CN111507032B - 基于深度学习技术预测温度分布的组件布局优化设计方法 - Google Patents
基于深度学习技术预测温度分布的组件布局优化设计方法 Download PDFInfo
- Publication number
- CN111507032B CN111507032B CN202010242370.1A CN202010242370A CN111507032B CN 111507032 B CN111507032 B CN 111507032B CN 202010242370 A CN202010242370 A CN 202010242370A CN 111507032 B CN111507032 B CN 111507032B
- Authority
- CN
- China
- Prior art keywords
- layout
- component layout
- training data
- component
- optimization design
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Abstract
本发明公开了一种基于深度学习技术预测温度分布的组件布局优化设计方法,所述方法包括:S1,生成训练数据,训练数据包括组件布局和其对应的温度场分布;S2,对训练数据进行预处理;S3,根据预处理后的训练数据构建并训练深度神经网络模型;S4,构建基于深度神经网络模型的组件布局优化设计问题;S5,对组件布局优化设计问题进行求解,获取温度场性能指标最优的组件布局设计方案。本发明的基于深度学习技术预测温度分布的组件布局优化设计方法,通过构建深度神经网络模型,组件布局发生变化时,可以利用该神经网络模型来高效快速地计算温度分布,极大程度减少计算量,降低计算成本,使得考虑温度场分布条件下的组件布局优化设计方法变得可行。
Description
技术领域
本发明涉及温度仿真计算技术领域,尤其涉及一种基于深度学习技术预测温度分布的组件布局优化设计方法。
背景技术
当前我国空间技术及产业化的迅速发展对卫星设计提出了缩短设计周期、降低研制成本、保证设计可靠性以及标准化、系列化、通用化等目标,这就要求在卫星有效载荷和公用平台确定之后,利用一套合理高效的方法对卫星上的组件实现“好、快、省”的布局设计。卫星组件的布局方案设计是卫星总体方案设计的重要内容,需要综合考虑温度场、电磁场、质量特性等多个学科的设计要求,是一个典型的复杂多学科优化设计问题。
通常来说,卫星温度场的计算是一个复杂的有限元分析过程,单次仿真的计算成本较高,耗时较长。若是在卫星布局优化设计过程中就考虑温度场的性能要求,则需要大量调用温度场计算程序,这就会导致卫星布局优化求解的计算成本大大增加,甚至无法在有限的时间内得到设计结果。
发明内容
为解决上述现有技术中存在的技术问题,本发明提供了一种基于深度学习技术预测温度分布的组件布局优化设计方法。具体技术方案如下:
一种基于深度学习技术预测温度分布的组件布局优化设计方法,所述方法包括:
S1,生成训练数据,训练数据包括组件布局和其对应的温度场分布;
S2,对训练数据进行预处理;
S3,根据预处理后的训练数据构建并训练深度神经网络模型拟合组件布局和温度场之间的映射关系;
S4,构建基于深度神经网络模型的组件布局优化设计问题;
S5,对组件布局优化设计问题进行求解,获取温度场性能指标最优的组件布局设计方案。
可选地,步骤S1中,生成训练数据包括:
对布局设计区域进行网格划分,根据组件的数量挑选Ns个网格放置组件得到布局方案X1,在该布局方案下对布局设计区域划分有限元计算网格仿真计算获得准确的温度场分布T1,得到一组训练数据(X1,T1),重复此过程直至获得预设数量的训练数据。
可选地,布局设计区域为矩形,划分成M1×M2个网格;仿真计算时将布局设计区域划分为个N1×N2有限元计算网格。
可选地,步骤S2中,对训练数据进行预处理包括:将布局方案用维度为M1×M2的矩阵Xi来表示,有组件对应位置矩阵元素为1,无组件对应位置矩阵元素为0。
可选地,步骤S2中,对训练数据进行预处理包括:将维度为N1×N2的温度场分布矩阵Ti的数值进行归一化处理,保证其元素均属于[0,1]。
可选地,步骤S4中,组件布局优化设计问题表示为:
本发明技术方案的主要优点如下:
本发明的基于深度学习技术预测温度分布的组件布局优化设计方法,通过足够数量的训练数据构建深度神经网络模型,组件布局发生变化时,可以利用该神经网络模型来高效快速地计算温度分布,极大程度减少计算量,降低计算成本,使得考虑温度场分布条件下的组件布局优化设计方法变得可行。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一实施例提供的基于深度学习技术预测温度分布的组件布局优化设计方法的流程图;
图2为本发明一个实施例提供的布局区域离散示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
以下结合附图,详细说明本发明实施例提供的技术方案。
在考虑温度场性能指标的电子设备或组件的布局优化设计问题中,每一个组件都可以简化为一个热源。组件的布局优化设计即可以看作是热源的布局优化设计。在一定的布局区域中需要放置一定数量的热源组件,通过优化热源的位置来增强布局区域的热传导效率,使得布局区域内的最高温度尽可能的低。考虑一个二维平面内的热源布局优化设计问题,其数学模型可以表述为:
其中X表示热源的布局方案,(xi,yi)表示第i个热源的位置坐标,φi表示第i个热源的强度,T表示整个布局区域内的温度场,Ns表示热源的数目,k表示布局区域的热导率。
通过上式可以看出,若要求解该优化问题,必须要实时求解稳态的热传导方程,得到组件布局所对应的温度场。该方程在物理上属于具有边界条件的泊松方程,可以通过有限元的方法进行求解,从而得到准确的温度场分布数据。但是通常来说,随着组件数目的增多或有限元分析网格的加密,其计算时间也会越来越长,如果在优化过程中实时调用该方法计算温度场,则会使得该类布局优化设计问题的求解负担越来越重,直至无法实现。
