CN108280305B - 基于深度学习的散热器件冷却通道快速拓扑优化设计方法 - Google Patents
基于深度学习的散热器件冷却通道快速拓扑优化设计方法 Download PDFInfo
- Publication number
- CN108280305B CN108280305B CN201810090450.2A CN201810090450A CN108280305B CN 108280305 B CN108280305 B CN 108280305B CN 201810090450 A CN201810090450 A CN 201810090450A CN 108280305 B CN108280305 B CN 108280305B
- Authority
- CN
- China
- Prior art keywords
- deep learning
- distribution map
- heat dissipation
- heat
- dissipation device
- 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
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
Abstract
基于深度学习的散热器件冷却通道快速拓扑优化设计方法，以典型散热器件为范本，采用传统各向正交惩罚材料密度方法进行完整优化迭代，输出每一迭代步高导热材料的密度分布图和密度梯度分布图作为深度学习算法的输入和训练集，构建深度训练后的深度神经网络；再对待优化的散热器件采用传统各向正交惩罚材料密度方法进行初步迭代，输出初步优化的高导热材料密度分布图和密度梯度分布图作为深度学习算法的训练起点，输入到经前步深度训练后的深度神经网络，开展学习和训练，获得并输出最终优化后的高导热材料密度分布图，并以此构建冷却通道结构的拓扑构型。本发明通过引入深度学习算法，提高了优化设计散热器件冷却通道结构拓扑构型的速度和效率。
Description
技术领域
本发明涉及一种基于深度学习的散热器件冷却通道快速拓扑优化设计方法。
背景技术
电子元器件正在加快朝着超大功率化、高度集成化、大规模化和微小型化发展，随之而来的是越来越严峻的散热、冷却问题；而传统所采用的强制对流换热方式已无法满足超大功率电子元器件的散热、冷却需求；但通过在普通导热材料制成的散热器件表面设计和布置高导热材料，构筑高效散热、冷却通道，达到对热量的高效传输，可以有效解决目前面临的散热、冷却问题。同时，高导热材料的合理设计和布置，一是可以提高导热效率，二是可以减少高导热材料的使用率，节约成本。而当前电子元器件更新换代的速度越来越快，如何快速、高效地优化设计散热器件冷却通道结构显得至关重要。
发明内容
本发明的目的在于提供一种基于深度学习的散热器件冷却通道快速拓扑优化设计方法，将深度学习引入到散热器件冷却通道结构的拓扑优化设计中，通过对传统各向正交惩罚材料密度方法(Solid Isotropic Material with Penalization，SIMP)初步优化得到的冷却通道拓扑构型进行深度学习和训练，快速获得最终的冷却通道拓扑构型，提高散热器件冷却通道结构拓扑优化设计的速度。
为达到以上目的，本发明采取的技术方案为：
一种散热器件冷却通道结构快速拓扑优化设计方法，包含以下步骤：
1)选取已知散热器件作为范本，建立数值分析模型，划分有限元网格，施加边界条件和约束条件；
2)采用各向正交惩罚材料密度方法对所选取的已知散热器件进行完整的优化分析，获得并输出优化过程中每一迭代步的高导热材料密度分布图和密度梯度分布图；
3)将步骤2)获得的每一步迭代的高导热材料密度分布图和密度梯度分布图作为深度学习算法的输入和训练集，进行深度学习和训练，获得训练后的深度神经网络；
4)建立待优化散热器件的数值分析模型，划分有限元网格，施加边界条件和约束条件；
5)采用各向正交惩罚材料密度方法对待优化散热器件进行初步优化分析，经若干迭代步后随即终止迭代，获得并输出待优化散热器件的高导热材料的密度分布图和密度梯度分布图；
6)将步骤5)获得的高导热材料密度分布图和密度梯度分布图作为深度学习算法的输入和训练起点，输入到步骤3)获得的经训练后的深度神经网络；
7)开展深度学习与训练，获得并输出训练优化后的待优化散热器件的高导热材料的密度分布图和密度梯度分布图；
8)根据步骤7)获得的高导热材料密度分布图构建冷却通道结构的拓扑构型，完成散热器件冷却通道结构的快速拓扑优化设计。
本发明进一步的改进在于，步骤1)的施加的边界条件具体包含以下内容：
1)生热源的位置、形式和数值大小信息；其中，形式为温度或热流密度；
