CN113254382B - 基于超级计算机构建数字数值融合装置的数据处理系统 - Google Patents
基于超级计算机构建数字数值融合装置的数据处理系统 Download PDFInfo
- Publication number
- CN113254382B CN113254382B CN202110774922.8A CN202110774922A CN113254382B CN 113254382 B CN113254382 B CN 113254382B CN 202110774922 A CN202110774922 A CN 202110774922A CN 113254382 B CN113254382 B CN 113254382B
- Authority
- CN
- China
- Prior art keywords
- field data
- fusion device
- candidate
- numerical value
- digital numerical
- 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
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
- G06F15/161—Computing infrastructure, e.g. computer clusters, blade chassis or hardware partitioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于超级计算机构建数字数值融合装置的数据处理系统,包括云计算平台和超级计算机、所述云计算平台和所述超级计算机通信连接,所述超级计算机中包括人工智能模型库、处理器和存储有计算机程序的存储器,所述人工智能模型库中存储有预先训练好的自编码器模型。本发明能够快速准确地构建数字数值融合装置,实现设备全周期仿真。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于超级计算机构建数字数值融合装置的数据处理系统。
背景技术
数字数值融合装置是一种能够构建现实装置或设备的虚拟物理映射,可以实时展现物理装置的运行状态,揭示物理装置内部运行规律的原始仿真模型。构建数字数值融合装置对于物理装置前期的研发定型、运行过程中的虚拟工艺调整和后期的预防性维护有着重要意义。但是,由于数字数值融合装置本身与超大规模计算强耦合,需要巨大的计算量,且由于很多物理装置的全生命周期长,因此对于物理装置全生命周期的管控又对海量数据的存储都有着较高的要求。如果直接基于现有的数据处理系统来生成数字数值融合装置,运算速度慢,构建效率低,当且面对海量的数据,甚至无法完成数字数值融合装置的构建,或者丢失部分数据,无法保证生成数字数值融合装置的准确性。由此可知,如何提供一种支撑构建数字数值融合装置的计算环境,实现快速准确地构建数字数值融合装置,成为亟待解决的技术问题。
发明内容
本发明目的在于,提供一种基于超级计算机构建数字数值融合装置的数据处理系统,能够快速准确地构建数字数值融合装置。
本发明提供了一种基于超级计算机构建数字数值融合装置的数据处理系统,包括云计算平台和超级计算机、所述云计算平台和所述超级计算机通信连接,所述超级计算机中包括人工智能模型库、处理器和存储有计算机程序的存储器,所述人工智能模型库中存储有预先训练好的自编码器模型,当所述处理器执行所述计算机程序时,实现以下步骤:
步骤S1、基于所述云计算平台获取原始仿真模型、采样传感器数据集、原始仿真模型的固定参数列表{ FP1,FP2,…FPM },FPm表示第m个固定参数,m的取值为1到M,原始仿真模型的可变参数列表{ VP1,VP2…VPN }和实际场数据,其中,所述采样传感器数据集包括采样传感器与原始仿真模型的对应关系,M表示当前原始仿真模型固定参数的总数量,N表示当前原始仿真模型中可变参数的总数量, VPi表示第i个可变参数,VPi=(Si,Ei,stepi),Si表示VPi的最小值,Ei表示VPi的最大值,stepi表示VPi的调整步长,i的取值为1到N;
步骤S2、基于(Si,Ei,stepi)获取可变参数的参数组合数量Q:
步骤S3、比较Q和预设的组合数量阈值D,若Q大于D,则执行步骤S4;
步骤S4、从Q个参数组合中随机抽取一个候选可变参数组合{ VP1j,VP2j…VPNj},VPij表示候选可变参数组合中的第i个可变参数值,j的取值为1到Q;