因此,本发明提出了一种基于深度学习技术预测温度分布的组件布局优化设计方法,该方法包括:
S1,生成训练数据,训练数据包括组件布局和其对应的温度场分布。
S2,对训练数据进行预处理。
S3,根据预处理后的训练数据构建并训练深度神经网络模型拟合组件布局和温度场之间的映射关系。
S4,构建基于深度神经网络模型的组件布局优化设计问题。
S5,对组件布局优化设计问题进行求解,获取温度场性能指标最优的组件布局设计方案。
本发明实施例提供的基于深度学习技术预测温度分布的组件布局优化设计方法,通过足够数量的训练数据构建深度神经网络模型,组件布局发生变化时,可以利用该神经网络模型来高效快速地计算温度分布,极大程度减少计算量,降低计算成本,使得考虑温度场分布条件下的组件布局优化设计方法变得可行。
具体地,以下对本发明实施例提供的基于深度学习技术预测温度分布的组件布局优化设计方法的各步骤及具体过程进行详细阐述:
假设在一个方形的布局区域内,需要摆放Ns个大小相同,且具有相同热功率的方形组件(热源),以此算例来说明具体的技术方案:
步骤S1,生成训练数据:
对方形布局设计区域进行网格划分,可划分成M1×M2个网格。(比如划分成10×10的网格)使得每个网格刚好可以放置一个方形组件。在M1M2个网格中,随机挑选Ns(假设为20)个位置来放置组件得到布局方案X1。而后对布局设计区域划分成N1×N2个有限元计算网格,利用有限元方法来计算准确的温度场分布T1,从而获得一组训练数据(X1,T1)。重复此过程直至获得足够多的训练数据。数据量越多,训练出来的预测温度分布的深度神经网络模型精度越高。在本发明中,可考虑随机生成50000组左右当量的数据。划分网格后的布局区域离散示意图如附图2所示。
步骤S2,训练数据的预处理:
将布局方案用维度为M1×M2的矩阵Xi来表示,有组件则对应位置矩阵元素为1,无组件则矩阵元素为0。为了提高组件布局设计的分辨率,可以将该布局区域的网格进一步细化,比如每一个网格再划分成20×20的精细网格,从而可以将布局方案矩阵进一步扩充为20M1×20M2的维度,其中组件覆盖位置对应的矩阵元素均为1,其余均为0。温度分布矩阵T1的维度为N1×N2,对温度分布矩阵的数值进行归一化处理,保证其元素均属于[0,1]。
步骤S3,构建并训练深度神经网络模型:
本发明实施例中采用深度神经网络模型中的一种特征金字塔网络(FeaturePyramid Network,FPN)来拟合组件布局方案和对应温度分布之间的映射关系,提供上述训练数据来使其学习其中的物理规律,最终训练出一个泛化能力较强的FPN网络,可以对任意布局方案的温度场实现快速高精度的预测。本质上来说,该FPN网络即为一个代理模型,记为
步骤S4,构建基于深度神经网络模型的组件布局优化设计问题
用训练后得到的FPN模型来替代有限元求解泊松方程的过程,得到基于FPN代理模型的布局优化设计问题,可以表述为:
步骤S5,求解相应优化问题:
由于FPN模型的输入为20M1×20M2的布局方案矩阵,因此,组件的最小移动距离即为一个网格的长度。故选取组件左下角顶点的网格位置为设计变量,记第i个组件的位置坐标为(xi,yi),则需满足
可以看出这是一个离散的整数优化问题。故选取合适的优化算法求解该问题,则可在有限的计算资源内求出温度场性能指标最优的组件布局设计方案。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。此外,本文中“前”、“后”、“左”、“右”、“上”、“下”均以附图中表示的放置状态为参照。
最后应说明的是:以上实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (2)
1.一种基于深度学习技术预测温度分布的组件布局优化设计方法,其特征在于,所述方法包括:
S1,生成训练数据,训练数据包括组件布局和其对应的温度场分布;
S2,对训练数据进行预处理;
S3,根据预处理后的训练数据构建并训练特征金字塔网络模型拟合组件布局和温度场之间的映射关系;
S4,构建基于特征金字塔网络模型的组件布局优化设计问题;
S5,对组件布局优化设计问题进行求解,获取温度场性能指标最优的组件布局设计方案;
步骤S1中,生成训练数据包括:
对布局设计区域进行网格划分,根据组件的数量挑选Ns个网格放置组件得到布局方案X1,在该布局方案下对布局设计区域划分有限元计算网格仿真计算获得准确的温度场分布T1,得到一组训练数据(X1,T1),重复此过程直至获得预设数量的训练数据;
布局设计区域为矩形,划分成M1×M2个网格,仿真计算时将布局设计区域划分为个N1×N2有限元计算网格;
步骤S2中,对训练数据进行预处理包括:将布局方案用维度为M1×M2的矩阵Xi来表示,有组件对应位置矩阵元素为1,无组件对应位置矩阵元素为0;将维度为N1×N2的温度场分布矩阵Ti的数值进行归一化处理,保证其元素均属于[0,1];
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010242370.1A CN111507032B (zh) | 2020-03-31 | 2020-03-31 | 基于深度学习技术预测温度分布的组件布局优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010242370.1A CN111507032B (zh) | 2020-03-31 | 2020-03-31 | 基于深度学习技术预测温度分布的组件布局优化设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507032A CN111507032A (zh) | 2020-08-07 |
CN111507032B true CN111507032B (zh) | 2021-09-24 |
Family
