CN109063291A - 机电装备冷却通道结构智能化拓扑优化设计方法 - Google Patents
机电装备冷却通道结构智能化拓扑优化设计方法 Download PDFInfo
- Publication number
- CN109063291A CN109063291A CN201810803380.0A CN201810803380A CN109063291A CN 109063291 A CN109063291 A CN 109063291A CN 201810803380 A CN201810803380 A CN 201810803380A CN 109063291 A CN109063291 A CN 109063291A
- Authority
- CN
- China
- Prior art keywords
- radiating element
- distribution map
- encoding encoder
- channel structure
- cooling duct
- 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.)
- Granted
Links
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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
一种机电装备冷却通道结构智能化拓扑优化设计方法,对变分自编码器进行训练、对生成式对抗网络进行训练、使用变分自编码器预测散热器件冷却通道的粗结构、使用生成式对抗网络细化散热器件冷却通道的结构。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,采用得到的优化构型去训练变分自编码器和生成式对抗网络,以提取出表征冷却通道拓扑优化本质的隐藏变量。对于待优化散热器件,只需将散热问题的几何模型信息、边界条件和约束条件输入到训练过的变分自编码器和生成式对抗网络,即可直接预测并输出冷却通道结构的优化构型。本发明实现了散热器件冷却通道结构拓扑构型的智能化设计,提高了优化设计速度和效率。
Description
技术领域
本发明涉及一种机电装备冷却通道结构智能化拓扑优化设计方法。
背景技术
机电装备和电子元器件正在朝着超大功率化、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散热、冷却需求;通过在普通导热材料制成的散热结构内部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。而当前机电装备和电子元器件更新换代的速度越来越快,如何借助人工智能技术高效、快速地优化设计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机电装备冷却通道结构智能化拓扑优化设计方法,将人工智能技术引入到机电装备散热器件冷却通道结构的拓扑优化设计中,采用变分自编码器(Variational Autoencoder,VAE)处理散热问题,提取出表征冷却通道拓扑优化本质的隐藏变量,实现只需输入散热问题的几何模型信息、边界条件和约束条件即可直接预测出冷却通道结构优化构型。
为达到以上目的,本发明采取的技术方案为:
机电装备冷却通道结构智能化拓扑优化设计方法,包括以下步骤:
1)基于已知散热器件,对变分自编码器进行训练;
2)基于已知散热器件,对生成式对抗网络进行训练;
3)针对待优化散热器件,采用步骤1)训练后的变分自编码器预测散热器件冷却通道的粗结构;采用步骤2)训练后的生成式对抗网络细化散热器件冷却通道的结构。
本发明进一步的改进在于,步骤1)具体包括以下步骤:
1.1)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,输出数值分析模型的热载荷分布图、热沉分布图和体积分数分布图;
1.2)采用各向正交惩罚材料密度法对所选取的已知散热器件进行完整的优化分析,输出最末一个迭代步优化获得的冷却通道材料密度分布图;
1.3)以步骤1.1)输出的热载荷分布图、热沉分布图和体积分数分布图作为输入变量,以步骤1.2)输出的冷却通道材料密度分布图作为标签和样本,构建训练集,采用变分自编码器开展学习和训练,提取出表征冷却通道拓扑优化本质的隐藏变量,获得训练后的变分自编码器。
本发明进一步的改进在于,步骤2)具体包括以下步骤:
2.1)选取已知散热器件作为范本,建立数值分析模型,分别划分粗、细有限元网格,施加边界条件和约束条件,输出数值分析模型在粗有限元网格和细有限元网格下的密度分布图;
2.2)将步骤2.1)输出的在粗有限元网格和细有限元网格下的密度分布图作为输入数据,进行生成式对抗网络的训练,获得训练后的生成式对抗网络。
本发明进一步的改进在于,步骤1.1)与步骤2.1)中的边界条件具体包括:
a)生热源的位置、形式和数值大小信息;
b)已知散热器件边界处的温度或热流密度信息;
c)热沉的位置、形式和数值大小信息。
本发明进一步的改进在于,步骤3)的具体过程如下:
3.1)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,输出数值分析模型的热载荷分布图、热沉分布图和平均体积分数分布图;
3.2)将步骤3.1)获得的待优化散热器件的数值分析模型的热载荷分布图、热沉分布图和体积分数分布图输入步骤1)得到的训练后的变分自编码器中,获得并输出待优化散热器件冷却通道的粗结构;
3.3)将步骤3.2)获得的散热器件冷却通道粗结构输入到步骤2)得到的训练后的生成式对抗网络中,获得并输出待优化散热器件冷却通道的细结构,完成待优化散热器件冷却通道的拓扑优化设计。
本发明进一步的改进在于,步骤3.1)中的边界条件具体包括:
1)生热源的位置、形式和数值大小信息;
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。
本发明进一步的改进在于,步骤1.1)、步骤2.1)以及步骤3.1)中的约束条件具体包括:
1)有限元划分网格数;
2)冷却通道材料的体积分数;
3)最优化目标。
本发明进一步的改进在于,步骤1)中变分自编码器由一个子变分自编码器组成,或者由若干个子变分自编码器耦合集成而成;
本发明进一步的改进在于,子变分自编码器采用卷积编码器串联卷积解码器架构,每个子变分自编码器包含若干卷积层,每层卷积层包含若干卷积核,并采用池化层进行向下采样,同时采用Dropout层进行正则化,以防止过拟合。
本发明进一步的改进在于,步骤2)中,生成式对抗网络采用超分辨率生成式对抗网络架构。
本发明进一步的改进在于,步骤1.3)中,变分自编码器采用的隐藏变量为10个。
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人工智能深度学习技术的机电装备冷却通道结构智能化拓扑优化设计方法,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法”进行完整优化迭代,使用变分自编码器开展学习和训练,提取出表征冷却通道拓扑优化本质的隐藏变量;对于待优化的散热器件,只需将其几何数值模型、边界条件和约束条件输入训练过的变分自编码器,即可预测出其冷却通道优化构型的粗结构,再将此粗结构输入到训练过的生成式对抗网络,预测出待优化散热器件冷却通道优化构型的细结构,实现了散热器件冷却通道拓扑结构的高效、智能化设计。本发明采用高导热材料构筑冷却通道,并据此阐述了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。本发明中,在完成步骤1)中所述的变分自编码器的训练和步骤2)中所述的生成式对抗网络的训练之后,对于任意的新的待优化散热器件只需重复步骤3),即可快速获得并输出待优化散热器件所对应的优化了的冷却通道精细结构,实现冷却通道结构的智能化高效拓扑优化设计。
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是子变分自编码器架构示意图;
图3是变分自编码器组成示意图。其中,(a)为单个子变分自编码器,(b)为若干个子变分自编码器耦合。
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。
本发明要求冷却通道材料的导热系数大于基材的导热系数,冷却通道材料的材料为高导热材料,是相对于基材的导热系数。
参见图1-图3,本发明包含以下几个步骤:
1)基于已知散热器件,对变分自编码器(VAE)进行训练;具体包含以下几个步骤:
1.1)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,输出数值分析模型的热载荷分布图、热沉分布图和体积分数分布图;其中,边界条件具体包含以下内容:
a)生热源的位置、形式和数值大小信息;
b)已知散热器件边界处的温度或热流密度信息;
c)热沉的位置、形式和数值大小信息。
1.2)采用各向正交惩罚材料密度(Solid Isotropic Material withPenalization,SIMP)法对所选取的已知散热器件进行完整的优化分析,输出最末一个迭代步优化获得的冷却通道材料密度分布图;
1.3)以步骤1.1)输出的热载荷分布图、热沉分布图和体积分数分布图作为输入变量,以步骤1.2)输出的冷却通道材料密度分布图作为标签和样本,构建训练集,采用变分自编码器开展学习和训练,提取出表征冷却通道拓扑优化本质的隐藏变量,获得训练后的变分自编码器。其中,变分自编码器采用的隐藏变量为10个。
2)基于已知散热器件,对生成式对抗网络(Generative Adversarial Network,GAN)进行训练;具体包含以下几个步骤:
2.1)选取已知散热器件作为范本,建立数值分析模型,分别划分粗、细有限元网格,施加边界条件和约束条件,输出数值分析模型在粗有限元网格和细有限元网格下的密度分布图;其中,边界条件具体包含以下内容:
a)生热源的位置、形式和数值大小信息;
b)已知散热器件边界处的温度或热流密度信息;
c)热沉的位置、形式和数值大小信息。
2.2)将步骤1)输出的在粗有限元网格和细有限元网格下的密度分布图作为输入数据,进行生成式对抗网络的训练,获得训练后的生成式对抗网络。
3)针对待优化散热器件,采用步骤1)训练后的变分自编码器预测散热器件冷却通道的粗结构;采用步骤2)训练后的生成式对抗网络细化散热器件冷却通道的结构。具体过程如下:
3.1)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,输出数值分析模型的热载荷分布图、热沉分布图和平均体积分数分布图;其中,边界条件具体包含以下内容:
a)生热源的位置、形式和数值大小信息;
b)待优化散热器件边界处的温度或热流密度信息;
c)热沉的位置、形式和数值大小信息。
3.2)将步骤3.1)获得的待优化散热器件的数值分析模型的热载荷分布图、热沉分布图和体积分数分布图输入步骤1)得到的训练后的变分自编码器中,获得并输出待优化散热器件冷却通道的粗结构;
3.3)将步骤3.2)获得的散热器件冷却通道粗结构输入到步骤2)得到的训练后的生成式对抗网络中,获得并输出待优化散热器件冷却通道的细结构,完成待优化散热器件冷却通道的拓扑优化设计。
本发明的步骤1.1)、步骤2.1)以及步骤3.1)中的约束条件具体包含以下内容:
1)有限元划分网格数;
2)冷却通道材料的体积分数;
3)最优化目标。
本发明中的变分自编码器可只由一个子变分自编码器组成,也可由若干个子变分自编码器耦合集成而得,如图3中图(a)和图(b)所示;子变分自编码器采用卷积编码器串联卷积解码器架构,如图2所示;每个子变分自编码器包含若干卷积层(如4层),每层卷积层包含若干卷积核(如256核),并采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。
本发明中,生成式对抗网络采用超分辨率生成式对抗网络架构。
本发明,在完成步骤1)中所述的变分自编码器的训练和步骤2)中所述的生成式对抗网络的训练之后,对于任意的新的待优化散热器件只需重复步骤3)和步骤4),即可快速获得并输出待优化散热器件所对应的优化了的冷却通道精细结构,实现冷却通道结构的智能化高效拓扑优化设计。
本发明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,采用得到的优化构型去训练变分自编码器和生成式对抗网络,以提取出表征冷却通道拓扑优化本质的隐藏变量。对于待优化散热器件,只需将散热问题的几何模型信息、边界条件和约束条件输入到训练过的变分自编码器和生成式对抗网络,即可直接预测并输出冷却通道结构的优化构型。本发明通过引入人工智能深度学习技术,实现了散热器件冷却通道结构拓扑构型的智能化设计,提高了优化设计速度和效率。
本发明对于待优化散热器件,无需经过任何初步优化,只需将其几何模型、边界条件和约束条件作为经过训练的变分自编码器即可直接预测出待优化散热器的冷却通道拓扑结构,再经过训练后的生成式对抗网络对优化的拓扑结构进一步细化。本发明中子变分自编码器的卷积编码器和卷积解码器在结构上是非对称的,如图2所示。
本发明采用高导热材料构筑冷却通道,并据此阐述基于人工智能深度学习技术的机电装备冷却通道结构智能化拓扑优化设计方法,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 (9)
1.机电装备冷却通道结构智能化拓扑优化设计方法,其特征在于,包括以下步骤:
1)基于已知散热器件,对变分自编码器进行训练;
2)基于已知散热器件,对生成式对抗网络进行训练;
3)针对待优化散热器件,采用步骤1)训练后的变分自编码器预测散热器件冷却通道的粗结构;采用步骤2)训练后的生成式对抗网络细化散热器件冷却通道的结构。
2.根据权利要求1所述的机电装备冷却通道结构智能化拓扑优化设计方法,其特征在于,步骤1)具体包括以下步骤:
1.1)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,输出数值分析模型的热载荷分布图、热沉分布图和体积分数分布图;
1.2)采用各向正交惩罚材料密度法对所选取的已知散热器件进行完整的优化分析,输出最末一个迭代步优化获得的冷却通道材料密度分布图;
1.3)以步骤1.1)输出的热载荷分布图、热沉分布图和体积分数分布图作为输入变量,以步骤1.2)输出的冷却通道材料密度分布图作为标签和样本,构建训练集,采用变分自编码器开展学习和训练,提取出表征冷却通道拓扑优化本质的隐藏变量,获得训练后的变分自编码器。
3.根据权利要求2所述的机电装备冷却通道结构智能化拓扑优化设计方法,其特征在于,步骤2)具体包括以下步骤:
2.1)选取已知散热器件作为范本,建立数值分析模型,分别划分粗、细有限元网格,施加边界条件和约束条件,输出数值分析模型在粗有限元网格和细有限元网格下的密度分布图;
2.2)将步骤2.1)输出的在粗有限元网格和细有限元网格下的密度分布图作为输入数据,进行生成式对抗网络的训练,获得训练后的生成式对抗网络。
4.根据权利要求3所述的机电装备冷却通道结构智能化拓扑优化设计方法,其特征在于,步骤1.1)与步骤2.1)中的边界条件具体包括:
a)生热源的位置、形式和数值大小信息;
b)已知散热器件边界处的温度或热流密度信息;
c)热沉的位置、形式和数值大小信息。
5.根据权利要求3所述的机电装备冷却通道结构智能化拓扑优化设计方法,其特征在于,步骤3)的具体过程如下:
3.1)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,输出数值分析模型的热载荷分布图、热沉分布图和平均体积分数分布图;
3.2)将步骤3.1)获得的待优化散热器件的数值分析模型的热载荷分布图、热沉分布图和体积分数分布图输入步骤1)得到的训练后的变分自编码器中,获得并输出待优化散热器件冷却通道的粗结构;
3.3)将步骤3.2)获得的散热器件冷却通道粗结构输入到步骤2)得到的训练后的生成式对抗网络中,获得并输出待优化散热器件冷却通道的细结构,完成待优化散热器件冷却通道的拓扑优化设计。
6.根据权利要求5所述的机电装备冷却通道结构智能化拓扑优化设计方法,其特征在于,步骤3.1)中的边界条件具体包括:
1)生热源的位置、形式和数值大小信息;
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。
7.根据权利要求5所述的机电装备冷却通道结构智能化拓扑优化设计方法,其特征在于,步骤1.1)、步骤2.1)以及步骤3.1)中的约束条件具体包括:
1)有限元划分网格数;
2)冷却通道材料的体积分数;
3)最优化目标。
8.根据权利要求1所述的机电装备冷却通道结构智能化拓扑优化设计方法,其特征在于,步骤1)中变分自编码器由一个子变分自编码器组成,或者由若干个子变分自编码器耦合集成而成。
9.根据权利要求8所述的机电装备冷却通道结构智能化拓扑优化设计方法,其特征在于,子变分自编码器采用卷积编码器串联卷积解码器架构,每个子变分自编码器包含若干卷积层,每层卷积层包含若干卷积核,并采用池化层进行向下采样,同时采用Dropout层进行正则化,以防止过拟合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810803380.0A CN109063291B (zh) | 2018-07-20 | 2018-07-20 | 机电装备冷却通道结构智能化拓扑优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810803380.0A CN109063291B (zh) | 2018-07-20 | 2018-07-20 | 机电装备冷却通道结构智能化拓扑优化设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109063291A true CN109063291A (zh) | 2018-12-21 |
CN109063291B CN109063291B (zh) | 2021-07-13 |
Family
ID=64816000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810803380.0A Active CN109063291B (zh) | 2018-07-20 | 2018-07-20 | 机电装备冷却通道结构智能化拓扑优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063291B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783910A (zh) * | 2018-12-29 | 2019-05-21 | 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 |
CN110276148A (zh) * | 2019-06-27 | 2019-09-24 | 上海交通大学 | 基于自编码器的微结构降维特征提取及重构实现方法 |
CN110390638A (zh) * | 2019-07-22 | 2019-10-29 | 北京工商大学 | 一种高分辨率三维体素模型重建方法 |
CN111105014A (zh) * | 2019-11-27 | 2020-05-05 | 联想(北京)有限公司 | 一种数据处理方法、设备和计算机可读存储介质 |
CN111415009A (zh) * | 2020-03-19 | 2020-07-14 | 四川大学 | 基于遗传算法的卷积变积分自编码器网络结构搜索方法 |
CN112084591A (zh) * | 2020-09-03 | 2020-12-15 | 西安电子科技大学 | 一种基于三维拓扑优化的散热器冷却通道设计方法 |
CN113544704A (zh) * | 2019-03-26 | 2021-10-22 | 日本电信电话株式会社 | 评价装置、评价方法以及评价程序 |
EP3992836A1 (en) * | 2020-10-28 | 2022-05-04 | Autodesk, Inc. | Machine learning techniques for generating designs for three-dimensional objects |
US11694415B2 (en) | 2020-10-28 | 2023-07-04 | Autodesk, Inc. | Techniques for training a machine learning model to modify portions of shapes when generating designs for three-dimensional objects |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653779A (zh) * | 2015-12-28 | 2016-06-08 | 大连理工大学 | 基于温度比拟连通性的可制造性约束拓扑优化方法 |
CN105844014A (zh) * | 2016-03-22 | 2016-08-10 | 广东工业大学 | 基于芯片设计流程和应用设计流程的片上网络编码优化方法 |
CN106845021A (zh) * | 2017-02-28 | 2017-06-13 | 湘潭大学 | 基于无网格rkpm的各向异性材料热结构拓扑优化方法 |
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 |
US20170344667A1 (en) * | 2016-05-24 | 2017-11-30 | Altair Engineering, Inc. | Failsafe topology optimization |
US20180046732A1 (en) * | 2016-08-11 | 2018-02-15 | Autodesk, Inc. | Usage feedback loop for iterative design synthesis |
CN107831823A (zh) * | 2017-12-15 | 2018-03-23 | 国网山东省电力公司青岛市黄岛区供电公司 | 一种用于分析和优化电网拓扑结构的高斯消元方法 |
CN108280305A (zh) * | 2018-01-30 | 2018-07-13 | 西安交通大学 | 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 |
-
2018
- 2018-07-20 CN CN201810803380.0A patent/CN109063291B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653779A (zh) * | 2015-12-28 | 2016-06-08 | 大连理工大学 | 基于温度比拟连通性的可制造性约束拓扑优化方法 |
CN105844014A (zh) * | 2016-03-22 | 2016-08-10 | 广东工业大学 | 基于芯片设计流程和应用设计流程的片上网络编码优化方法 |
US20170344667A1 (en) * | 2016-05-24 | 2017-11-30 | Altair Engineering, Inc. | Failsafe topology optimization |
US20180046732A1 (en) * | 2016-08-11 | 2018-02-15 | Autodesk, Inc. | Usage feedback loop for iterative design synthesis |
CN106845021A (zh) * | 2017-02-28 | 2017-06-13 | 湘潭大学 | 基于无网格rkpm的各向异性材料热结构拓扑优化方法 |
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 |
CN107831823A (zh) * | 2017-12-15 | 2018-03-23 | 国网山东省电力公司青岛市黄岛区供电公司 | 一种用于分析和优化电网拓扑结构的高斯消元方法 |
CN108280305A (zh) * | 2018-01-30 | 2018-07-13 | 西安交通大学 | 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 |
Non-Patent Citations (1)
Title |
---|
赵波: "细粒度图像分类、分割、生成与检索关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783910A (zh) * | 2018-12-29 | 2019-05-21 | 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 |
CN113544704A (zh) * | 2019-03-26 | 2021-10-22 | 日本电信电话株式会社 | 评价装置、评价方法以及评价程序 |
CN110276148A (zh) * | 2019-06-27 | 2019-09-24 | 上海交通大学 | 基于自编码器的微结构降维特征提取及重构实现方法 |
CN110390638A (zh) * | 2019-07-22 | 2019-10-29 | 北京工商大学 | 一种高分辨率三维体素模型重建方法 |
CN110390638B (zh) * | 2019-07-22 | 2023-07-28 | 北京工商大学 | 一种高分辨率三维体素模型重建方法 |
CN111105014A (zh) * | 2019-11-27 | 2020-05-05 | 联想(北京)有限公司 | 一种数据处理方法、设备和计算机可读存储介质 |
CN111105014B (zh) * | 2019-11-27 | 2024-05-28 | 联想(北京)有限公司 | 一种数据处理方法、设备和计算机可读存储介质 |
CN111415009A (zh) * | 2020-03-19 | 2020-07-14 | 四川大学 | 基于遗传算法的卷积变积分自编码器网络结构搜索方法 |
CN112084591A (zh) * | 2020-09-03 | 2020-12-15 | 西安电子科技大学 | 一种基于三维拓扑优化的散热器冷却通道设计方法 |
EP3992836A1 (en) * | 2020-10-28 | 2022-05-04 | Autodesk, Inc. | Machine learning techniques for generating designs for three-dimensional objects |
US11468634B2 (en) | 2020-10-28 | 2022-10-11 | Autodesk, Inc. | Machine learning techniques for generating designs for three-dimensional objects |
US11694415B2 (en) | 2020-10-28 | 2023-07-04 | Autodesk, Inc. | Techniques for training a machine learning model to modify portions of shapes when generating designs for three-dimensional objects |
Also Published As
Publication number | Publication date |
---|---|
CN109063291B (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063291A (zh) | 机电装备冷却通道结构智能化拓扑优化设计方法 | |
CN108280305A (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 | |
CN107122527B (zh) | 一种基于拓扑优化的冷板流道设计方法 | |
Wu et al. | On the “area to point” flow problem based on constructal theory | |
Rocha et al. | Constructal design for cooling a disc-shaped area by conduction | |
Esen et al. | Modelling of a new solar air heater through least-squares support vector machines | |
CN110414080B (zh) | 一种提高电抗器各包封线圈生热散热能力的设计方法 | |
Liu et al. | Optimizing heat-absorption efficiency of phase change materials by mimicking leaf vein morphology | |
CN107936777A (zh) | 一种三维网络多孔导热散热器件及其制备方法 | |
CN103413013B (zh) | 一种锂离子电池组系统内电池单体的原位热仿真分析方法 | |
CN109800507A (zh) | 一种对散热冷板拓扑边界二次形状优化设计方法 | |
CN112000184B (zh) | 一种大数据分析储存设备 | |
Li et al. | Constructal design of internal cooling geometries in heat conduction system using the optimality of natural branching structures | |
Lorenzini et al. | Geometric optimization of X-shaped cavities and pathways according to Bejan’s theory: Comparative analysis | |
Wu et al. | Heat-conduction optimization based on constructal theory | |
CN104461732B (zh) | 一种应用于二维网格结构片上网络芯片的温度优化方法 | |
Song et al. | Robustness in the volume-to-point heat conduction optimization problem | |
Liu et al. | Constructal design of a rectangular porous fin considering minimization of maximum temperature difference and pumping power consumption | |
de Klijn et al. | Assisting the development of innovative responsive façade elements using building performance simulation | |
Wang et al. | Estimation of interfacial heat transfer coefficient in inverse heat conduction problems based on artificial fish swarm algorithm | |
Wang et al. | Experimental and numerical analysis on a compact liquid metal blade heat dissipator with twin stage electromagnetic pumps | |
CN110489913A (zh) | 带遮雨帽的电抗器的温升计算方法 | |
CN206160784U (zh) | 相变抑制传热板 | |
CN102033975A (zh) | 一种换流阀用饱和电抗器热力性能设计方法 | |
Chen et al. | Constructal design for composite heat dissipating structure composed of an “arrow”-shaped high conductivity channel and an externally connected “T”-shaped fin |
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 |