步骤S5、将所述候选可变参数组合与固定参数列表、原始仿真模型和采样传感器数据集生成候选仿真模型;
步骤S6、运行所述候选仿真模型得到候选仿真场数据,将所述候选仿真场数据和
所述实际场数据输入所述自编码器模型中,输出可信度,判断所述可信度是否大于预设的
可信度阈值,若是,将所述候选仿真模型确定为数字数值融合装置,并结束流程,否则,基于
所述可信度确定调整方向和步长调整参数h,并更新候选可变参数组合:若调整方向为正,
则令,若调整方向为负,则令,返回执行步骤S5。
本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案,本发明提供的一种基于超级计算机构建数字数值融合装置的数据处理系统可达到相当的技术进步性及实用性,并具有产业上的广泛利用价值,其至少具有下列优点:
本发明能够基于超级计算机针对设备生命全周期,精确生成对应的数字数值融合装置,实现设备全周期的精确仿真,基于超级计算机,使得整个系统能够快速处理数字数值融合装置生成的整个过程中的海量数据,并能存储数字数值融合装置记录以及数字数值融合装置等对应的海量数据,为设备后续生命周期对应的数字数值融合装置的生成提供数据基础。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
图1为本发明实施例提供的基于超级计算机构建数字数值融合装置的数据处理系统示意图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于超级计算机构建数字数值融合装置的数据处理系统的具体实施方式及其功效,详细说明如后。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。当其操作完成时处理可以被终止,但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
本发明实施例提供了一种基于超级计算机构建数字数值融合装置的数据处理系统,如图1所示,包括云计算平台和超级计算机、所述云计算平台和所述超级计算机通信连接,所述超级计算机中包括人工智能模型库、处理器和存储有计算机程序的存储器,所述人工智能模型库中存储有预先训练好的自编码器模型,当所述处理器执行所述计算机程序时,实现以下步骤:
步骤S1、基于所述云计算平台获取原始仿真模型、采样传感器数据集、原始仿真模型的固定参数列表{ FP1,FP2,…FPM },FPm表示第m个固定参数,m的取值为1到M,原始仿真模型的可变参数列表{ VP1,VP2…VPN }和实际场数据,其中,所述采样传感器数据集包括采样传感器与原始仿真模型的对应关系,M表示当前原始仿真模型固定参数的总数量,N表示当前原始仿真模型中可变参数的总数量, VPi表示第i个可变参数,VPi=(Si,Ei,stepi),Si表示VPi的最小值,Ei表示VPi的最大值,stepi表示VPi的调整步长,i的取值为1到N;
其中,原始仿真模型可以直接基于现有的仿真模型构建工具来构建,仿真模型构建工具包括CAD等,本发明对此不作限定。固定参数列表中的参数指的是随着时间变化数值固定不变的参数,例如设备某一固定结构的长、宽、高。可变参数列表指的是随着设备存在时间的推移而变化的参数,例如设备某一部件的强度。实际场数据是通过物理仿真试验台获取的场数据。
步骤S2、基于(Si,Ei,stepi)获取可变参数的参数组合数量Q:
步骤S3、比较Q和预设的组合数量阈值D,若Q大于D,则执行步骤S4;
需要说明的是,组合数量阈值D的具体大小根据系统的计算能力和实际应用的目标计算速度综合设定。
步骤S4、从Q个参数组合中随机抽取一个候选可变参数组合{ VP1j,VP2j…VPNj},VPij表示候选可变参数组合中的第i个可变参数值,j的取值为1到Q;
步骤S5、将所述候选可变参数组合与固定参数列表、原始仿真模型和采样传感器数据集生成候选仿真模型;
步骤S6、运行所述候选仿真模型得到候选仿真场数据,将所述候选仿真场数据和
所述实际场数据输入所述自编码器模型中,输出可信度,判断所述可信度是否大于预设的
可信度阈值,若是,将所述候选仿真模型确定为数字数值融合装置,并结束流程,否则,基于
所述可信度确定调整方向和步长调整参数h,并更新候选可变参数组合:若调整方向为正,
则令,若调整方向为负,则令,返回执行步骤S5。
