真实测量值是完全合理的。
步骤(5)中对设计方案按照等跨度的性能参数值进行划分是为了提高模型的拟合精度，一个数学模型的模型边缘的拟合误差会很高，为了避免这个问题而采用了分段拟合的方法。如所建模型为其他LED灯具性能指标，则根据实际情况对数据进行划分。
步骤(6)中，SVR方法使用的是不敏感损失函数ε-SVR，核函数选择的是径向基核函数并使用交叉验证法对SVR参数进行优化，实际操作中也可根据需要选择相应的核函数，SVR方法和参数优化方法。
最终设计变量的选择需考虑步骤(8)的灵敏度分析，如果不能确定影响LED灯具性能的关键设计参数，则首先将存疑设计参数全部作为设计变量拟合回归模型，通过对回归模型的灵敏度分析，明确对LED灯具性能影响较大的设计参数，将其作为设计变量，重新训练回归模型，如果出现设计变量过多，影响后续运算速度的情况，则根据灵敏度分析结果舍去部分设计变量，重新训练回归模型。
步骤(9)中对尺寸范围的约束，还需考虑到整体装配是否会产生干涉。
步骤(10)中，选择模拟二进制交叉和多项式变异操作，迭代次数选择1000。
步骤(11)中，选择合适设计方案时，如以轻量化为首要目标，则在性能优于优化前设计方案的情况下选择质量最小的设计方案，如以两者最优为优化目标，则选择Pareto前沿距原点最近的点的设计方案。
与现有技术相比，本发明具有以下实质性特点和优点：
1)使用SVR方法对数据进行分段建模可以提高模型的拟合精度，且相较于响应面法等方法而言更加方面简洁，降低运算量。
2)增加了训练回归模型的训练数据，避免出现因数据量过少而出现的过拟合情况，提高回归模型的拟合精度。
3)由于确定设计变量时考虑了大部分的设计参数，因此回归模型适用于相似结构的LED灯具结构，缩短了设计周期，节省了设计成本。
4)最终优化得到结果为多组设计方案，可根据设计要求快速确定设计方案，提高了设计效率。
附图说明
图1是LED灯具的轻量化设计方法的流程图。
图2为优化前LED路灯结构模型图。
图3a-3b分别为优化前LED灯具散热器结构和散热器结构正视图。
图4a-4b分别为优化后LED灯具散热器结构和散热器结构正视图。
具体实施方式
下面，结合具体实施例对本发明的实质性特点和优势作进一步的说明，且本发明并不局限于所列的实施例。
如图1所示，一种LED灯具的轻量化设计方法，包括以下步骤：
(1)确定LED灯具的设计优化目标。
如图2所示的功率为150W的LED路灯为例，选择图3a-3b所示的LED路灯散热器为优化设计对象，优化目标现在为LED路灯散热器质量和LED路灯结温，优化前散热器质量为2.16kg，芯片结温为64.83℃。
(2)提取待优化散热器尺寸参数作为设计变量x＝[x1,x2,x3,…,xn]T,n＝1,2,3,…,n，其中n为设计变量数量，确定设计变量的取值范围。
选取散热结构的基部厚度e、槽宽度d、槽数N1、翅片顶部间隙Hwu、翅片底部间隙Hwl、翅片高度Hl、翅片顶部厚度Htu、翅片底部厚度Htl这八种设计参数作为设计变量，其取值范围如表1所示。
表1设计变量及取值范围
Figure GDA0003296083810000051
(3)在设计变量取值范围内随机生成一定数量的设计变量取值，即生成了一定数量的设计方案。
生成60组设计参数，选择50组用作模型训练，10组用作回归函数评价，其试验方案表如表2所示。
表2试验方案表
Figure GDA0003296083810000052
Figure GDA0003296083810000061
