CN114297946A - 一种实现多学科仿真模型降阶的工业互联网平台 - Google Patents
一种实现多学科仿真模型降阶的工业互联网平台 Download PDFInfo
- Publication number
- CN114297946A CN114297946A CN202210118111.7A CN202210118111A CN114297946A CN 114297946 A CN114297946 A CN 114297946A CN 202210118111 A CN202210118111 A CN 202210118111A CN 114297946 A CN114297946 A CN 114297946A
- Authority
- CN
- China
- Prior art keywords
- model
- order
- reduced
- simulation
- candidate
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种实现多学科仿真模型降阶的工业互联网平台,涉及仿真优化领域,该工业互联网平台包括以组件化形式存在的不同功能,能够根据业务进行仿真结果数据采集和模型训练,可以根据业务快速制作针对多学科仿真模型降阶建模流程,提供多种先进降阶算法,适应更多的学科仿真场景,为工业复杂的仿真场景提供降阶模型建模方案,同单个仿真软件解耦,最终自动寻优选定目标降阶模型,显著降低降阶模型建模难度,加快建模速度,缩短设计和开发周期。
Description
技术领域
本发明涉及仿真优化领域,尤其是一种实现多学科仿真模型降阶的工业互联网平台。
背景技术
仿真优化是工业智能设计中重要的一环,其核心环节是在满足约束条件下,采用优化算法寻找一组仿真模型的输入参数,使得仿真模型的某个或某些输出性能达到最优,即对仿真模型的参数进行优化。但是数值计算仿真模型,特别是多维模型的运行需要大量计算资源,一次仿真时间可达数十分钟,甚至数小时,因此在计算资源一定的情况下,仿真模型可执行的次数受到了限制,影响了研发设计的效率。所以一般需要首先对仿真模型进行模型降阶以实现简化降维,模型降阶也即在可接受的精度牺牲范围内,实现模型预测计算最小化。
近年来,在新产品开发制造的需求牵引及相关学科技术发展的推动下,以支持多领域协同技术为特征的复杂产品的虚拟样机技术成为研究的热点,复杂产品通常包含机械、控制、液压软件等各学科子系统,由此构建得到的是复杂的包含多维参数的多学科仿真模型,但是不同学科场景下,有各自适合的降阶算法、种类繁多,另外参数较多,造成使用门槛较高,导致目前对多学科仿真模型的模型降阶的操作难度较高、效果也不够理想。
发明内容
本发明人针对上述问题及技术需求,提出了一种实现多学科仿真模型降阶的工业互联网平台,本发明的技术方案如下:
一种实现多学科仿真模型降阶的工业互联网平台,该工业互联网平台包括仿真接口组件和降阶组件,仿真接口组件连接若干种不同学科场景的仿真软件,工业互联网平台在运行过程中:
仿真接口组件调用产品子系统所属的学科场景的仿真软件,按照仿真模型参数执行仿真任务获取仿真结果数据;
降阶组件根据降阶需求信息和仿真结果数据的数据类型、基于降阶算法库中的降阶算法构建若干个不同的候选降阶模型,每个候选降阶模型采用相应的降阶算法以及降阶参数,且构建的候选降阶模型采用多种不同的降阶算法;
降阶组件利用仿真结果数据分别训练各个候选降阶模型,并确定各个候选降阶模型的模型性能参数;
基于各个候选降阶模型的模型性能参数从中选定候选降阶模型作为产品子系统的目标降阶模型。
其进一步的技术方案为,构建若干个不同的候选降阶模型,包括:
从降阶算法库中选择满足降阶需求信息和仿真结果数据的数据类型的多种不同的降阶算法以及对应的参数范围,并在参数范围内确定降阶算法对应的多个不同的降阶参数;
基于各种降阶算法及对应的多种不同的降阶参数的排列组合构建得到若干个不同的候选降阶模型。
其进一步的技术方案为,降阶算法库中的降阶算法包括克里金、BalancedTruncation、正交分解法、Krylov方法、长短期记忆神经网络、物理信息神经网络、神经元神经网络、编码解码神经网络中的至少两种。
其进一步的技术方案为,分别训练各个候选降阶模型,包括:
利用计算机集群并行训练各个候选降阶模型。
其进一步的技术方案为,确定各个候选降阶模型的模型性能参数,包括对于每个候选降阶模型:
对候选降阶模型的若干个模型关键特征进行加权计算得到候选降阶模型的模型性能参数,模型关键特征是对候选降阶模型训练过程中产生的反映模型准确度和/或模型速度的特征。