当Q大于D的时候,如果运行所有的可变参数的参数组合,会给系统带来很大的计算负担,降低构建数字数值融合装置的效率,因此,通过步骤S4-步骤S6可以基于每一次的运行结果,来获取下一次运行的可变参数的参数组合,使得运行的可变参数的参数组合更加接近于真实的可变参数的参数组合,减少了数据处理的计算量,提高了构建数字数值融合装置的效率和准确度。
本发明实施例能够基于超级计算机针对设备生命全周期,精确生成对应的数字数值融合装置,实现设备全周期的精确仿真,基于超级计算机,使得整个系统能够快速处理数字数值融合装置生成的整个过程中的海量数据,并能存储数字数值融合装置记录以及数字数值融合装置等对应的海量数据,为设备后续生命周期对应的数字数值融合装置的生成提供数据基础。
作为一种实施例,当所述处理器执行所述计算机程序时,还实现以下步骤:
步骤S10、根据预设的多组测点数据建立自编码器模型;
步骤S20、根据信号重建结果的可信度指标训练所述自编码器模型。
其中,具体可根据实验要求建立物理实验装置模型,基于物理实验装置模型获取预设的多组测点数据,所述测点数据为在物理实验装置模型上设置的检测点所采集的检测点数据根据信号重建结果的可信度指标训练所述自编码器模型,使得所述自编码器模型可以判断候选仿真场数据和实际场数据是否吻合,判断候选仿真场数据的可信性。
当Q小于等于D时,则表明当前系统的计算能力足以支撑从Q个参数组合中直接选取最优数据的操作,因此,作为一种实施例,所述步骤S3中,当Q小于等于D时,执行以下步骤:
步骤S7、基于Q个参数组合中每一参数组合,与固定参数列表、原始仿真模型和采样传感器数据集生成对应的候选仿真模型;
步骤S8、运行每一候选仿真模型得到对应的候选仿真场数据,基于实际场数据确定最优候选仿真场数据,将输出所述最优候选仿真场数据的候选仿真模型确定为数字数值融合装置。
可以理解的是,通过步骤S1-步骤S8,可以根据参数组合的数量以及系统的计算能力来选择对应的计算方式来获取最优可变参数组合,提高了数字数值融合装置的构建效率。
作为一种实施例,所述步骤S8中:基于实际场数据确定最优候选仿真场数据,包括:
步骤S81、将实际场数据和每一候选仿真场数据分别转换为对应的实际场数据向量和每一候选仿真场数据向量;
步骤S82、获取每一候选仿真场数据向量与实际场数据向量的欧式距离,将欧式距离最小的候选仿真场数据向量对应的候选仿真场数据确定为最优候选仿真场数据。
作为一种实施例,所述超级计算机还包括存储数据库,当确定数字数值融合装置时,还包括:
步骤S100、为所述数字数值融合装置分配装置id,获取对应的用户id、原始仿真模型id、固定参数列表、可变参数组合和生成时间,并生成数字数值融合装置记录,将所述数字数值融合装置记录和数字数值融合装置存储至所述存储数据库中。
通过步骤S100能够将数字数值融合装置构建过程中所涉及的重要的海量数据进行存储,为设备后续生命周期构建对应的数字数值融合装置提供数据基础。当构建后续生命周期对应的数字数值融合装置时,作为一种实施例,当所述处理器执行所述计算机程序时,还实现以下步骤:
步骤S101、基于所述云计算平台获取用户id、原始仿真模型id和当前实际场数据;
步骤S102、基于所述云计算平台获取的用户id、原始仿真模型id检索所述存储数据库,获取对应的距离当前时刻最近的数字数值融合装置,并获取当前仿真场数据;
步骤S103、判断当前仿真场数据和当前实际场数据的误差在预设误差范围内,若在,则将对应的距离当前时刻最近的数字数值融合装置确定为当前数字数值融合装置,否则,获取距离当前时刻最近的固定参数列表和可变参数组合;
其中,当前仿真场数据和当前实际场数据的误差在预设误差范围内,说明当前数字数值融合装置仍然符合当前设备状态的仿真需求,则直接将距离当前时刻最近的数字数值融合装置确定为当前设备状态对应的数字数值融合装置,节约计算资源。
步骤S104、基于所述云计算平台获取当前可变参数列表和当前固定参数列表,并结结合距离当前时刻最近的固定参数列表和可变参数组合生成目标固定参数列表和目标可变参数列表;
需要说明的是,由于设备部分部件毁损等或者一些部件物理特性等因素,不同的生命时段对应的固定参数列表和可变参数是可能发生变化的,因此根据距离当前时刻最近的固定参数列表和可变参数组合动态调整当前可变参数列表和当前固定参数列表,生成目标固定参数列表和目标可变参数列表,提高了构建数字数值融合装置的数据处理效率和准确性。
步骤S105、将所述目标可变参数列表作为原始仿真模型的固定参数列表,将所述目标固定参数列表作为原始仿真模型的可变参数列表,执行步骤S2至步骤S6或步骤S2至步骤S7,确定对应的目标数字数值融合装置。