2)已知散热器件边界处的温度或热流密度信息；
3)热沉的位置、形式和数值大小信息；其中，形式为温度或热流密度。
本发明进一步的改进在于，步骤4)的施加的边界条件具体包含以下内容：
1)生热源的位置、形式和数值大小信息；其中，形式为温度或热流密度；
2)待优化散热器件边界处的温度或热流密度信息；
3)热沉的位置、形式和数值大小信息；其中，形式为温度或热流密度。
本发明进一步的改进在于，步骤1)和步骤4)中的约束条件具体包含以下内容：
1)有限元划分网格数；
2)高导热材料的体积分数；
3)最优化目标。
本发明进一步的改进在于，所述步骤3)中进行深度学习和训练的方式为，将步骤2)的最末一个迭代步获得的高导热材料密度分布图作为标签，将步骤2)迭代过程中间每一迭代步获得的高导热材料密度分布图和密度梯度分布图作为数据；采用步骤2)迭代过程中间每一迭代步获得的高导热材料密度分布图与最末一个迭代步获得的高导热材料密度分布图之间的二进制交叉熵函数作为最终损失函数，据此进行深度学习和训练。
本发明进一步的改进在于，所述步骤3)和步骤7)中的深度学习和训练采用卷积神经网络进行。
本发明进一步的改进在于，所述的深度学习算法采用Adam优化算法。
本发明进一步的改进在于，所述的步骤3)和步骤6)中深度学习算法采用卷积编码器串联卷积解码器架构；
深度学习算法前端的卷积编码器包含若干卷积层，每层卷积层包含若干卷积核，并使用池化层进行向下采样，同时使用Dropout层进行正则化以防止过拟合；
深度学习算法后端的卷积解码器包含若干卷积层，每层卷积层包含若干卷积核，并使用上采样层进行向上采样，同时使用Dropout层进行正则化以防止过拟合；
深度学习算法前端的卷积解码器与后端的卷积解码器在结构上是对称的；
深度学习算法在后端解码器中将初始数据与经过编码处理后的数据融合，并进行向上采样，以获得最终的优化结果。
本发明进一步的改进在于，所述的深度学习算法的卷积层引入ReLU激活函数；深度学习算法在卷积解码器后端串联一层输出卷积层；深度学习算法的输出卷积层引入Sigmoid激活函数。
本发明进一步的改进在于，若假设步骤2)的迭代步数为M，步骤5)的迭代步数为N，则步数N远小于步数M。
与现有技术相比，本发明具有的有益效果：本发明提出了一种基于深度学习的散热器件冷却通道结构快速拓扑优化设计方法，采用高导热材料构筑冷却通道，首先以已知散热器件为范本，采用传统“各向正交惩罚材料密度方法”进行完整优化迭代，输出每一迭代步的拓扑构型作为深度学习算法的输入和训练集，构建深度训练后的深度神经网络；再对待优化的散热器件采用传统“各向正交惩罚材料密度方法”进行初步迭代，输出初步拓扑构型作为深度学习算法的训练起点，输入到经前步深度训练后的深度神经网络，开展学习和训练，并获得最终优化后的拓扑构型。本发明通过引入深度学习算法，提高了散热器件冷却通道结构拓扑优化设计的速度和效率。本发明采用高导热材料构筑冷却通道，并据此阐述基于深度学习的冷却通道结构快速拓扑优化设计方法，但又不仅限于使用高导热材料，亦可使用冷却液，也就是可将优化后的拓扑构型作为冷却液传输管路的布置形式以此来构筑冷却通道。
附图说明
图1是“体-点”散热问题边界条件和约束条件示意图；
图2是深度学习算法架构示意图。
具体实施方式
下面结合“体-点”散热问题和附图对本发明作进一步的说明。
参见图1-图2，本发明包含以下步骤：
1)选取典型散热器件(即已知散热器件)作为范本，建立数值分析模型，划分有限元网格，施加边界条件和约束条件；其中，参见图1，所施加的边界条件具体包含以下内容：
(1)生热源的位置、形式(温度或热流密度)和数值大小信息；
(2)散热器件边界处的温度或热流密度信息；
(3)热沉的位置、形式(温度或热流密度)和数值大小信息。
所施加的约束条件具体包含以下内容：
(1)有限元划分网格数；
(2)高导热材料的体积分数；
(3)最优化目标，即平均温度最小或最高温度最小。
2)采用“各向正交惩罚材料密度”方法(Solid Isotropic Material withPenalization，SIMP)对所选取的典型散热器件进行完整的优化分析，获得并输出优化过程中每一迭代步的高导热材料“密度分布图”和“密度梯度分布图”；
3)将步骤2)获得的每一迭代步高导热材料“密度分布图”和“密度梯度分布图”作为深度学习算法的输入和训练集，进行深度学习和训练，以获得训练后的深度神经网络；
其中，训练方式为，将步骤2)的最末一个迭代步获得的高导热材料“密度分布图”作为标签(y-train label)，将步骤2)迭代过程中间每一迭代步获得的高导热材料“密度分布图”和“密度梯度分布图”作为数据(x-train data)，据此进行深度学习和训练。