其进一步的技术方案为,在对候选降阶模型的多个模型关键特征进行加权计算时,各个模型关键特征的权重与降阶需求信息匹配;当降阶需求信息指示模型准确度优先时,反映模型准确度的模型关键特征的权重越高;当降阶需求信息指示模型速度优先时,反映模型速度的模型关键特征的权重越高。
其进一步的技术方案为,降阶需求信息包括模型性能需求和/或模型线性度关系需求,模型性能需求指示模型准确度优先或模型速度优先或综合性能优先,模型线性度关系需求指示线性模型优先或非线性模型优先。
其进一步的技术方案为,工业互联网平台还包括优化设计组件,工业互联网平台在运行过程中:
优化设计组件在目标降阶模型的运行过程中,基于目标函数和优化方案对目标降阶模型的模型参数进行优化。
其进一步的技术方案为,工业互联网平台还包括数据采集组件,数据采集组件连接若干个数据采集器或上游平台,工业互联网平台在运行过程中:
数据采集组件调用数据采集器采集实时数据或从上游平台获取实时数据,并输入目标降阶模型得到对应的输出结果。
其进一步的技术方案为,工业互联网平台还包括数字孪生组件,工业互联网平台在运行过程中,数字孪生组件展示目标降阶模型的可视化结果。
本发明的有益技术效果是:
本申请公开了一种实现多学科仿真模型降阶的工业互联网平台,基于平台化设计提供了一个仿真模型建模工具集,功能以组件化存在,提供多种先进降阶算法,适应更多的学科仿真场景,为工业复杂的仿真场景提供降阶模型建模方案,可根据业务灵活搭建模型训练流程,同单个仿真软件解耦,能够快速制作针对多学科仿真模型降阶建模流程,比如模型数据采集,模型训练,缩短设计和开发周期。
可以同时并行训练多个降阶模型,加快模型训练速度,另外,可以根据场景使用不同的权重对降阶模型进行评分,给用户推荐出最优的模型,适应不同场景的使用需要,降低使用门槛。该平台还可以实现自主寻优和结合应用上下游的模型调用和部署,通用性强,适用于多学科仿真模型,显著降低降阶模型建模难度,加快建模速度,降低开发成本。
附图说明
图1是本申请的工业互联网平台的功能结构示意图。
图2是本申请的工业互联网平台执行模型降阶功能时的流程示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本申请公开了一种实现多学科仿真模型降阶的工业互联网平台,请参考图1,该工业互联网平台包括仿真接口组件和降阶组件,仿真接口组件连接若干种不同学科场景的仿真软件,如图1以连接三种不同学科场景的仿真软件分别为“学科场景A的仿真软件”、“学科场景B的仿真软件”和“学科场景C的仿真软件”为例。这里的学科场景常见的比如包括热力学、动力学、流体力学、机械、化学反应等等。
工业互联网平台在运行过程中通过包含的组件执行模型降阶功能,包括如下步骤,请参考图2:
1、仿真接口组件调用多学科复杂产品的产品子系统所属的学科场景的仿真软件,按照仿真模型参数执行仿真任务获取仿真结果数据。仿真模型参数包括仿真模型的工作边界、变量信息、实验结果信息以及基础的模型参数信息,变量信息包括输入变量信息、输出变量信息、变量名称、变量单位,实验结果信息指示实验结果为静态、动态、稳态或瞬态。这里的仿真模型参数一般是通过配置界面由用户配置输入的。
在仿真过程中还可以设定仿真对象、工况、参数精度、采样方法和采样大小,得到原始的结果后还会进行格式转换等操作,最终形成仿真结果数据。
2、降阶组件根据降阶需求信息和仿真结果数据的数据类型、基于降阶算法库中的降阶算法构建若干个不同的候选降阶模型,每个候选降阶模型采用相应的降阶算法以及降阶参数,且构建的候选降阶模型采用多种不同的降阶算法。
其中,降阶算法库中包含多种不同算法类型、适用于不同学科场景的降阶算法,一般包含多种各当前先进的降阶算法。在一个实施例中,降阶算法库中的降阶算法包括克里金、Balanced Truncation、正交分解法、Krylov方法、长短期记忆神经网络、物理信息神经网络、神经元神经网络、编码解码神经网络中的至少两种。
降阶需求一般是通过配置界面由用户配置输入的,降阶需求信息指示用户对最终想要的目标降阶模型的一些需求信息。在一个实施例中,降阶需求信息包括模型性能需求和/或模型线性度关系需求,模型性能需求指示模型准确度优先或模型速度优先或综合性能优先,综合性能优先也即平衡考虑模型准确度和模型速度。模型线性度关系需求指示线性模型优先或非线性模型优先。降阶需求信息还可能包括是否降噪输入信号等。
仿真结果数据的数据类型包括仿真结果数据的数据维度,比如仿真结果数据为零维、一维、二维、三维等。在一些实施例中,数据类型也包括所对应的学科场景。
在构建候选降阶模型时,具体操作为:
(1)从降阶算法库中选择满足降阶需求信息和仿真结果数据的数据类型的多种不同的降阶算法以及对应的参数范围。降阶算法满足降阶需求信息主要指的是满足降阶需求信息指示的模型线性度关系需求,比如降阶需求信息指示线性模型优先,则选择线性的降阶算法。降阶算法满足仿真结果数据的数据类型主要指的是降阶算法满足仿真结果数据的数据维度,比如仿真结果数据为二维数据,则降阶算法至少要满足二维参数。在实际应用时,降阶算法库中包含大量的降阶算法,则在这一步首先匹配出多个不同的满足条件的降阶算法。
在匹配出满足条件的降阶算法后,每个降阶算法有各自的算法参数及默认的参数范围,但如果降阶需求信息指示了模型性能需求,则可以进一步对默认的参数范围进行缩减,确定其中满足模型性能需求的参数范围。比如当匹配出的降阶算法为正交分解算法时,其包含的算法参数为能量阈值参数,该算法参数默认的参数范围为0-1范围内的任意浮点数,若降阶需求信息指示了模型性能需求为模型准确度优先,则可以进一步确定参数范围为0.9-0.999范围内的任意浮点数;若降阶需求信息指示了模型性能需求为综合性能优先,则可以进一步确定参数范围为0.8-0.9范围内的任意浮点数。不同模型性能需求对应的参数范围可以预先自定义调节,比如在上述举例中,也可以设定当模型性能需求为综合性能优先时,参数范围为0.7-0.9范围内的任意浮点数。
(2)在参数范围内确定降阶算法对应的多个不同的降阶参数。
在上述步骤已经确定出多个降阶算法以及每个降阶算法的参数范围后,在参数范围内选择多个取值作为降阶参数,在实际应用中选择不少于3个降阶参数,选取的时候可以在参数范围内等距离选取或采用其他原则选取,本申请对此不做限定。比如在上述举例中,当确定降阶算法为正交分解算法、参数范围为0.9-0.999范围时,可以选定3个降阶参数分别为0.9、0.99、0.999。
(3)基于各种降阶算法及对应的多种不同的降阶参数的排列组合构建得到若干个不同的候选降阶模型。比如在上述举例中,利用正交分解算法与取值0.9的能量阈值参数构建得到候选降阶模型1,利用正交分解算法与取值0.99的能量阈值参数构建得到候选降阶模型2,利用正交分解算法与取值0.999的能量阈值参数构建得到候选降阶模型3,对于其他降阶算法同样如此,由此构建得到多个采用不同降阶算法和/或具有不同降阶参数的候选降阶模型。
3、降阶组件利用仿真结果数据分别训练各个候选降阶模型,并确定各个候选降阶模型的模型性能参数。
在本申请中,利用计算机集群并行训练各个候选降阶模型,计算集群的启动和维护可以由工业互联网平台提供,或者类似的集群计算技术。调度引擎将待训练的候选降阶模型作为一个计算任务自动分配给空闲的计算机集群进行并行的运算,被分配的决定基于对单个计算任务的评估,评估指标内包括计算任务需要的最大内存、计算任务需要的计算时长、计算任务是否需要硬件加速的至少一种。
在完成对一个候选降阶模型的训练后,可以得到该候选降阶模型的模型性能参数,该模型性能参数反映候选降阶模型的性能,可选的,模型性能参数反映候选降阶模型的模型准确度和模型速度。在一个实施例中,对候选降阶模型的若干个模型关键特征进行加权计算得到候选降阶模型的模型性能参数,模型关键特征是对候选降阶模型训练过程中产生的反映模型准确度和/或模型速度的特征,模型性能参数越大表示候选降阶模型的性能更优。
在实际应用时,大量的仿真结果数据按比例随机分为训练集和测试集,利用训练集训练各个候选降阶模型确定训练准确度和训练速度,利用测试集测试各个候选降阶模型确定测试准确度和测试速度,模型速度可以以模型处理数据所需的时长来衡量。由此得到的模型关键特征包括训练准确度、训练速度、测试准确度和测试速度。
在对候选降阶模型的多个模型关键特征进行加权计算时,各个模型关键特征的权重与降阶需求信息匹配,具体的,与降阶需求信息指示的模型性能需求匹配。当降阶需求信息指示模型准确度优先时,反映模型准确度的模型关键特征的权重越高。当降阶需求信息指示模型速度优先时,反映模型速度的模型关键特征的权重越高。
4、基于各个候选降阶模型的模型性能参数从中选定候选降阶模型作为产品子系统的目标降阶模型。一种情况是,可以将各个候选降阶模型及其模型关键特征以及计算得到的模型性能参数一同展示,由用户从中选择所要的目标降阶模型。另一种情况是,可以默认将模型性能参数最大、也即性能最优的候选降阶模型作为目标降阶模型。
由上述过程可以完成对产品子系统的目标降阶模型的训练,在该工业互联网平台的应用过程中,其保存有执行模板,执行模板包括一个组件或多个组件的集合,用于通过多个组件的功能调用和执行完成一项业务需求。组件和执行模板均在该工业互联网平台上搭建,修改和运行。比如该工业互联网平台保存有降阶模型训练模板,该降阶训练模板至少包括上述仿真接口组件和降阶组件,工业互联网平台执行该降阶模型训练模板以完成上述功能实现对降阶模型的训练。
另外该工业互联网平台还可以实现目标降阶模型的优化功能,则工业互联网平台还包括优化设计组件,工业互联网平台在运行过程中:优化设计组件在目标降阶模型的运行过程中,基于目标函数和优化方案对目标降阶模型的模型参数进行优化。目标函数和优化方案是预先配置的,除此之外,还可以配置目标降阶模型的触发条件、停止条件、初始化状态、参数空间和约束条件等。同样的,工业互联网平台保存有降阶模型优化模板,其执行该降阶模型优化模板以完成对降阶模型的参数优化。
在训练得到目标降阶模型后,该工业互联网平台还可以直接进行模型部署,利用训练得到的目标降阶模型替代原始的产品子系统对接实时数据,则工业互联网平台还包括数据采集组件,数据采集组件连接若干个数据采集器或上游平台,工业互联网平台在运行过程中:数据采集组件调用数据采集器采集实时数据或从上游平台获取实时数据,并输入目标降阶模型得到对应的输出结果。后续还可以对输出结果进行需要的后处理工作,并将结果发送给下游业务。其中数据采集器主要是各类传感器,比如温度计和压力计等等。基于目标降阶模型得到的输出结果,后续还可以进行故障诊断和故障报警等。
在另一个实施例中,工业互联网平台还包括数字孪生组件,工业互联网平台在运行过程中,数字孪生组件展示目标降阶模型的可视化结果。这里展示的可视化结果包括输出结果的可视化结果,主要用于展示目标降阶模型得到的输出结果,主要分为控制类和显示类。控制类包括按钮,滑动杆。显示类包括柱形图,线型图,图片显示等,可用于0维模型输出数据。展示的可视化结果还包括过程数据的可视化结果,主要用于展示目标降阶模型运行过程中的三维可视化数据,实现数字孪生功能,包括显示三维模型输出数据,支持导入网格数据,支持动态显示网格结果数据,支持显示三维模型切面,多个角度的展示功能。同样的,上述模型部署也包括对应的执行模板,上述可视化结果展示功能也包括对应的执行模板。
另外,该工业互联网平台还包括存储组件,存储组件用于存储工业互联网平台的各种数据,包括仿真数据、降阶模型数据和实验数据,仿真数据包括仿真结果数据以及输入的各类参数等。降阶模型数据包括构建的多个候选降阶模型、对各个候选降阶模型训练过程中的各项数据以及最终选定的目标降阶模型等。实验数据主要包括时序数据和结构化数据,时序数据包括工业互联网平台运行过程中产生的其他各类时序数据,比如数据采集组件采集的实时数据,降阶模型对时序输入信号预测生成的结果等。结构化数据包括工业互联网平台运行过程中产生的其他结构化数据,比如仿真软件运行结构化结果,模型降阶配置文件,降阶模型预测结果,应用配置等数据处理组件:对数据进行插值,过滤,平滑,统计等运算。
以上所述的仅是本申请的优选实施方式,本发明不限于以上实施例。可以理解,本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在本发明的保护范围之内。
Claims (10)
1.一种实现多学科仿真模型降阶的工业互联网平台,其特征在于,所述工业互联网平台包括仿真接口组件和降阶组件,所述仿真接口组件连接若干种不同学科场景的仿真软件,所述工业互联网平台在运行过程中:
所述仿真接口组件调用产品子系统所属的学科场景的仿真软件,按照仿真模型参数执行仿真任务获取仿真结果数据;
所述降阶组件根据降阶需求信息和仿真结果数据的数据类型、基于降阶算法库中的降阶算法构建若干个不同的候选降阶模型,每个候选降阶模型采用相应的降阶算法以及降阶参数,且构建的候选降阶模型采用多种不同的降阶算法;
所述降阶组件利用所述仿真结果数据分别训练各个候选降阶模型,并确定各个候选降阶模型的模型性能参数;
基于各个候选降阶模型的模型性能参数从中选定候选降阶模型作为所述产品子系统的目标降阶模型。
2.根据权利要求1所述的工业互联网平台,其特征在于,所述构建若干个不同的候选降阶模型,包括:
从所述降阶算法库中选择满足降阶需求信息和仿真结果数据的数据类型的多种不同的降阶算法以及对应的参数范围,并在所述参数范围内确定所述降阶算法对应的多个不同的降阶参数;
基于各种降阶算法及对应的多种不同的降阶参数的排列组合构建得到若干个不同的候选降阶模型。
3.根据权利要求1所述的工业互联网平台,其特征在于,所述降阶算法库中的降阶算法包括克里金、Balanced Truncation、正交分解法、Krylov方法、长短期记忆神经网络、物理信息神经网络、神经元神经网络、编码解码神经网络中的至少两种。
4.根据权利要求1所述的工业互联网平台,其特征在于,所述分别训练各个候选降阶模型,包括:
利用计算机集群并行训练各个候选降阶模型。
5.根据权利要求1所述的工业互联网平台,其特征在于,所述确定各个候选降阶模型的模型性能参数,包括对于每个候选降阶模型:
对所述候选降阶模型的若干个模型关键特征进行加权计算得到所述候选降阶模型的模型性能参数,所述模型关键特征是对所述候选降阶模型训练过程中产生的反映模型准确度和/或模型速度的特征。
6.根据权利要求5所述的工业互联网平台,其特征在于,