作为一种实施例,当确定目标数字数值融合装置时,执行步骤S100,即所述目标数字数值融合装置分配装置id,获取对应的用户id、原始仿真模型id、固定参数列表、可变参数组合和生成时间,并生成数字数值融合装置记录,将所述数字数值融合装置记录和数字数值融合装置存储至所述存储数据库中。这样将每一阶段生成的数字数值融合装置均存储在存储数据库中,能够实现设备周期全覆盖,使得通过设备每一生命阶段均对应有准确的可靠的数字数值融合装置,实现设备仿真。且可以理解的是,受限于成本等因素,物理实验台的模拟范围有限,而基于数字数值融合装置可以在任意位置布置任意数量的测量点进行仿真测量,成本低,且能够快速准确地获取仿真结果。
作为一种实施例,所述云计算平台和所述超级计算机基于预设的统一资源调用接口通信连接,所述统一资源调用接口包括计算接口、存储接口、可视化接口、用户管理接口和软件服务接口。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (8)
1.一种基于超级计算机构建数字数值融合装置的数据处理系统,其特征在于,
包括云计算平台和超级计算机、所述云计算平台和所述超级计算机通信连接,所述超级计算机中包括人工智能模型库、处理器和存储有计算机程序的存储器,所述人工智能模型库中存储有预先训练好的自编码器模型,当所述处理器执行所述计算机程序时,实现以下步骤:
步骤S1、基于所述云计算平台获取原始仿真模型、采样传感器数据集、原始仿真模型的固定参数列表{ FP1,FP2,…FPM },FPm表示第m个固定参数,m的取值为1到M,原始仿真模型的可变参数列表{ VP1,VP2…VPN }和实际场数据,其中,所述采样传感器数据集包括采样传感器与原始仿真模型的对应关系,M表示当前原始仿真模型固定参数的总数量,N表示当前原始仿真模型中可变参数的总数量, VPi表示第i个可变参数,VPi=(Si,Ei,stepi),Si表示VPi的最小值,Ei表示VPi的最大值,stepi表示VPi的调整步长,i的取值为1到N;
步骤S2、基于(Si,Ei,stepi)获取可变参数的参数组合数量Q:
步骤S3、比较Q和预设的组合数量阈值D,若Q大于D,则执行步骤S4;
步骤S4、从Q个参数组合中随机抽取一个候选可变参数组合{ VP1j,VP2j…VPNj},VPij表示候选可变参数组合中的第i个可变参数值,j的取值为1到Q;
步骤S5、将所述候选可变参数组合与固定参数列表、原始仿真模型和采样传感器数据集生成候选仿真模型;
2.根据权利要求1所述的系统,其特征在于,
当所述处理器执行所述计算机程序时,还实现以下步骤:
步骤S10、根据预设的多组测点数据建立自编码器模型,所述测点数据为在物理实验装置模型上设置的检测点所采集的检测点数据;
步骤S20、根据信号重建结果的可信度指标训练所述自编码器模型。
3.根据权利要求1所述的系统,其特征在于,
所述步骤S3中,当Q小于等于D时,执行以下步骤:
步骤S7、基于Q个参数组合中每一参数组合,与固定参数列表、原始仿真模型和采样传感器数据集生成对应的候选仿真模型;
步骤S8、运行每一候选仿真模型得到对应的候选仿真场数据,基于实际场数据确定最优候选仿真场数据,将输出所述最优候选仿真场数据的候选仿真模型确定为数字数值融合装置。
4.根据权利要求3所述的系统,其特征在于,
所述步骤S8中:基于实际场数据确定最优候选仿真场数据,包括:
步骤S81、将实际场数据和每一候选仿真场数据分别转换为对应的实际场数据向量和每一候选仿真场数据向量;
步骤S82、获取每一候选仿真场数据向量与实际场数据向量的欧式距离,将欧式距离最小的候选仿真场数据向量对应的候选仿真场数据确定为最优候选仿真场数据。
5.根据权利要求1或3所述的系统,其特征在于,
所述超级计算机还包括存储数据库,当确定数字数值融合装置时,还包括:
步骤S100、为所述数字数值融合装置分配装置id,获取对应的用户id、原始仿真模型id、固定参数列表、可变参数组合和生成时间,并生成数字数值融合装置记录,将所述数字数值融合装置记录和数字数值融合装置存储至所述存储数据库中。
6.根据权利要求5所述的系统,其特征在于,
当所述处理器执行所述计算机程序时,还实现以下步骤:
步骤S101、基于所述云计算平台获取用户id、原始仿真模型id和当前实际场数据;
步骤S102、基于所述云计算平台获取的用户id、原始仿真模型id检索所述存储数据库,获取对应的距离当前时刻最近的数字数值融合装置,并获取当前仿真场数据;