4)建立待优化散热器件的数值分析模型，划分有限元网格，施加边界条件和约束条件；其中，参见图1，所施加的边界条件具体包含以下内容：
(1)生热源的位置、形式(温度或热流密度)和数值大小信息；
(2)待优化的散热器件边界处的温度或热流密度信息；
(3)热沉的位置、形式(温度或热流密度)和数值大小信息。
所施加的约束条件具体包含以下内容：
(1)有限元划分网格数；
(2)高导热材料的体积分数；
(3)最优化目标，即平均温度最小或最高温度最小。
5)采用“各向正交惩罚材料密度”方法对待优化散热器件进行初步优化分析，经若干迭代步后随即终止迭代，获得并输出需要进一步优化的高导热材料“密度分布图”和“密度梯度分布图”；
6)将步骤5)获得的高导热材料“密度分布图”和“密度梯度分布图”作为深度学习算法的输入和训练起点，输入到步骤3)获得的经训练后的深度神经网络；
7)开展深度学习与训练，获得并输出训练优化后的最终的高导热材料“密度分布图”和“密度梯度分布图”；
8)根据步骤7)获得的高导热材料“密度分布图”构建冷却通道结构的拓扑构型，完成散热器件冷却通道结构的快速拓扑优化设计。
本发明对待优化散热器件首先采用“各向正交惩罚材料密度”方法进行冷却通道结构的预处理分析，再结合深度学习的方式对经预处理分析后的结果开展优化分割，以最终获得优化的冷却通道结构的拓扑构型。
参见图2，本发明所述的深度学习和训练采用卷积神经网络(ConvolutionalNeural Network，CNN)。所述的深度学习算法采用卷积编码器串联卷积解码器架构。
参见图2，本发明所述的深度学习算法前端的卷积编码器包含若干卷积层(例如6层)，每层卷积层包含若干卷积核(例如16核)，并使用池化层(Pooling layer)进行向下采样，同时使用Dropout层(Dropout layer)进行正则化(Regularization)以防止过拟合。
参见图2，本发明所述的深度学习算法后端的卷积解码器包含若干卷积层(例如6层)，每层卷积层包含若干卷积核(例如16核)，并使用上采样层(Upsampling layer)进行向上采样，同时使用Dropout层(Dropout layer)进行正则化(Regularization)以防止过拟合。
参见图2，本发明所述的深度学习算法前端的卷积解码器与后端的卷积解码器在结构上是对称的。所述的深度学习算法在后端解码器中会将初始数据与经过编码处理后的数据融合，并进行向上采样，以获得最终的优化结果。
本发明在深度学习和训练过程中，采用所述步骤2)迭代过程中间每一迭代步获得的高导热材料“密度分布图”与最末一个迭代步获得的高导热材料“密度分布图”之间的二进制交叉熵函数(Binary cross-entropy)作为最终损失函数。
本发明所述的深度学习算法采用Adam优化算法。所述的深度学习算法的卷积层引入ReLU激活函数。所述的深度学习算法在卷积解码器后端串联一层输出卷积层。所述的深度学习算法的输出卷积层引入Sigmoid激活函数。若假设所述步骤2)的迭代步数为M，步骤5)的迭代步数为N，则拥有步数N远小于步数M(N<<M)的特征，即实现了散热器件冷却通道结构的快速拓扑优化设计。
本发明采用高导热材料构筑冷却通道，并据此阐述基于深度学习的冷却通道结构快速拓扑优化设计方法，但又不仅限于使用高导热材料，亦可使用冷却液，也就是可将优化后的拓扑构型作为冷却液传输管路的布置形式以此来构筑冷却通道。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，如虽然本发明采用高导热材料构筑冷却通道，但若使用冷却液，也就是可将优化后的拓扑构型作为冷却液传输管路的布置形式以此来构筑冷却通道，亦均落入本发明保护范围之内；本发明未涉及的技术均可通过现有技术加以实现。
Claims (10)
1.基于深度学习的散热器件冷却通道快速拓扑优化设计方法，其特征在于，包含以下步骤：
1)选取已知散热器件作为范本，建立数值分析模型，划分有限元网格，施加边界条件和约束条件；
2)采用各向正交惩罚材料密度方法对所选取的已知散热器件进行完整的优化分析，获得并输出优化过程中每一迭代步的高导热材料密度分布图和密度梯度分布图；
3)将步骤2)获得的每一步迭代的高导热材料密度分布图和密度梯度分布图作为深度学习算法的输入和训练集，进行深度学习和训练，获得训练后的深度神经网络；
4)建立待优化散热器件的数值分析模型，划分有限元网格，施加边界条件和约束条件；
5)采用各向正交惩罚材料密度方法对待优化散热器件进行初步优化分析，经若干迭代步后随即终止迭代，获得并输出待优化散热器件的高导热材料的密度分布图和密度梯度分布图；