在对所述候选降阶模型的多个模型关键特征进行加权计算时,各个模型关键特征的权重与所述降阶需求信息匹配;当所述降阶需求信息指示模型准确度优先时,反映模型准确度的模型关键特征的权重越高;当所述降阶需求信息指示模型速度优先时,反映模型速度的模型关键特征的权重越高。
7.根据权利要求1所述的工业互联网平台,其特征在于,所述降阶需求信息包括模型性能需求和/或模型线性度关系需求,模型性能需求指示模型准确度优先或模型速度优先或综合性能优先,模型线性度关系需求指示线性模型优先或非线性模型优先。
8.根据权利要求1所述的工业互联网平台,其特征在于,所述工业互联网平台还包括优化设计组件,所述工业互联网平台在运行过程中:
所述优化设计组件在所述目标降阶模型的运行过程中,基于目标函数和优化方案对所述目标降阶模型的模型参数进行优化。
9.根据权利要求1所述的工业互联网平台,其特征在于,所述工业互联网平台还包括数据采集组件,所述数据采集组件连接若干个数据采集器或上游平台,所述工业互联网平台在运行过程中:
所述数据采集组件调用数据采集器采集实时数据或从所述上游平台获取实时数据,并输入所述目标降阶模型得到对应的输出结果。
10.根据权利要求9所述的工业互联网平台,其特征在于,所述工业互联网平台还包括数字孪生组件,所述工业互联网平台在运行过程中,所述数字孪生组件展示所述目标降阶模型的可视化结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210118111.7A CN114297946B (zh) | 2022-02-08 | 2022-02-08 | 一种实现多学科仿真模型降阶的工业互联网平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210118111.7A CN114297946B (zh) | 2022-02-08 | 2022-02-08 | 一种实现多学科仿真模型降阶的工业互联网平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114297946A true CN114297946A (zh) | 2022-04-08 |
CN114297946B CN114297946B (zh) | 2023-03-24 |
Family
ID=80977605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210118111.7A Active CN114297946B (zh) | 2022-02-08 | 2022-02-08 | 一种实现多学科仿真模型降阶的工业互联网平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114297946B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120041734A1 (en) * | 2009-05-04 | 2012-02-16 | Thierry Chevalier | System and method for collaborative building of a surrogate model for engineering simulations in a networked environment |
CN104614985A (zh) * | 2014-11-27 | 2015-05-13 | 北京航空航天大学 | 一种基于非线性规划的高阶系统最优降阶方法 |
US20180137227A1 (en) * | 2016-11-17 | 2018-05-17 | Kabushiki Kaisha Toshiba | Parameter estimation apparatus, air-conditioning system evaluation apparatus, parameter estimation method, and non-transitory computer readable medium |
CN109299501A (zh) * | 2018-08-08 | 2019-02-01 | 浙江大学 | 一种基于工作流的振动光谱分析模型优化方法 |
CN112487584A (zh) * | 2020-12-03 | 2021-03-12 | 天津工业大学 | 一种基于动力学的滚动轴承数字孪生建模方法 |
US20210133375A1 (en) * | 2019-10-31 | 2021-05-06 | Landmark Graphics Corporation | Flow simulator for generating reservoir management workflows and forecasts based on analysis of high-dimensional parameter data space |
CN112861689A (zh) * | 2021-02-01 | 2021-05-28 | 上海依图网络科技有限公司 | 一种基于nas技术的坐标识别模型的搜索方法及装置 |
US20210209267A1 (en) * | 2018-05-24 | 2021-07-08 | Siemens Aktiengesellschaft | Creation of an interdisciplinary simulation model |
CN113158435A (zh) * | 2021-03-26 | 2021-07-23 | 中国人民解放军国防科技大学 | 基于集成学习的复杂系统仿真运行时间预测方法与设备 |
EP3876061A1 (de) * | 2020-03-06 | 2021-09-08 | Robert Bosch GmbH | Verfahren zur validierung und auswahl auf maschinellem lernen basierender modelle zur zustandsüberwachung einer maschine |
CN113569476A (zh) * | 2021-07-23 | 2021-10-29 | 西安中锐创联科技有限公司 | 一种利用动态参数混合实现混合维联合仿真的方法 |
CN113705628A (zh) * | 2021-08-06 | 2021-11-26 | 北京百度网讯科技有限公司 | 预训练模型的确定方法、装置、电子设备以及存储介质 |
-
2022
- 2022-02-08 CN CN202210118111.7A patent/CN114297946B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120041734A1 (en) * | 2009-05-04 | 2012-02-16 | Thierry Chevalier | System and method for collaborative building of a surrogate model for engineering simulations in a networked environment |
CN104614985A (zh) * | 2014-11-27 | 2015-05-13 | 北京航空航天大学 | 一种基于非线性规划的高阶系统最优降阶方法 |
US20180137227A1 (en) * | 2016-11-17 | 2018-05-17 | Kabushiki Kaisha Toshiba | Parameter estimation apparatus, air-conditioning system evaluation apparatus, parameter estimation method, and non-transitory computer readable medium |
US20210209267A1 (en) * | 2018-05-24 | 2021-07-08 | Siemens Aktiengesellschaft | Creation of an interdisciplinary simulation model |
CN109299501A (zh) * | 2018-08-08 | 2019-02-01 | 浙江大学 | 一种基于工作流的振动光谱分析模型优化方法 |
US20210133375A1 (en) * | 2019-10-31 | 2021-05-06 | Landmark Graphics Corporation | Flow simulator for generating reservoir management workflows and forecasts based on analysis of high-dimensional parameter data space |
EP3876061A1 (de) * | 2020-03-06 | 2021-09-08 | Robert Bosch GmbH | Verfahren zur validierung und auswahl auf maschinellem lernen basierender modelle zur zustandsüberwachung einer maschine |
CN112487584A (zh) * | 2020-12-03 | 2021-03-12 | 天津工业大学 | 一种基于动力学的滚动轴承数字孪生建模方法 |
CN112861689A (zh) * | 2021-02-01 | 2021-05-28 | 上海依图网络科技有限公司 | 一种基于nas技术的坐标识别模型的搜索方法及装置 |
CN113158435A (zh) * | 2021-03-26 | 2021-07-23 | 中国人民解放军国防科技大学 | 基于集成学习的复杂系统仿真运行时间预测方法与设备 |
CN113569476A (zh) * | 2021-07-23 | 2021-10-29 | 西安中锐创联科技有限公司 | 一种利用动态参数混合实现混合维联合仿真的方法 |
CN113705628A (zh) * | 2021-08-06 | 2021-11-26 | 北京百度网讯科技有限公司 | 预训练模型的确定方法、装置、电子设备以及存储介质 |
Non-Patent Citations (1)
Title |
---|
郝文涛等: "支持系统级仿真与优化的流场模型降阶技术", 《清华大学学报(自然科学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114297946B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA3020551C (en) | Network server arrangement for processing non-parametric, multi-dimensional, spatial and temporal human behavior or technical observations measured pervasively, and related method for the same | |
CN113656904B (zh) | 一种面向制造设备的数字孪生模型构建方法 | |
CN107515898A (zh) | 基于数据多样性和任务多样性的轮胎企业销售预测方法 | |
CN110427560A (zh) | 一种应用于推荐系统的模型训练方法以及相关装置 | |
CN112541532B (zh) | 基于密集连接结构的目标检测方法 | |
CN106022631B (zh) | 一种指标权重分析方法 | |
JP2019537079A (ja) | 大規模再生可能エネルギーのデータについて確率モデルを構築する方法 | |
CN110928576A (zh) | 一种卷积神经网络的卷积处理方法、装置及存储介质 | |
CN105893669A (zh) | 一种基于数据挖掘的全局仿真性能预测方法 | |
CN105740431A (zh) | 一种基于多层周期指数递阶的时序数据预测方法 | |
CN112925994B (zh) | 基于局部和全局信息融合的群组推荐方法、系统及设备 | |
CN114297946B (zh) | 一种实现多学科仿真模型降阶的工业互联网平台 | |
CN113807951A (zh) | 一种基于深度学习的交易数据趋势预测方法和系统 | |
Zhao et al. | FINT: field-aware interaction neural network for click-through rate prediction | |
Wen et al. | MapReduce-based BP neural network classification of aquaculture water quality | |
CN116738081B (zh) | 一种前端组件绑定方法、装置及存储介质 | |
CN109190800A (zh) | 一种基于spark框架的海面温度预测方法 | |
CN108563794A (zh) | 基于高阶奇异值分解的上下文推荐方法及装置 | |
CN114841664A (zh) | 一种多任务处理顺序确定方法及装置 | |
CN114036723A (zh) | 综合能源系统运行状态预测方法、装置、设备及存储介质 | |
CN114861871A (zh) | 一种卷积神经网络在加速器上的推理性能评估系统 | |
CN111625978A (zh) | 一种基于模块化的数控卧式车床设计方法 | |
CN110276448A (zh) | 一种模型压缩方法及装置 | |
CN116595342B (zh) | 人群圈选的方法、装置和设备及存储介质 | |
CN117131791B (zh) | 一种基于大数据平台的模型评估方法、系统和存储介质 |
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 |