步骤S103、判断当前仿真场数据和当前实际场数据的误差是否在预设误差范围内,若在,则将对应的距离当前时刻最近的数字数值融合装置确定为当前数字数值融合装置,否则,获取距离当前时刻最近的固定参数列表和可变参数组合;
步骤S104、基于所述云计算平台获取当前可变参数列表和当前固定参数列表,并结合距离当前时刻最近的固定参数列表和可变参数组合生成目标固定参数列表和目标可变参数列表;
步骤S105、将所述目标可变参数列表作为原始仿真模型的固定参数列表,将所述目标固定参数列表作为原始仿真模型的可变参数列表,执行步骤S2至步骤S6或步骤S2至步骤S7,确定对应的目标数字数值融合装置。
7.根据权利要求6所述的系统,其特征在于,
当确定目标数字数值融合装置时,执行步骤S100。
8.根据权利要求1所述的系统,其特征在于,
所述云计算平台和所述超级计算机基于预设的统一资源调用接口通信连接,所述统一资源调用接口包括计算接口、存储接口、可视化接口、用户管理接口和软件服务接口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110774922.8A CN113254382B (zh) | 2021-07-09 | 2021-07-09 | 基于超级计算机构建数字数值融合装置的数据处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110774922.8A CN113254382B (zh) | 2021-07-09 | 2021-07-09 | 基于超级计算机构建数字数值融合装置的数据处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113254382A CN113254382A (zh) | 2021-08-13 |
CN113254382B true CN113254382B (zh) | 2021-10-01 |
Family
ID=77191032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110774922.8A Active CN113254382B (zh) | 2021-07-09 | 2021-07-09 | 基于超级计算机构建数字数值融合装置的数据处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113254382B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417549B (zh) * | 2021-11-29 | 2023-09-22 | 天津大学 | 一种基于超级计算机的数字孪生目标场数据处理系统 |
CN114464269B (zh) * | 2022-04-07 | 2022-07-08 | 国家超级计算天津中心 | 一种虚拟药物生成方法、装置及计算机设备 |
CN114462260B (zh) * | 2022-04-14 | 2022-07-08 | 国家超级计算天津中心 | 基于超级计算机的磁约束聚变融合数值处理系统 |
CN115526064B (zh) * | 2022-11-03 | 2023-03-28 | 西安羚控电子科技有限公司 | 战场仿真多源数据融合的方法、装置及存储介质 |
CN117473798B (zh) * | 2023-12-26 | 2024-05-14 | 国家超级计算天津中心 | 仿真项目管理方法、装置、设备和存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9323572B2 (en) * | 2011-06-02 | 2016-04-26 | International Business Machines Corporation | Autoconfiguration of a cloud instance based on contextual parameters |
CN102724176A (zh) * | 2012-02-23 | 2012-10-10 | 北京市计算中心 | 一种面向云计算环境的入侵检测系统 |
CN102880517B (zh) * | 2012-09-29 | 2014-10-22 | 中国人民解放军国防科学技术大学 | 一种基于超级计算机的hla仿真程序的对象调度方法 |
CN106599458A (zh) * | 2016-12-13 | 2017-04-26 | 国家超级计算天津中心 | 一种基于天河超级计算机的城市爆炸毁伤效果评估方法 |