(4)按得到的设计方案进行3D建模，使用对应软件进行仿真分析，得到各设计方案对应的LED灯具性能参数值。其结果如表3所示。
表3试验结果表
Figure GDA0003296083810000062
Figure GDA0003296083810000071
(5)将所得的LED灯具性能按一定跨度分成几组性能参数值等长度的设计方案组，并对数据做归一化处理。
将结温66℃以下的分为一组，66℃以上的分为一组，对数据做归一化处理后，分别建立回归模型。
(6)将归一化后数据根据分类情况使用SVR方法建立回归模型。
结温66℃以下回归模型：
T1(X)＝[-0.643,0.433,0.393,-0.034,0.167,-1.519,-0.094,-0.355]x+65.3857
结温66℃以上回归模型：
T2(X)＝[-0.067,-0.100,0.783,-0.185,0.533,-1.663,-0.784,-0.162]x+67.4719
(7)对回归模型进行拟合精度评价。
表4回归模型f1(x)拟合情况比较表
Figure GDA0003296083810000072
表5回归模型f2(x)拟合情况比较表
Figure GDA0003296083810000073
(8)对回归模型做灵敏度分析，分析设计变量对LED灯具性能的影响程度。
本实例选择的设计变量不多，不需要舍去灵敏度小的设计变量，各相关设计变量的灵敏度信息为：
Figure GDA0003296083810000074
Figure GDA0003296083810000081
可以看出在LED路灯散热器结构设计中，对结温影响最大的设计变量是散热器翅片的高度，散热器基部厚度、翅片顶部间隙、翅片高度、翅片顶部厚度、翅片底部厚度的灵敏度为负值，即设计变量参数增加，结温降低；槽宽度和翅片底部间隙的设计参数增加，结温也随之升高。
(9)以LED灯具质量最小和灯具其他性能最优为目标建立多目标优化的轻量化设计数学模型：
min F(X)＝(V(X),T(X))
Figure GDA0003296083810000082
T1(X)＝[-0.643,0.433,0.393,-0.034,0.167,-1.519,-0.094,-0.355]x+65.3857
T2(X)＝[-0.067,-0.100,0.783,-0.185,0.533,-1.663,-0.784,-0.162]x+67.4719
s.t.G1:1.5≤e≤3.5
G2:1≤d≤3
G3:1≤N1≤3
G4:6≤Hwu≤10
G5:5≤Hwl≤9
G6:37≤Hl≤44
G7:1≤Htu≤2
G8:2≤Htl≤4
Figure GDA0003296083810000083
(10)使用NSGAII算法对轻量化设计数学模型进行优化。
(11)根据设计要求在一系列优化结果中选择需要数值，根据实际情况对设计变量数值进行圆整，得到的设计参数值即为优化后LED灯具的设计方案。
选择LED灯具质量和LED灯具结温皆较优的设计变量参数为：
[e,d,N1,Hwu,Hwl,Hl,Htu,Htl]＝[1.6957,2.831152,2.8892,8.5565,7.7160,39.3216,1.5496,2.1038]
圆整后得到设计方案，结构如图4a-4b所示，优化后散热器质量为1.90kg，比原方案降低12.04％，芯片结温为59.86℃，比原方案降低了7.67％，设计变量参数为：
[e,d,N1,Hwu,Hwl,Hl,Htu,Htl]＝[1.7,2.8,3,8.5,7.7,39,1.5,2.2]。