6)将步骤5)获得的高导热材料密度分布图和密度梯度分布图作为深度学习算法的输入和训练起点，输入到步骤3)获得的经训练后的深度神经网络；
7)开展深度学习与训练，获得并输出训练优化后的待优化散热器件的高导热材料的密度分布图和密度梯度分布图；
8)根据步骤7)获得的高导热材料密度分布图构建冷却通道结构的拓扑构型，完成散热器件冷却通道结构的快速拓扑优化设计。
2.根据权利要求1所述的基于深度学习的散热器件冷却通道快速拓扑优化设计方法，其特征在于，步骤1)的施加的边界条件具体包含以下内容：
1)生热源的位置、形式和数值大小信息；其中，形式为温度或热流密度；
2)已知散热器件边界处的温度或热流密度信息；
3)热沉的位置、形式和数值大小信息；其中，形式为温度或热流密度。
3.根据权利要求1所述的基于深度学习的散热器件冷却通道快速拓扑优化设计方法，其特征在于，步骤4)的施加的边界条件具体包含以下内容：
1)生热源的位置、形式和数值大小信息；其中，形式为温度或热流密度；
2)待优化散热器件边界处的温度或热流密度信息；
3)热沉的位置、形式和数值大小信息；其中，形式为温度或热流密度。
4.根据权利要求1所述的基于深度学习的散热器件冷却通道快速拓扑优化设计方法，其特征在于，步骤1)和步骤4)中的约束条件具体包含以下内容：
1)有限元划分网格数；
2)高导热材料的体积分数；
3)最优化目标。
5.根据权利要求1所述的基于深度学习的散热器件冷却通道快速拓扑优化设计方法，其特征在于，所述步骤3)中进行深度学习和训练的方式为，将步骤2)的最末一个迭代步获得的高导热材料密度分布图作为标签，将步骤2)迭代过程中间每一迭代步获得的高导热材料密度分布图和密度梯度分布图作为数据；采用步骤2)迭代过程中间每一迭代步获得的高导热材料密度分布图与最末一个迭代步获得的高导热材料密度分布图之间的二进制交叉熵函数作为最终损失函数，据此进行深度学习和训练。
6.根据权利要求1所述的基于深度学习的散热器件冷却通道快速拓扑优化设计方法，其特征在于，所述步骤3)和步骤7)中的深度学习和训练采用卷积神经网络进行。
7.根据权利要求1所述的基于深度学习的散热器件冷却通道快速拓扑优化设计方法，其特征在于，所述的深度学习算法采用Adam优化算法。
8.根据权利要求1所述的基于深度学习的散热器件冷却通道快速拓扑优化设计方法，其特征在于，所述的步骤3)和步骤6)中深度学习算法采用卷积编码器串联卷积解码器架构；
深度学习算法前端的卷积编码器包含若干卷积层，每层卷积层包含若干卷积核，并使用池化层进行向下采样，同时使用Dropout层进行正则化以防止过拟合；
深度学习算法后端的卷积解码器包含若干卷积层，每层卷积层包含若干卷积核，并使用上采样层进行向上采样，同时使用Dropout层进行正则化以防止过拟合；
深度学习算法前端的卷积解码器与后端的卷积解码器在结构上是对称的；
深度学习算法在后端解码器中将初始数据与经过编码处理后的数据融合，并进行向上采样，以获得最终的优化结果。
9.根据权利要求8所述的基于深度学习的散热器件冷却通道快速拓扑优化设计方法，其特征在于，所述的深度学习算法的卷积层引入ReLU激活函数；深度学习算法在卷积解码器后端串联一层输出卷积层；深度学习算法的输出卷积层引入Sigmoid激活函数。
10.根据权利要求1所述的基于深度学习的散热器件冷却通道快速拓扑优化设计方法，其特征在于，若假设步骤2)的迭代步数为M，步骤5)的迭代步数为N，则步数N小于步数M。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810090450.2A CN108280305B (zh) | 2018-01-30 | 2018-01-30 | 基于深度学习的散热器件冷却通道快速拓扑优化设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810090450.2A CN108280305B (zh) | 2018-01-30 | 2018-01-30 | 基于深度学习的散热器件冷却通道快速拓扑优化设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108280305A CN108280305A (zh) | 2018-07-13 |
| CN108280305B true CN108280305B (zh) | 2020-03-13 |
Family