CN108734148A (zh) * | 2018-05-29 | 2018-11-02 | 河南牧业经济学院 | 一种基于云计算的公共场合图像信息采集无人机控制系统 |
CN111241660B (zh) * | 2019-12-31 | 2023-05-12 | 湖南高速铁路职业技术学院 | 一种基于云计算技术的土木工程实验检测系统及方法 |
CN112052071B (zh) * | 2020-09-08 | 2023-07-04 | 福州大学 | 强化学习和机器学习相结合的云软件服务资源分配方法 |
-
2021
- 2021-07-09 CN CN202110774922.8A patent/CN113254382B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113254382A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113254382B (zh) | 基于超级计算机构建数字数值融合装置的数据处理系统 | |
CN110442936B (zh) | 基于数字孪生模型的设备故障诊断方法、装置及系统 | |
CN110413227B (zh) | 一种硬盘设备的剩余使用寿命在线预测方法和系统 | |
CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及系统 | |
CN108959794B (zh) | 一种基于深度学习的结构频响动力学模型修正方法 | |
CN111695301A (zh) | 电池电荷状态的预测方法及预测装置、存储介质、设备 | |
CN111126700B (zh) | 用能预测方法、装置、设备及存储介质 | |
EP3739494A2 (en) | Method, apparatus, system, and program for optimizing solid electrolytes for li-ion batteries using bayesian optimization | |
CN116450486B (zh) | 多元异构计算系统内节点的建模方法、装置、设备及介质 | |
JP2023520970A (ja) | リチウム電池のsoc推定方法、装置及びコンピュータ読み取り可能な記憶媒体 | |
Chirodea et al. | Comparison of tensorflow and pytorch in convolutional neural network-based applications | |
CN115186555B (zh) | 基于数字孪生的干燥设备实况仿真方法及相关设备 | |
CN115392037A (zh) | 设备故障预测方法、装置、设备及存储介质 | |
CN113591364A (zh) | 燃料电池管理系统的管理方法及装置 | |
CN110232130B (zh) | 元数据管理谱系生成方法、装置、计算机设备和存储介质 | |
Bağbaba | Improving collective i/o performance with machine learning supported auto-tuning | |
CN111159828A (zh) | 电池箱散热优化设计方法及其装置、设备及存储介质 | |
CN113722860A (zh) | 基于降阶模型的瞬态热力状态在线评估方法、设备及介质 | |
CN111967187A (zh) | 一种预测燃气轮机启动过程输出数据的建模方法及设备 | |
CN114417549B (zh) | 一种基于超级计算机的数字孪生目标场数据处理系统 | |
CN115238398B (zh) | 基于子区间相似度的飞行器结构随机模型修正方法及装置 | |
CN115438452B (zh) | 一种时序网络信号的可靠性传输检测方法 | |
CN117763504A (zh) | 一种电能量数据空值处理方法、系统及存储介质 | |
CN116680969A (zh) | 一种pso-bp算法的充填体评估参数预测方法及装置 | |
CN117687868A (zh) | 一种云平台任务cpu平均使用率预测方法 |
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 |