Claims (7)

1.一种LED灯具的轻量化设计方法，其特征在于，包括以下步骤：
(1)确定LED灯具的设计优化目标；
(2)提取待优化散热器的尺寸参数作为设计变量x＝[x1，x2，x3，…，xn]Tn＝1，2，3，…，n′为，其中n为设计变量数量，确定设计变量的取值范围；
(3)在设计变量取值范围内随机生成设计变量取值，即生成设计方案；
(4)按得到的设计方案进行3D建模，使用对应软件进行仿真分析，得到各设计方案对应的LED灯具性能参数值；
(5)将所得的LED灯具性能参数值按跨度分成几组性能参数值等长度的设计方案组，并对数据做归一化处理；
(6)将归一化后数据根据分类情况使用SVR方法建立回归模型，其回归模型为：
f(x)＝ωTx+b
其中，f(x)为函数预测值，x为设计变量，ω和b为模型参数；
(7)对回归模型进行拟合精度评价，评价函数为：
Figure FDA0003296083800000011
若回归函数精度不符合要求，则返回步骤(6)重新选择方法，或返回步骤(3)增加训练样本数量；
(8)对回归模型做灵敏度分析，分析设计变量对LED灯具性能的影响程度，设计变量x的灵敏度为：
Figure FDA0003296083800000012
如果设计变量过多时，返回步骤(5)，通过减少灵敏度低的设计变量来减少程序的运算量，提高运行效率；
(9)以LED灯具质量最小和灯具其他性能最优为目标建立多目标优化的轻量化设计数学模型：
Figure FDA0003296083800000013
式中，V(X)为LED灯具的体积函数，H(X)为LED灯具的性能-尺寸关系函数，R(X)为其他功能指标的约束，Gu(X)为LED灯具的结构尺寸函数，GL、GU分别为LED灯具结构尺寸的下限和上限，R0为LED灯具给定的性能参数或功能指标值；
(10)使用NSGAII算法对轻量化设计数学模型进行优化；
(11)根据设计要求在一系列优化结果中选择需要数值，根据实际情况对设计变量数值进行圆整，得到的设计参数值即为优化后LED灯具的设计方案。
2.根据权利要求1所述的一种LED灯具的轻量化设计方法，其特征在于，所述步骤(1)中，选择的优化目标为：LED灯具质量，LED灯具结温，LED灯具所受应力和变形，LED灯具零件加工过程的受力和变形。
3.根据权利要求1所述的一种LED灯具的轻量化设计方法，其特征在于，所述步骤(2)中选择的设计变量的取值范围，不仅包括每个设计变量单独的取值范围，也包括灯具装配时由干涉带来的组合尺寸约束。
4.根据权利要求1所述的一种LED灯具的轻量化设计方法，其特征在于，所述步骤(3)需要产生均匀分布设计空间的一定数量的设计方案，设计方案应大于40组，避免因数据少而导致过拟合情况。
5.根据权利要求1所述的一种LED灯具的轻量化设计方法，其特征在于，所述步骤(5)中，按照得到的性能参数值，把设计方案划分成几块等长度的性能参数指标，进行分段训练回归模型，由此提高LED灯具性能-尺寸参数模型的拟合精度。
6.根据权利要求1所述的一种LED灯具的轻量化设计方法，其特征在于，最终设计变量的选择需考虑步骤(8)的灵敏度分析，如果不能确定影响LED灯具性能的关键设计参数，则首先将存疑设计参数全部作为设计变量拟合回归模型，通过对回归模型的灵敏度分析，明确对LED灯具性能影响设计参数，将其作为设计变量，重新训练回归模型，如果出现设计变量过多，影响后续运算速度的情况，则根据灵敏度分析结果舍去部分设计变量，重新训练回归模型。
7.根据权利要求1所述的一种LED灯具的轻量化设计方法，其特征在于，所述步骤(11)中，选择设计方案时，当以轻量化为首要目标，则在性能优于优化前设计方案的情况下选择质量最小的设计方案，当以两者最优为优化目标，则选择Pareto前沿距原点最近的点的设计方案。
CN201810166189.XA 2018-02-28 2018-02-28 一种led灯具的轻量化设计方法 Active CN108256271B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810166189.XA CN108256271B (zh) 2018-02-28 2018-02-28 一种led灯具的轻量化设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810166189.XA CN108256271B (zh) 2018-02-28 2018-02-28 一种led灯具的轻量化设计方法

Publications (2)

Publication Number Publication Date
CN108256271A CN108256271A (zh) 2018-07-06
CN108256271B true CN108256271B (zh) 2022-02-08

Family

ID=62745466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810166189.XA Active CN108256271B (zh) 2018-02-28 2018-02-28 一种led灯具的轻量化设计方法

Country Status (1)