ID=71878256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010242370.1A Active CN111507032B (zh) | 2020-03-31 | 2020-03-31 | 基于深度学习技术预测温度分布的组件布局优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507032B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257321B (zh) * | 2020-10-27 | 2023-03-24 | 中国人民解放军军事科学院国防科技创新研究院 | 基于无监督学习的卫星组件温度场确定方法 |
CN112733275B (zh) * | 2021-01-19 | 2023-07-25 | 中国人民解放军军事科学院国防科技创新研究院 | 基于半监督学习的卫星组件热布局温度场预测方法 |
CN113177290B (zh) * | 2021-03-25 | 2023-09-26 | 中国人民解放军军事科学院国防科技创新研究院 | 基于深度代理模型归一化的卫星组件温度场预测方法 |
CN113505929B (zh) * | 2021-07-16 | 2024-04-16 | 中国人民解放军军事科学院国防科技创新研究院 | 基于嵌入物理约束深度学习技术的拓扑最优结构预测方法 |
CN113505880B (zh) * | 2021-07-16 | 2024-04-16 | 中国人民解放军军事科学院国防科技创新研究院 | 基于特征金字塔网络的拓扑最优结构预测方法 |
CN113591215B (zh) * | 2021-07-23 | 2022-11-11 | 中国人民解放军军事科学院国防科技创新研究院 | 基于不确定性的异常卫星组件布局检测方法 |
CN113609763B (zh) * | 2021-07-27 | 2022-11-11 | 中国人民解放军军事科学院国防科技创新研究院 | 基于不确定性的卫星组件布局温度场预测方法 |
CN113792478B (zh) * | 2021-08-20 | 2022-11-11 | 中国人民解放军军事科学院国防科技创新研究院 | 基于集成深度代理模型的热源布局温度场可靠性分析方法 |
CN114417499B (zh) * | 2021-12-27 | 2023-02-28 | 中国人民解放军军事科学院国防科技创新研究院 | 基于神经网络代理模型的组件热布局优化设计方法 |
CN114692348B (zh) * | 2022-03-16 | 2024-04-16 | 中国人民解放军军事科学院国防科技创新研究院 | 基于多保真深度学习代理模型的组件布局温度场预测方法 |
CN114781207B (zh) * | 2022-03-29 | 2024-04-12 | 中国人民解放军军事科学院国防科技创新研究院 | 基于不确定性和半监督学习的热源布局温度场预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942348A (zh) * | 2013-01-17 | 2014-07-23 | 中国空间技术研究院神舟学院 | 一种基于电子表格的卫星设计系统快捷定制及集成方法 |
CN106599428A (zh) * | 2016-12-06 | 2017-04-26 | 东北大学 | 一种芯片热布局方法 |
CN108984998A (zh) * | 2018-09-29 | 2018-12-11 | 深圳市欣顿智能科技有限公司 | 一种考虑复杂工程约束的卫星布局方案设计方法 |
CN110362909A (zh) * | 2019-07-04 | 2019-10-22 | 中国人民解放军军事科学院国防科技创新研究院 | 多目标卫星布局优化设计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096608B (zh) * | 2016-06-14 | 2019-10-11 | 上海温尔信息科技有限公司 | 胸部温度异常区定位方法及装置 |
CN110706314B (zh) * | 2019-09-30 | 2023-04-07 | 广东博智林机器人有限公司 | 元素布局方法、装置、电子设备及可读存储介质 |
-
2020
- 2020-03-31 CN CN202010242370.1A patent/CN111507032B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942348A (zh) * | 2013-01-17 | 2014-07-23 | 中国空间技术研究院神舟学院 | 一种基于电子表格的卫星设计系统快捷定制及集成方法 |
CN106599428A (zh) * | 2016-12-06 | 2017-04-26 | 东北大学 | 一种芯片热布局方法 |
CN108984998A (zh) * | 2018-09-29 | 2018-12-11 | 深圳市欣顿智能科技有限公司 | 一种考虑复杂工程约束的卫星布局方案设计方法 |
CN110362909A (zh) * | 2019-07-04 | 2019-10-22 | 中国人民解放军军事科学院国防科技创新研究院 | 多目标卫星布局优化设计方法 |
Non-Patent Citations (5)
Title |
---|
Deep learning – based inverse method for layout design;Yujie Zhang et al;《STRUCTURAL AND MULTIDISCIPLINARY OPTIMIZATION》;20190831;全文 * |
Optimal cofiguration of discrete heat sources in a vertical duct under conjugate mixed convection using artficial neural networks;T.V.V. Sudhakar et al;《International Journal of Thermal Sciences》;20080730;摘要、第1-5节、图1-14 * |