ID=62805694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810090450.2A Active CN108280305B (zh) | 2018-01-30 | 2018-01-30 | 基于深度学习的散热器件冷却通道快速拓扑优化设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108280305B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109063291B (zh) * | 2018-07-20 | 2021-07-13 | 西安交通大学 | 机电装备冷却通道结构智能化拓扑优化设计方法 |
| CN109783910B (zh) * | 2018-12-29 | 2020-08-28 | 西安交通大学 | 一种利用生成对抗网络加速的结构优化设计方法 |
| CN111723420A (zh) * | 2020-05-20 | 2020-09-29 | 同济大学 | 一种基于深度学习的结构拓扑优化方法 |
| CN111832204B (zh) * | 2020-07-02 | 2022-12-09 | 西安交通大学 | 一种热流耦合结构的非迭代式拓扑优化方法 |
| CN113343580A (zh) * | 2021-06-24 | 2021-09-03 | 大连理工大学 | 一种基于人工智能技术的实时拓扑优化生成设计方法 |
| CN115017803B (zh) * | 2022-05-28 | 2023-10-13 | 西北工业大学 | 燃料电池堆多孔结构内热质阻力局部及全局定向调控设计方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107016175A (zh) * | 2017-03-23 | 2017-08-04 | 中国科学院计算技术研究所 | 适用神经网络处理器的自动化设计方法、装置及优化方法 |
| CN107122527A (zh) * | 2017-04-10 | 2017-09-01 | 西安电子科技大学 | 一种基于拓扑优化的冷板流道设计方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2763058B1 (en) * | 2013-01-30 | 2021-10-20 | Honda Research Institute Europe GmbH | Optimizing the design of physical structures/objects |
-
2018
- 2018-01-30 CN CN201810090450.2A patent/CN108280305B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107016175A (zh) * | 2017-03-23 | 2017-08-04 | 中国科学院计算技术研究所 | 适用神经网络处理器的自动化设计方法、装置及优化方法 |
| CN107122527A (zh) * | 2017-04-10 | 2017-09-01 | 西安电子科技大学 | 一种基于拓扑优化的冷板流道设计方法 |
Non-Patent Citations (5)
| Title |
|---|
| 《Design of conducting paths based on topology optimization》;Yongcun Zhang等;《Heat Mass Transfer》;20080831;第44卷(第10期);第1217-1227页 * |
| 《Topology optimization for the conduction cooling of a heat-generating volume with orthotropic material》;L.G. Page等;《International Journal of Heat and Mass Transfer》;20160816;第103卷;第1075-1083页 * |
| 《基于SIMP方法的散热结构拓扑优化设计》;蒋良杰 等;《机电一体化》;20061231(第6期);第14-16页 * |
| 《基于拓扑优化的自发热体冷却用植入式导热路径设计方法》;陈文炯 等;《力学学报》;20160430;第48卷(第2期);第406-412页 * |
| 《基于深度学习的机会网络拓扑预测机制研究》;罗序燕;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160115(第1期);第1-52页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108280305A (zh) | 2018-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108280305B (zh) | 基于深度学习的散热器件冷却通道快速拓扑优化设计方法 | |
| CN109063291B (zh) | 机电装备冷却通道结构智能化拓扑优化设计方法 | |
| CN111709096B (zh) | 一种强化自然对流换热的异型翅片结构设计方法 | |
| CN110163353A (zh) | 一种计算装置及方法 | |
| CN115048861B (zh) | 3d芯片嵌入式液冷通道流量的智能化分配方法及系统 | |
| Fan et al. | Pmr: Prototypical modal rebalance for multimodal learning | |
| Wang et al. | Convolutional embedding makes hierarchical vision transformer stronger | |
| CN112231860A (zh) | 基于遗传算法的矩形截面形状微通道热沉的优化设计方法 | |
| CN110766141A (zh) | 一种基于cordic的激活函数混合计算方法及系统 | |
| CN114781219A (zh) | 一种基于拓扑优化的相变热沉设计方法 | |
| Zhou et al. | Optimization approaches for designing a novel 4-bit reversible comparator | |
| Xie et al. | Automated design of CNN architecture based on efficient evolutionary search | |
| Wang et al. | Deep-learning accelerating topology optimization of three-dimensional coolant channels for flow and heat transfer in a proton exchange membrane fuel cell | |
| CN107330201A (zh) | 一种固定极性Reed‑Muller逻辑电路极性搜索方法 | |
| CN114580222B (zh) | 用于电子器件的高速瞬态热仿真方法及系统 | |
| CN114647967A (zh) | 一种超高效均温板设计方法 | |
| CN111476408B (zh) | 一种电力通信设备状态预测方法及系统 | |
| Chen et al. | CAS-Net: Cascade Attention-Based Sampling Neural Network for Point Cloud Simplification | |
| FENG et al. | Panoptic segmentation algorithm based on grouped convolution for feature fusion | |
| Baghapour | A convolutional auto-encoder regression for parametric modeling of mixed convection in concentric annulus | |
| Zhu et al. | Inverse design of folded waveguide SWSs for application in TWTs based on transfer learning of deep neural network | |
| Xu et al. | Application of hybrid genetic algorithm based on simulated annealing in function optimization | |
| CN107066765B (zh) | 仿生热流通道设计方法 | |
| Huang et al. | An Efficient Hardware Architecture for DNN Training by Exploiting Triple Sparsity | |
| Ren et al. | STDBNet: Shared Trunk and Dual-Branch Network for Real-Time Semantic Segmentation |
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 |