Country Link
CN (1) CN108256271B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111859628A (zh) * 2020-06-29 2020-10-30 珠海格力电器股份有限公司 散热肋片结构参数评估方法、装置、存储介质及计算设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799704A (zh) * 2012-05-21 2012-11-28 湖南大学 一种拼焊板车门的优化设计方法
CN103434585A (zh) * 2013-08-01 2013-12-11 上海汽车集团股份有限公司 客车车身结构减重方法
CN105320784A (zh) * 2014-07-01 2016-02-10 上汽通用五菱汽车股份有限公司 一种汽车车身区域灵敏度优化设计方法
CN106844874A (zh) * 2016-12-27 2017-06-13 苏州奥杰汽车技术股份有限公司 一种基于灵敏度与cae分析的全铝车身轻量化设计方法
CN107016170A (zh) * 2017-03-14 2017-08-04 上海大学 一种基于WebGL的LED灯具三维定制仿真方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799704A (zh) * 2012-05-21 2012-11-28 湖南大学 一种拼焊板车门的优化设计方法
CN103434585A (zh) * 2013-08-01 2013-12-11 上海汽车集团股份有限公司 客车车身结构减重方法
CN105320784A (zh) * 2014-07-01 2016-02-10 上汽通用五菱汽车股份有限公司 一种汽车车身区域灵敏度优化设计方法
CN106844874A (zh) * 2016-12-27 2017-06-13 苏州奥杰汽车技术股份有限公司 一种基于灵敏度与cae分析的全铝车身轻量化设计方法
CN107016170A (zh) * 2017-03-14 2017-08-04 上海大学 一种基于WebGL的LED灯具三维定制仿真方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LED灯具材料的多属性决策方法;戚梦佳 等;《现代制造工程》;20170218(第02期);第138-141页 *
基于SVR和NSGA-Ⅱ的钛合金铣削参数多目标优化;向国齐;《航空精密制造技术》;20161015;第36-40页 *
白车身参数化建模与多目标轻量化优化设计方法研究;季枫;《中国博士学位论文全文数据库-工程科技Ⅱ辑》;20140915(第09期);第1-115页 *

Also Published As

Publication number Publication date
CN108256271A (zh) 2018-07-06

Similar Documents

Publication Publication Date Title
CN107506865B (zh) 一种基于lssvm优化的负荷预测方法及系统
CN109977464B (zh) 一种基于bp神经网络的活塞切削加工变形量的预测方法
CN112613536B (zh) 一种基于smote和深度学习的近红外光谱柴油牌号识别方法
CN103020336B (zh) 一种等效led光源创建方法
CN111898212B (zh) 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法
CN109271427A (zh) 一种基于近邻密度和流形距离的聚类方法
CN103473392B (zh) 一种冲压零件冲压成形参数设定的方法
CN112016175A (zh) 一种基于树状层次聚类的供水管网测压点优化布置方法
CN107679660A (zh) 基于支持向量机的逐时建筑能耗预测方法
CN109754122A (zh) 一种基于随机森林特征提取的bp神经网络的数值预测方法
CN117236278B (zh) 一种基于数字孪生技术的芯片生产仿真方法及系统
CN110990784A (zh) 一种基于梯度提升回归树的烟支通风率预测方法
WO2024113835A1 (zh) 一种风扇模型的生成方法和装置
CN108256271B (zh) 一种led灯具的轻量化设计方法
CN107871034A (zh) 基于变尺度教与学算法的公差分配多目标优化设计方法
CN109711439A (zh) 一种使用Group算法加速邻居搜索的密度峰大规模游客画像数据聚类方法
CN109409604B (zh) 一种基于遗传算法-支持向量机的冷负荷预测方法
CN116796546A (zh) 基于小样本学习的高温合金增材制造工艺优化预测方法
CN114169100B (zh) 一种超大变量叶轮机械高效设计优化方法及系统及应用
CN109598023A (zh) 一种高强度车轮轮辐结构设计方法
CN111368402B (zh) 一种管材挤压工艺优化方法
CN102708241A (zh) 一种用于油藏历史拟合的快速粒子群方法
CN114077924A (zh) 考虑极端大风天气的风电功率预测大风数据增强方法
CN112365081A (zh) 一种光伏电站发电能力预测方法及装置
CN111783850A (zh) 一种基于Kd树与Canopy优化Bisecting K-means的负荷聚类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant