CN112149253B - 基于分布式混合协同代理模型的工程结构可靠性评估方法 - Google Patents
基于分布式混合协同代理模型的工程结构可靠性评估方法 Download PDFInfo
- Publication number
- CN112149253B CN112149253B CN202011018037.9A CN202011018037A CN112149253B CN 112149253 B CN112149253 B CN 112149253B CN 202011018037 A CN202011018037 A CN 202011018037A CN 112149253 B CN112149253 B CN 112149253B
- Authority
- CN
- China
- Prior art keywords
- engineering structure
- model
- sub
- subsystem layer
- subsystem
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 12
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 239000003795 chemical substances by application Substances 0.000 claims description 44
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 10
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 18
- 239000000126 substance Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Manufacturing & Machinery (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于分布式混合协同代理模型的工程结构可靠性评估方法,包括以下步骤:将工程结构分解为多个子系统层;选取最下子系统层中的工程结构子对象的随机输入变量,并获取随机输入变量的输入样本;建立最下子系统层中的工程结构子对象的有限元模型,获取各工程结构子对象的输出指标;建立最下子系统层中的工程结构子对象的不同类型代理模型,以精度最高的代理模型为最下子系统层的工程结构子对象的最优代理模型,逐层向上获取工程结构的最优代理模型,进行可靠性评估。与现有技术相比,本发明将整体复杂结构分解为分布在多个层次的子对象,子对象参数量减少,非线性程度降低,计算量减少,利于提高工程结构代理模型逼近精度和仿真速度。
Description
技术领域
本发明涉及一种工程结构可靠性评估方法,尤其是涉及一种基于分布式混合协同代理模型的工程结构可靠性评估方法。
背景技术
复杂机械结构很多情况下都是由若干个构件装配而成的结构系统,如燃气涡轮发动机转子结构系统,就是由主轴、轮盘、叶片等构件装配而成。机械结构分析问题的对象也往往会涉及到多个构件,因此,结构系统可靠性设计是一个涉及到多个对象、多个学科的复杂分析问题,计算量极大。如果将结构系统直接作为一个整体进行优化和设计,一般计算平台无法承受如此大的计算负担,设计效率无法接受,甚至无法实现。为了改善计算效率,寻求代理模型代替真实结构模型进行分析设计是目前研究工作者惯用做法,然而,复杂结构设计分析涉及到多个层次的多个对象、多个学科的分析,并与它们之间的协同分析设计息息相关。如果要使整体结构得到更合理的设计,势必需要先分层次地对各对象、各学科的子模型进行单独研究,再进行整体结构的多层次、多模型协同分析设计。
然而,复杂结构可靠性设计涉及的多个层次的子对象的代理模型都具有不同特点,如非线性程度、参数规模、显/隐式、时变性等。目前基于一种代理模型建立的分布式协同代理模型,并不能很好逼近具有不同特点的多个子对象分析,以至于不同子模型的可靠性设计精度和效率得不到保证。
因此,在如此复杂的多对象、多参数工程结构分析的实际问题中,如何建立能权衡精度与效率的先进代理模型,探索多层次、多模型协同优化与可靠性设计方法,解决更广泛的工程可靠性设计问题,这仍然是一个亟需解决的问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于分布式混合协同代理模型的工程结构可靠性评估方法。
本发明的目的可以通过以下技术方案来实现:
一种基于分布式混合协同代理模型的工程结构可靠性评估方法,包括以下步骤:
S1:将工程结构分解为多个子系统层,每个子系统层中包括多个工程结构子对象,每个子系统层中的工程结构子对象由下一子系统层中的工程结构子对象组成;
S2:选取最下子系统层中的工程结构子对象的随机输入变量,并获取随机输入变量的输入样本;
S3:建立最下子系统层中的工程结构子对象的有限元模型,将输入样本输入到有限元模型中,获取各工程结构子对象的输出指标;
S4:建立最下子系统层中的工程结构子对象的不同类型代理模型,并根据输入样本和输出指标拟合代理模型,选取精度最高的代理模型为最下子系统层的工程结构子对象的最优代理模型;
S5:根据最下子系统层中的工程结构子对象的最优代理模型逐层向上获取每个子系统层的工程结构子对象的最优代理模型;
S6:根据最上子系统层中的工程结构子对象的最优代理模型获取工程结构的最优代理模型,并进行工程结构的可靠性评估。
优选地,所述的S4中不同类型代理模型包括多项式模型、支持向量机模型、Kriging模型、人工神经网络模型和其他先进代理模型。
优选地,所述的S5具体包括:
S51:将最下层子系统层的输入样本输入最下子系统层中的工程结构子对象的最优代理模型,获取最优代理模型的输出指标;
S52:将下一层子系统层的输出指标作为中间子系统层的输入样本,建立中间子系统层的工程结构子对象的分析模型,将中间子系统层的输入样本输入到中间子系统层的工程结构子对象的分析模型中,获取中间子系统层的工程结构子对象的输出指标;
S53:建立中间子系统层的工程结构子对象的不同类型代理模型,根据中间子系统层的工程结构子对象的输入样本和输出指标拟合代理模型,选取精度最高的代理模型为中间子系统层的工程结构子对象的最优代理模型。
优选地,所述的中间子系统层的工程结构子对象的分析模型为中间子系统层的工程结构子对象的有限元模型或中间子系统层的工程结构子对象基于下一子系统层的工程结构子对象的最优代理模型获取的经验模型。
优选地,所述的S6具体包括:
S61:将最上层子系统层的输入样本输入最上子系统层中的工程结构子对象的最优代理模型,获取最优代理模型的输出指标,并作为工程结构的输入样本;
S62:建立工程结构的分析模型,将工程结构的输入样本输入到工程结构的分析模型中,获取工程结构的输出指标;
S63:建立工程结构的不同类型代理模型,根据工程结构的输入样本和输出指标拟合代理模型,选取精度最高的代理模型为工程结构的最优代理模型;
S64:对工程结构的最优代理模型进行概率仿真,获取工程结构的可靠性评估结果。
优选地,所述的工程结构的分析模型为工程结构的有限元模型或工程结构基于最上层子系统层的工程结构子对象的最优代理模型获取的经验模型。
优选地,所述的步骤S1具体包括:
S11:建立工程结构的总体代理模型;
S12:将工程结构划分为多级子系统层,构建工程系统的总协调系统函数;
S13:建立子系统层的子系统协调函数,完成工程结构分解。
优选地,所述的多级子系统层包括一级子系统层和二级子系统层,所述的一级子系统层中包括多个一级子对象,所述的二级子系统层中包括多个二级子对象。
优选地,所述的总体代理模型为:
Y=f(x)
其中,Y为总体代理模型的输出相应,x为总体代理模型的输入变量。
优选地,所述的工程系统的总协调系统函数为:
Y=f(Y(1),Y(2),···,Y(m))
其中,Y(i)(i=1,2,...,m)为一级子系统层中的第i个子对象,m为一级子系统层中包括的子对象的数量;
优选地,所述的一级子系统层的子系统协调函数为:
Y(i)=f(Y(i1),Y(i2),···,Y(in))
其中Y(ij)(i=1,2,...,m;j=1,2,...,n)为Y(i)中的第j个子对象,n为Y(ij)中包括的子对象的数量;
优选地,所述的二级子系统层的子系统协调函数为:
Y(ij)=f(x(ij))
优选地,为便于体现代理模型的建立过程,对于包括一级子系统层和二级子系统层的多级子系统层,本发明根据分解后的工程结构逐层获取工程结构的协调代理函数:
第i个一级子系统层子对象的第j个二级子系统层子对象的协调代理函数为:
第i个一级子系统层子对象的协调代理函数:
并建立工程结构的总协调代理函数:
与现有技术相比,本发明具有如下优点:
(1)利用分布式协同代理模型,将整体复杂结构分解为分布在多个层次的多个子对象,子对象所含的参数量会减少,非线性程度也会降低,计算量也会减少,有利于提高工程结构代理模型逼近精度和仿真速度;
(2)相对简单的子对象代理模型可靠性设计有利于解决输出参数与输入参量间的非线性的问题,更容易、更全面、更具体、更客观地考虑随机参量的作用,来提高建模精度和可靠性设计的准确性;
(3)本发明构建工程结构的各层子系统层的子对象的多种代理模型,构建分布式混合协调代理模型,包括多项式模型、支持向量机模型、人工神经网络模型、Kriging模型、深度学习等,并选取其中精度最高的作为最优代理模型建立工程结构的代理模型,既保证了工程实际问题的需要,同时又大大简化了计算,有效地提高了可靠性设计的计算效率和精度。
附图说明
图1为工程结构可靠性设计的分布式协同混合代理模型方法流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意,以下的实施方式的说明只是实质上的例示,本发明并不意在对其适用物或其用途进行限定,且本发明并不限定于以下的实施方式。
实施例
一种基于分布式混合协同代理模型的工程结构可靠性评估方法,将带有少参数、低非线性程度的多个层次的多个子对象的可靠性设计问题,分别构造其各子对象的合理的代理模型,将这些子对象的代理模型称为分布式代理模型,其中不同的各子对象的代理模型不同称为分布式混合代理模型,本发明包括以下步骤:
S1:将工程结构分解为多个子系统层,每个子系统层中包括多个工程结构子对象,每个子系统层中的工程结构子对象由下一子系统层中的工程结构子对象组成。
步骤S1具体包括:
S11:建立工程结构的总体代理模型;
S12:将工程结构划分为多级子系统层,构建工程系统的总协调系统函数;
S13:建立子系统层的子系统协调函数,完成工程结构分解。
S2:选取最下子系统层中的工程结构子对象的随机输入变量,并获取随机输入变量的输入样本。
本实施例中,以航空发动机高压涡轮叶盘为例子加以说明,通过其变形、应力和应变多种失效模式动态综合可靠性分析验证分布式协同混合代理模型的有效性,基于工程经验选取燃气温度、进口流速、密度和转速作为随机输入变量,并基于拉丁超立方抽样方法,提取足够的输入样本。
S3:建立最下子系统层中的工程结构子对象的有限元模型,将输入样本输入到有限元模型中,获取各工程结构子对象的输出指标。
本实施例中取各工程结构子对象的输出指标包括应变、应力、变形。
S4:建立最下子系统层中的工程结构子对象的不同类型代理模型,并根据输入样本和输出指标拟合代理模型,选取精度最高的代理模型为最下子系统层的工程结构子对象的最优代理模型。
本实施例中,不同类型代理模型包括多项式模型、支持向量机模型、Kriging模型和人工神经网络模型。
S5:根据最下子系统层中的工程结构子对象的最优代理模型逐层向上获取每个子系统层的工程结构子对象的最优代理模型。
S5具体包括:
S51:将最下层子系统层的输入样本输入最下子系统层中的工程结构子对象的最优代理模型,获取最优代理模型的输出指标;
S52:将下一层子系统层的输出指标作为中间子系统层的输入样本,建立中间子系统层的工程结构子对象的分析模型,将中间子系统层的输入样本输入到中间子系统层的工程结构子对象的分析模型中,获取中间子系统层的工程结构子对象的输出指标;
S53:建立中间子系统层的工程结构子对象的不同类型代理模型,根据中间子系统层的工程结构子对象的输入样本和输出指标拟合代理模型,选取精度最高的代理模型为中间子系统层的工程结构子对象的最优代理模型。
本实施例中,中间子系统层的工程结构子对象的分析模型为中间子系统层的工程结构子对象的有限元模型或中间子系统层的工程结构子对象基于下一子系统层的工程结构子对象的最优代理模型获取的经验模型。
S6:根据最上子系统层中的工程结构子对象的最优代理模型获取工程结构的最优代理模型,并进行工程结构的可靠性评估。
S61:将最上层子系统层的输入样本输入最上子系统层中的工程结构子对象的最优代理模型,获取最优代理模型的输出指标,并作为工程结构的输入样本;
S62:建立工程结构的分析模型,将工程结构的输入样本输入到工程结构的分析模型中,获取工程结构的输出指标;
S63:建立工程结构的不同类型代理模型,根据工程结构的输入样本和输出指标拟合代理模型,选取精度最高的代理模型为工程结构的最优代理模型;
S64:对工程结构的最优代理模型进行概率仿真,获取工程结构的可靠性评估结果。
本实施例中,工程结构的分析模型为工程结构的有限元模型或工程结构基于最上层子系统层的工程结构子对象的最优代理模型获取的经验模型。
本发明的一种实施方式中,多级子系统层包括一级子系统层和二级子系统层,一级子系统层中包括多个一级子对象,二级子系统层中包括多个二级子对象。
对应的,总体代理模型为:
Y=f(x)
其中,Y为总体代理模型的输出相应,x为总体代理模型的输入变量。
工程系统的总协调系统函数为:
Y=f(Y(1),Y(2),···,Y(m))
其中,Y(i)(i=1,2,...,m)为一级子系统层中的第i个子对象,m为一级子系统层中包括的子对象的数量;
一级子系统层的子系统协调函数为:
Y(i)=f(Y(i1),Y(i2),···,Y(in))
其中Y(ij)(i=1,2,...,m;j=1,2,...,n)为Y(i)中的第j个子对象,n为Y(ij)中包括的子对象的数量;
二级子系统层的子系统协调函数为:
Y(ij)=f(x(ij))
与划分好的工程结构对应,本实施例中为便于体现代理模型的建立过程,对于包括一级子系统层和二级子系统层的多级子系统层,本发明根据分解后的工程结构逐层获取工程结构的协调代理函数:
第i个一级子系统层子对象的第j个二级子系统层子对象的协调代理函数为:
第i个一级子系统层子对象的协调代理函数:
并建立工程结构的总协调代理函数:
上述实施方式仅为例举,不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施,且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
Claims (1)
1.一种基于分布式混合协同代理模型的工程结构可靠性评估方法,其特征在于,包括以下步骤:
S1:将工程结构分解为多个子系统层,每个子系统层中包括多个工程结构子对象,每个子系统层中的工程结构子对象由下一子系统层中的工程结构子对象组成;
S2:选取最下子系统层中的工程结构子对象的随机输入变量,并获取随机输入变量的输入样本;
S3:建立最下子系统层中的工程结构子对象的有限元模型,将输入样本输入到有限元模型中,获取各工程结构子对象的输出指标;
S4:建立最下子系统层中的工程结构子对象的不同类型代理模型,并根据输入样本和输出指标拟合代理模型,选取精度最高的代理模型为最下子系统层的工程结构子对象的最优代理模型;
S5:根据最下子系统层中的工程结构子对象的最优代理模型逐层向上获取每个子系统层的工程结构子对象的最优代理模型;
S6:根据最上子系统层中的工程结构子对象的最优代理模型获取工程结构的最优代理模型,并进行工程结构的可靠性评估;
所述的步骤S1具体包括:
S11:建立工程结构的总体代理模型;
S12:将工程结构划分为多级子系统层,构建工程系统的总协调系统函数;
S13:建立子系统层的子系统协调函数,完成工程结构分解;
所述的多级子系统层包括一级子系统层和二级子系统层,所述的一级子系统层中包括多个一级子对象,所述的二级子系统层中包括多个二级子对象;
所述的总体代理模型为:
Y=f(x)
其中,Y为总体代理模型的输出相应,x为总体代理模型的输入变量;
所述的工程系统的总协调系统函数为:
Y=f(Y(1),Y(2),···,Y(m))
其中,Y(i)(i=1,2,...,m)为一级子系统层中的第i个子对象,m为一级子系统层中包括的子对象的数量;
所述的一级子系统层的子系统协调函数为:
Y(i)=f(Y(i1),Y(i2),···,Y(in))
其中Y(ij)(i=1,2,...,m;j=1,2,...,n)为Y(i)中的第j个子对象,n为Y(ij)中包括的子对象的数量;
所述的二级子系统层的子系统协调函数为:
Y(ij)=f(x(ij))
所述的S4中不同类型代理模型包括多项式模型、支持向量机模型、Kriging模型和人工神经网络模型;
所述的S5具体包括:
S51:将最下层子系统层的输入样本输入最下子系统层中的工程结构子对象的最优代理模型,获取最优代理模型的输出指标;
S52:将下一层子系统层的输出指标作为中间子系统层的输入样本,建立中间子系统层的工程结构子对象的分析模型,将中间子系统层的输入样本输入到中间子系统层的工程结构子对象的分析模型中,获取中间子系统层的工程结构子对象的输出指标;
S53:建立中间子系统层的工程结构子对象的不同类型代理模型,根据中间子系统层的工程结构子对象的输入样本和输出指标拟合代理模型,选取精度最高的代理模型为中间子系统层的工程结构子对象的最优代理模型;
所述的S6具体包括:
S61:将最上层子系统层的输入样本输入最上子系统层中的工程结构子对象的最优代理模型,获取最优代理模型的输出指标,并作为工程结构的输入样本;
S62:建立工程结构的分析模型,将工程结构的输入样本输入到工程结构的分析模型中,获取工程结构的输出指标;
S63:建立工程结构的不同类型代理模型,根据工程结构的输入样本和输出指标拟合代理模型,选取精度最高的代理模型为工程结构的最优代理模型;
S64:对工程结构的最优代理模型进行概率仿真,获取工程结构的可靠性评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011018037.9A CN112149253B (zh) | 2020-09-24 | 2020-09-24 | 基于分布式混合协同代理模型的工程结构可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011018037.9A CN112149253B (zh) | 2020-09-24 | 2020-09-24 | 基于分布式混合协同代理模型的工程结构可靠性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149253A CN112149253A (zh) | 2020-12-29 |
CN112149253B true CN112149253B (zh) | 2022-04-01 |
Family
ID=73896667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011018037.9A Active CN112149253B (zh) | 2020-09-24 | 2020-09-24 | 基于分布式混合协同代理模型的工程结构可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149253B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239495A (zh) * | 2021-05-31 | 2021-08-10 | 复旦大学 | 一种基于矢量混合代理模型的复杂结构可靠性设计方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6292830B1 (en) * | 1997-08-08 | 2001-09-18 | Iterations Llc | System for optimizing interaction among agents acting on multiple levels |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1180255A2 (en) * | 1999-05-24 | 2002-02-20 | Lockheed Martin Corporation | Total ownership cost estimation of complex systems |
WO2016110658A2 (fr) * | 2015-01-09 | 2016-07-14 | Snecma | Procede de determination d'exigences d'operabilite probabilisees d'un systeme et de ses sous-systemes constitutifs. |
CN108599151A (zh) * | 2018-04-28 | 2018-09-28 | 国网山东省电力公司电力科学研究院 | 一种电力系统可靠性评估动态并行计算方法 |
CN110728034B (zh) * | 2019-09-24 | 2022-11-08 | 东南大学 | 一种利用多级协作式机器学习的天线快速多目标建模方法 |
-
2020
- 2020-09-24 CN CN202011018037.9A patent/CN112149253B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6292830B1 (en) * | 1997-08-08 | 2001-09-18 | Iterations Llc | System for optimizing interaction among agents acting on multiple levels |
Also Published As
Publication number | Publication date |
---|---|
CN112149253A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105808829B (zh) | 一种基于cpu+gpu异构并行计算的透平机械叶片固有频率特性分析方法 | |
CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
CN113241132B (zh) | 一种材料辐照损伤预测机器学习模型的建立方法和系统 | |
EP3896699A1 (en) | Using machine learning for generating chemical product formulations | |
Lalonde et al. | Comparison of neural network types and architectures for generating a surrogate aerodynamic wind turbine blade model | |
CN112149253B (zh) | 基于分布式混合协同代理模型的工程结构可靠性评估方法 | |
Mandelli et al. | Dynamic PRA: an overview of new algorithms to generate, analyze and visualize data | |
Słowik et al. | Multipopulation nature-inspired algorithm (MNIA) for the designing of interpretable fuzzy systems | |
CN106970803A (zh) | 一种软件系统演化的分析方法和装置 | |
Hajela et al. | Genetic algorithms in multidisciplinary rotor blade design | |
CN112287484B (zh) | 一种基于矢量代理模型的复杂工程系统可靠性设计方法 | |
Sagiyama et al. | Machine learning materials physics: deep neural networks trained on elastic free energy data from martensitic microstructures predict homogenized stress fields with high accuracy | |
CN112100759A (zh) | 复杂工程结构系统逼近分析的分布式协同代理模型方法 | |
Chen et al. | Dimensionality reduction-based extremum surrogate modeling strategy for transient reliability analysis of complex structures | |
Zhou et al. | Machine learning based asymptotic homogenization and localization: Predictions of key local behaviors of multiscale configurations bearing microstructural varieties | |
JPH0736847A (ja) | 人工知能における学習・推論方法および装置 | |
CN106407609A (zh) | 基于Neumann随机有限元对齿轮箱进行优化设计的方法 | |
Jiang et al. | Analytical target cascading using ensemble of surrogates for engineering design problems | |
Lukatskii et al. | Algorithms and software for studying the impact of fuel and energy prices on the economy of the Russian federation | |
CN113761777A (zh) | 一种基于hp-ovmd的超短期光伏功率预测方法 | |
Grednev et al. | AI-assisted study of auxetic structures | |
CN111680846A (zh) | 一种基于l1和l2范数的简化宽度学习系统 | |
Miao et al. | Rotate vector reducer design using resnet-based model and integration of discretized optimization | |
Wissink et al. | An Overview of the CREATE™ Applied Surrogates Institute | |
Bhaduri et al. | Efficient surrogate modeling for turbine blade row cyclic symmetric mode shapes |
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 |