CN115146543A - 一种轻质化结构产品可靠性优化设计方法及系统 - Google Patents
一种轻质化结构产品可靠性优化设计方法及系统 Download PDFInfo
- Publication number
- CN115146543A CN115146543A CN202210893148.7A CN202210893148A CN115146543A CN 115146543 A CN115146543 A CN 115146543A CN 202210893148 A CN202210893148 A CN 202210893148A CN 115146543 A CN115146543 A CN 115146543A
- Authority
- CN
- China
- Prior art keywords
- model
- reliability
- svm model
- training
- 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.)
- Pending
Links
- 238000013461 design Methods 0.000 title claims abstract description 78
- 238000005457 optimization Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 89
- 238000004458 analytical method Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 description 67
- 230000006870 function Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012795 verification 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]
- G06F30/20—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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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]
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种轻质化结构产品可靠性优化设计方法及系统,属于结构设计领域。方法包括:基于结构产品参数化的有限元模型确定训练样本;建立SVM模型;通过训练样本对SVM模型进行训练,得到训练好的SVM模型;利用训练好的SVM模型计算结构VonMises最大应力;根据结构VonMises最大应力,建立基于可靠性的设计优化模型;采用遗传算法与双循环优化方法,求解基于可靠性的设计优化模型,确定最优设计结果。本发明能够在原始有限元模型调用次数较少的情况下,对含有隐式状态方程和极小失效概率的装备结构可靠性设计优化问题进行求解,从而提高了结构可靠性设计分析与优化的效率和精度。
Description
技术领域
本发明涉及结构设计领域,特别是涉及一种轻质化结构产品可靠性优化设计方法及系统。
背景技术
随着装备产品功能性能指标越来越高、使用环境越来越恶劣、功能结构越来越复杂,对装备结构设计带来更高的难度。结构产品轻质化要求与高可靠性约束成为结构设计的主要矛盾。传统的基于蒙特卡洛仿真的结构可靠性分析方法以及人工设计改进效率低下,难以满足当前产品设计快速迭代的需求。当前,尚未形成有效的轻质化结构可靠性优化设计方法。
发明内容
本发明的目的是提供一种轻质化结构产品可靠性优化设计方法及系统,以解决传统的结构可靠性设计分析方法效率低的问题。
为实现上述目的,本发明提供了如下方案:
一种轻质化结构产品可靠性优化设计方法,包括:
基于结构产品参数化的有限元模型确定训练样本;
建立SVM模型;
通过所述训练样本对所述SVM模型进行训练,得到训练好的SVM模型;
利用所述训练好的SVM模型计算结构VonMises最大应力;
根据所述结构VonMises最大应力,建立基于可靠性的设计优化模型;
采用遗传算法与双循环优化方法,求解所述基于可靠性的设计优化模型,确定最优设计结果。
可选地,所述基于结构产品参数化的有限元模型确定训练样本,具体包括:
利用一次二阶矩方法确定所述有限元模型的最可能失效点;
以所述最可能失效点为均值、以σ为标准差,进行随机抽样,得到抽样样本点;
以所述抽样样本点作为训练样本。
可选地,所述以所述抽样样本点作为训练样本,之后还包括:
对所述训练样本进行归一化处理,得到归一化的训练样本。
可选地,所述对所述SVM模型进行训练,得到训练好的SVM模型,具体包括:
选取所述SVM模型的参数;所述参数包括多项式核函数的阶数;
利用所述归一化的训练样本对所述SVM模型进行训练,得到训练后的SVM模型;
判断所述训练后的SVM模型的分析精度是否满足可靠性分析精度,得到判断结果;
若所述判断结果为所述训练后的SVM模型的分析精度满足可靠性分析精度,则输出训练好的SVM模型;
若所述判断结果为所述训练后的SVM模型的分析精度不满足可靠性分析精度,则返回“选取所述SVM模型的参数”的步骤。
一种轻质化结构产品可靠性优化设计系统,包括:
训练样本确定模块,用于基于结构产品参数化的有限元模型确定训练样本;
SVM模型建立模块,用于建立SVM模型;
模型训练模块,用于通过所述训练样本对所述SVM模型进行训练,得到训练好的SVM模型;
最大应力计算模块,用于利用所述训练好的SVM模型计算结构Von Mises最大应力;
设计优化模型建立模块,用于根据所述结构VonMises最大应力,建立基于可靠性的设计优化模型;
结果确定模块,用于采用遗传算法与双循环优化方法,求解所述基于可靠性的设计优化模型,确定最优设计结果。
可选地,所述训练样本确定模块,包括:
最可能失效点确定单元,用于利用一次二阶矩方法确定所述有限元模型的最可能失效点;
抽样单元,用于以所述最可能失效点为均值、以σ为标准差,进行随机抽样,得到抽样样本点;
训练样本确定单元,用于以所述抽样样本点作为训练样本。
可选地,所述训练样本确定模块,还包括:
归一化单元,用于对所述训练样本进行归一化处理,得到归一化的训练样本。
可选地,所述模型训练模块,包括:
参数选取单元,用于选取所述SVM模型的参数;所述参数包括多项式核函数的阶数;
训练单元,用于利用所述归一化的训练样本对所述SVM模型进行训练,得到训练后的SVM模型;
判断单元,用于判断所述训练后的SVM模型的分析精度是否满足可靠性分析精度,得到判断结果;
模型输出单元,用于若所述判断结果为所述训练后的SVM模型的分析精度满足可靠性分析精度,则输出训练好的SVM模型;
返回单元,用于若所述判断结果为所述训练后的SVM模型的分析精度不满足可靠性分析精度,则返回“参数选取单元”。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明通过基于结构产品参数化的有限元模型构建的训练样本对建立的SVM模型进行训练,得到训练好的SVM模型,利用所述训练好的SVM模型替代所述有限元模型,开展可靠性分析与优化,得到最优设计结果。本发明能够在原始有限元模型调用次数较少的情况下,对含有隐式状态方程和极小失效概率的装备结构可靠性设计优化问题进行求解,从而提高了结构可靠性设计分析与优化的效率和精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种轻质化结构产品可靠性优化设计方法的实施流程图;
图2为本发明提供的一种轻质化结构产品可靠性优化设计方法流程图;
图3为本发明提供的一种轻质化结构产品可靠性优化设计方法具体实施过程的流程图;
图4为本发明提供的一种轻质化结构产品可靠性优化设计系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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。
本发明的目的是提供一种轻质化结构产品可靠性优化设计方法及系统,以解决传统的结构可靠性设计分析方法效率低的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明针对结果产品轻质化要求与高可靠性约束的矛盾,难以高效开展结构可靠性设计优化的问题,提出了一种结构可靠性优化设计方法,首先,利用结构产品参数化有限元模型,采用训练样本规划技术,合理规划抽样区域,高效构建SVM代理模型;其次,建立结构可靠性优化设计数学模型;最后,利用遗传算法求解该数学问题,给出基于可靠性的最优结构设计方案,如图1所示。有效减少计算复杂的有限元模型调用次数,高效构建SVM代理模型,精确求解结构可靠性设计优化问题。
本发明首先建立结构产品参数化有限元模型,在此基础上,建立SVM模型。之后利用SVM模型开展可靠性优化设计。图2为本发明提供的一种轻质化结构产品可靠性优化设计方法流程图,图3为本发明提供的一种轻质化结构产品可靠性优化设计方法具体实施过程的流程图,如图2和图3所示,方法包括:
步骤101:基于结构产品参数化的有限元模型确定训练样本。在实际应用中,先建立结构产品参数化的有限元模型,以结构强度S为失效判据,明确强度失效阈值产品几何尺寸、材料属性等随机变量服从正态分布m~N(μ,σ2)。
进一步地,所述步骤101,具体包括:
利用一次二阶矩方法确定所述有限元模型的最可能失效点(Most ProbablePoint,MPP),以所述最可能失效点为均值、以σ为标准差,进行Monte Carlo随机抽样,得到抽样样本点,以所述抽样样本点作为训练样本。
步骤102:建立SVM模型。在实际应用中,SVM模型用公式表示,其中m表示结构随机变量的向量;q表示结构状态参数的向量;y表示结构的Von Mises应力最大值;表示训练得到的SVM模型。在建立SVM模型的过程中选取SVM模型的多项式核函数,其形式如下:
K(xi,x)=(xi·x+1)b,b=1,2,...,n
式中,xi为第i个训练样本;x为训练样本集合;b为多项式核函数的阶数。需要确定的参数主要有多项式核函数的阶数b,根据工程经验一般取2。
进一步地,所述以所述抽样样本点作为训练样本,之后还包括:
对所述训练样本进行归一化处理,得到归一化的训练样本。在实际应用中,对训练样本进行归一化处理,把样本数据每个维度的特征值映射到同一个区间范围内;
其中,xk为第k个训练样本;μ为随机变量的均值向量;σ为随机变量的标准差向量;xk'为归一化的训练样本。
支持向量机(SupportVetorMachines,SVM)作为一种新的机器学习方法,具有很好的小样本学习能力和良好的泛化性。用较少的样本建立SVM分类模型代替真实的功能函数,可以有效解决含有隐式或高度非线性功能函数的结构可靠性分析问题。
步骤103:通过所述训练样本对所述SVM模型进行训练,得到训练好的SVM模型。
进一步地,所述步骤103,具体包括:
选取所述SVM模型的参数;所述参数包括多项式核函数的阶数。
利用所述归一化的训练样本对所述SVM模型进行训练,得到训练后的SVM模型。
判断所述训练后的SVM模型的分析精度是否满足可靠性分析精度,若是,则输出训练好的SVM模型;若否,则返回“选取所述SVM模型的参数”的步骤。
步骤104:利用所述训练好的SVM模型计算结构Von Mises最大应力。在实际应用中,训练成功的SVM模型即可替代原始有限元模型(结构产品参数化的有限元模型),计算结构Von Mises最大应力。
步骤105:根据所述结构VonMises最大应力,建立基于可靠性的设计优化模型。
在实际应用中,建立结构可靠性设计优化问题的数学模型(基于可靠性的设计优化模型),开展结构产品可靠性优化与设计。该模型的优化目标是最小化结构质量,优化约束是满足强度可靠度要求。建立的基于可靠性的设计优化模型如下:
minMf(x,d)
dL≤d≤dU
其中,d为结构设计变量向量;m为随机变量向量,包括使用载荷因素等;为利用SVM模型计算出的结构Von Mises最大应力;为强度失效阈值;为规定的结构可靠度要求;dL表示结构设计变量取值下限所组成的向量;dU表示结构设计变量取值上限所组成的向量;Mf表示结构产品的总质量。
步骤106:采用遗传算法与双循环优化方法,求解所述基于可靠性的设计优化模型,确定最优设计结果。在实际应用中,采用遗传算法与双循环优化方法,求解上述基于可靠性的设计优化模型。内层循环利用Monte Carlo方法计算当前设计点的结构可靠度,外层利用遗传算法寻找满足可靠度约束的最优设计点。
本发明提出了结构可靠性分析方法,利用结构产品参数化有限元模型,采用训练样本规划技术,合理规划抽样区域,高效构建SVM模型,在确保可靠性分析精度的前提下,提高了可靠性分析效率。另外,还建立了轻质化结构可靠性优化设计框架,基于SVM模型建立了基于可靠性的设计优化模型,采用遗传算法求解该优化模型,为结构可靠性优化设计提供了技术支撑。
本发明提出的一种轻质化结构可靠性优化设计方法,利用训练样本规划技术,合理规划抽样区域,建立SVM代理模型,并在此基础上开展结构产品可靠性设计优化。经验证,该方法能够在原始有限元模型调用次数较少的情况下,对含有隐式状态方程和极小失效概率的等装备结构可靠性设计优化问题进行求解,为提升结构可靠性优化设计精度与效率提供了技术支撑。
图4为本发明提供的一种轻质化结构产品可靠性优化设计系统结构图,如图4所示,系统包括:
训练样本确定模块401,用于基于结构产品参数化的有限元模型确定训练样本。
SVM模型建立模块402,用于建立SVM模型。
模型训练模块403,用于通过所述训练样本对所述SVM模型进行训练,得到训练好的SVM模型。
最大应力计算模块404,用于利用所述训练好的SVM模型计算结构Von Mises最大应力。
设计优化模型建立模块405,用于根据所述结构Von Mises最大应力,建立基于可靠性的设计优化模型。
结果确定模块406,用于采用遗传算法与双循环优化方法,求解所述基于可靠性的设计优化模型,确定最优设计结果。
进一步地,所述训练样本确定模块401,包括:
最可能失效点确定单元,用于利用一次二阶矩方法确定所述有限元模型的最可能失效点。
抽样单元,用于以所述最可能失效点为均值、以σ为标准差,进行随机抽样,得到抽样样本点。
训练样本确定单元,用于以所述抽样样本点作为训练样本。
进一步地,所述训练样本确定模块401,还包括:
归一化单元,用于对所述训练样本进行归一化处理,得到归一化的训练样本。
进一步地,所述模型训练模块403,包括:
参数选取单元,用于选取所述SVM模型的参数;所述参数包括多项式核函数的阶数。
训练单元,用于利用所述归一化的训练样本对所述SVM模型进行训练,得到训练后的SVM模型。
判断单元,用于判断所述训练后的SVM模型的分析精度是否满足可靠性分析精度,得到判断结果。
模型输出单元,用于若所述判断结果为所述训练后的SVM模型的分析精度满足可靠性分析精度,则输出训练好的SVM模型。
返回单元,用于若所述判断结果为所述训练后的SVM模型的分析精度不满足可靠性分析精度,则返回“参数选取单元”。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种轻质化结构产品可靠性优化设计方法,其特征在于,包括:
基于结构产品参数化的有限元模型确定训练样本;
建立SVM模型;
通过所述训练样本对所述SVM模型进行训练,得到训练好的SVM模型;
利用所述训练好的SVM模型计算结构VonMises最大应力;
根据所述结构VonMises最大应力,建立基于可靠性的设计优化模型;
采用遗传算法与双循环优化方法,求解所述基于可靠性的设计优化模型,确定最优设计结果。
2.根据权利要求1所述的轻质化结构产品可靠性优化设计方法,其特征在于,所述基于结构产品参数化的有限元模型确定训练样本,具体包括:
利用一次二阶矩方法确定所述有限元模型的最可能失效点;
以所述最可能失效点为均值、以σ为标准差,进行随机抽样,得到抽样样本点;
以所述抽样样本点作为训练样本。
3.根据权利要求2所述的轻质化结构产品可靠性优化设计方法,其特征在于,所述以所述抽样样本点作为训练样本,之后还包括:
对所述训练样本进行归一化处理,得到归一化的训练样本。
4.根据权利要求3所述的轻质化结构产品可靠性优化设计方法,其特征在于,所述对所述SVM模型进行训练,得到训练好的SVM模型,具体包括:
选取所述SVM模型的参数;所述参数包括多项式核函数的阶数;
利用所述归一化的训练样本对所述SVM模型进行训练,得到训练后的SVM模型;
判断所述训练后的SVM模型的分析精度是否满足可靠性分析精度,得到判断结果;
若所述判断结果为所述训练后的SVM模型的分析精度满足可靠性分析精度,则输出训练好的SVM模型;
若所述判断结果为所述训练后的SVM模型的分析精度不满足可靠性分析精度,则返回“选取所述SVM模型的参数”的步骤。
5.一种轻质化结构产品可靠性优化设计系统,其特征在于,包括:
训练样本确定模块,用于基于结构产品参数化的有限元模型确定训练样本;
SVM模型建立模块,用于建立SVM模型;
模型训练模块,用于通过所述训练样本对所述SVM模型进行训练,得到训练好的SVM模型;
最大应力计算模块,用于利用所述训练好的SVM模型计算结构Von Mises最大应力;
设计优化模型建立模块,用于根据所述结构VonMises最大应力,建立基于可靠性的设计优化模型;
结果确定模块,用于采用遗传算法与双循环优化方法,求解所述基于可靠性的设计优化模型,确定最优设计结果。
6.根据权利要求5所述的轻质化结构产品可靠性优化设计系统,其特征在于,所述训练样本确定模块,包括:
最可能失效点确定单元,用于利用一次二阶矩方法确定所述有限元模型的最可能失效点;
抽样单元,用于以所述最可能失效点为均值、以σ为标准差,进行随机抽样,得到抽样样本点;
训练样本确定单元,用于以所述抽样样本点作为训练样本。
7.根据权利要求6所述的轻质化结构产品可靠性优化设计系统,其特征在于,所述训练样本确定模块,还包括:
归一化单元,用于对所述训练样本进行归一化处理,得到归一化的训练样本。
8.根据权利要求7所述的轻质化结构产品可靠性优化设计系统,其特征在于,所述模型训练模块,包括:
参数选取单元,用于选取所述SVM模型的参数;所述参数包括多项式核函数的阶数;
训练单元,用于利用所述归一化的训练样本对所述SVM模型进行训练,得到训练后的SVM模型;
判断单元,用于判断所述训练后的SVM模型的分析精度是否满足可靠性分析精度,得到判断结果;
模型输出单元,用于若所述判断结果为所述训练后的SVM模型的分析精度满足可靠性分析精度,则输出训练好的SVM模型;
返回单元,用于若所述判断结果为所述训练后的SVM模型的分析精度不满足可靠性分析精度,则返回“参数选取单元”。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210893148.7A CN115146543A (zh) | 2022-07-27 | 2022-07-27 | 一种轻质化结构产品可靠性优化设计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210893148.7A CN115146543A (zh) | 2022-07-27 | 2022-07-27 | 一种轻质化结构产品可靠性优化设计方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115146543A true CN115146543A (zh) | 2022-10-04 |
Family
ID=83413235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210893148.7A Pending CN115146543A (zh) | 2022-07-27 | 2022-07-27 | 一种轻质化结构产品可靠性优化设计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115146543A (zh) |
-
2022
- 2022-07-27 CN CN202210893148.7A patent/CN115146543A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105138717A (zh) | 一种动态变异粒子群优化神经网络的变压器状态评估方法 | |
CN107506865B (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
CN111597631B (zh) | 基于自适应代理模型的汽车风阻系数优化方法 | |
CN111859733B (zh) | 一种基于蚁群算法的汽车排气系统可靠性优化方法 | |
CN109784692A (zh) | 一种基于深度学习的快速安全约束经济调度方法 | |
US20240014651A1 (en) | Probability estimation method for photovoltaic power based on optimized copula function and photovoltaic power system | |
CN111985845A (zh) | 一种异构Spark集群的节点优先级调优方法 | |
CN109840335A (zh) | 基于强化t-s模糊神经网络的径向锻造凹坑预测优化方法 | |
CN113962388A (zh) | 一种硬件加速感知的神经网络通道剪枝方法 | |
CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
CN113610268A (zh) | 一种基于居住区空间形态的碳排放量预测方法 | |
CN103983332A (zh) | 一种基于hgsa-bp算法的传感器误差补偿方法 | |
CN115146543A (zh) | 一种轻质化结构产品可靠性优化设计方法及系统 | |
CN116050250A (zh) | 基于混合驱动模型的电网数字孪生模型建模方法及装置 | |
CN116628854A (zh) | 一种翼型气动特性预测方法、系统、电子设备及存储介质 | |
CN116400266A (zh) | 基于数字孪生模型的变压器故障检测方法、装置及介质 | |
CN116484675A (zh) | 一种舰船发动机叶片的裂纹扩展寿命预测方法及系统 | |
CN113536489B (zh) | 一种组件封装的连接构型和工艺参数确定方法 | |
CN112685900B (zh) | 一种表征冲击负荷功率特性的电力负荷模拟方法 | |
CN113962158A (zh) | 基于改进决策树的压路机施工工艺知识库构建方法及系统 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN107180141B (zh) | 基于径向基代理模型的齿轮减速器箱体可靠性优化方法 | |
CN110543724A (zh) | 面向总体设计的卫星结构性能预测方法 | |
CN114418194B (zh) | 基于数据驱动和模型驱动的杆塔损毁预测方法及装置 | |
CN114336696B (zh) | 一种兆瓦级氢储能电站容量配置方法及系统 |
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 |