Optimization of heat source distribution for two-dimensional heat;Kai Chen et al;《International Journal of Heat and Mass Transfer》;20151022;全文 * |
The Components Layout Optimization of Circuit Module Based on the Artificial Nerve Network;Hong-yan Huang et al;《2007 8th International Conference on Electronic Packaging Technology》;20071231;摘要、全文、图1-5 * |
基于模拟退火算法的PCB板电子元件条件热布局优化研究;郎明志;《中国优秀硕士学位论文全文数据库信息科技辑》;20200115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111507032A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507032B (zh) | 基于深度学习技术预测温度分布的组件布局优化设计方法 | |
CN112257321B (zh) | 基于无监督学习的卫星组件温度场确定方法 | |
CN111783331B (zh) | 基于迁移学习的卫星组件温度场确定方法 | |
Sonmez et al. | Symbiotic organisms search algorithm for dynamic economic dispatch with valve-point effects | |
CN113591215B (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
CN113177290B (zh) | 基于深度代理模型归一化的卫星组件温度场预测方法 | |
CN114036787A (zh) | 基于物理先验自监督学习的卫星组件热布局温度场预测 | |
CN108363643A (zh) | 一种基于文件访问热度的hdfs副本管理方法 | |
CN112733275B (zh) | 基于半监督学习的卫星组件热布局温度场预测方法 | |
Singh et al. | A balanced sequential design strategy for global surrogate modeling | |
Ye et al. | Global optimization method using adaptive and parallel ensemble of surrogates for engineering design optimization | |
Anjum et al. | Parallel operated hybrid Arithmetic-Salp swarm optimizer for optimal allocation of multiple distributed generation units in distribution networks | |
Gafar et al. | Optimal parameter estimation of three solar cell models using modified spotted hyena optimization | |
CN113221326B (zh) | 基于teacher-student代理模型的卫星组件温度场预测方法 | |
Zhao et al. | Semi-supervised image classification based on local and global regression | |
CN113609763B (zh) | 基于不确定性的卫星组件布局温度场预测方法 | |
WO2022247092A1 (en) | Methods and systems for congestion prediction in logic synthesis using graph neural networks | |
Zhou et al. | Parallel identification and filling of depressions in raster digital elevation models | |
CN101206727B (zh) | 数据处理装置和数据处理方法 | |
Phan et al. | CFD-based response surface methodology for rapid thermal simulation and optimal design of data centers | |
US11914931B2 (en) | Predicting on chip transient thermal response in a multi-chip system using an RNN-based predictor | |
CN114781207B (zh) | 基于不确定性和半监督学习的热源布局温度场预测方法 | |
Chang et al. | A demonstration of the improved efficiency of the canonical coordinates method using nonlinear combined heat and power economic dispatch problems | |
CN113505929A (zh) | 基于嵌入物理约束深度学习技术的拓扑最优结构预测方法 | |
Lo et al. | Learning based mesh generation for thermal simulation in handheld devices with variable power consumption |
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 |