CN115221623A - 基于人工智能技术的船体水动力构型优化设计流程架构 - Google Patents

基于人工智能技术的船体水动力构型优化设计流程架构 Download PDF

Info

Publication number
CN115221623A
CN115221623A CN202210721427.5A CN202210721427A CN115221623A CN 115221623 A CN115221623 A CN 115221623A CN 202210721427 A CN202210721427 A CN 202210721427A CN 115221623 A CN115221623 A CN 115221623A
Authority
CN
China
Prior art keywords
hull
hydrodynamic
configuration
design
hydrodynamic configuration
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
Application number
CN202210721427.5A
Other languages
English (en)
Inventor
沈兴荣
范佘明
黄蔚
杨素军
孙群
吴永顺
夏召丹
王志勇
李兆辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
708th Research Institute of CSIC
Original Assignee
708th Research Institute of CSIC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 708th Research Institute of CSIC filed Critical 708th Research Institute of CSIC
Priority to CN202210721427.5A priority Critical patent/CN115221623A/zh
Publication of CN115221623A publication Critical patent/CN115221623A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft 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
    • G06F30/27—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
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

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)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于人工智能技术的船体水动力构型优化设计的流程架构，包括专家经验、船体水动力构型历史样本数据、船体水动力构型设计输入、船体水动力构型设计知识和评价知识库、船体水动力构型参数化模型、知识驱动的船体水动力模型重构、基于人工智能技术的船体水动力构型优化设计、船体水动力性能快速评估、船体水动力性能综合评价指标模型等模块。本发明能够充分挖掘利用历史样本数据蕴藏的设计经验，将众多专家的经验提炼成设计知识融入船体水动力构型优化设计流程，流程架构通过设计知识驱动船体水动力模型智能重构,通过建立基于机器学习算法的水动力性能快速预报代理模型改进、提升传统的船体水动力性能预报方法耗时、效率低的缺陷。

Description

基于人工智能技术的船体水动力构型优化设计流程架构
技术领域
本发明涉及一种基于人工智能技术的船体水动力构型优化设计的流程架构，尤其是一种适用于开发船体水动力构型智能优化设计软件或相关优化设计平台的流程架构设计方法。
背景技术
传统的船体水动力构型设计依靠母型船的变换和设计师的经验，借助CAD、CAE和CFD等辅助工具，对船体水动力构型方案进行性能评估，依据性能评估结果与技术指标的比较决定是否进一步进行水动力构型优化设计，如此不断迭代，直至方案满足技术指标要求。上述船体水动力构型优化设计模式主要依靠设计师的经验和水平，效率低，费时耗力，船体水动力构型的水平受限于当前设计师个人和团队的经验，纵向上无法吸收利用纵多历史上优秀的船体水动力构型经验，横向上也影响了借鉴参考其他设计团队成功的经验和失败的教训，设计师的脑力无法同时考虑多维度的船体水动力构型设计约束与多个水动力性能指标之间的匹配、权衡问题，限制了船体水动力构型水平的提升；另外，水动力构型优化的大量过程方案和最终方案分散在各个设计团队手中，是相互隔离的信息孤岛，影响了对历史样本数据挖掘分析的基础。
传统的船体水动力构型优化设计模式未将历史设计样本数据以及专家经验充分利用，历史样本中蕴藏的优化设计知识未能充分挖掘、提炼、利用，专家经验和历史样本数据挖掘提炼形成的设计、评价知识尚未在船体水动力构型优化设计决策中得到应用；船体水动力性能预报手段通常是数值仿真或模型试验，时间周期较长，影响了船体水动力构型优化设计的效率；水动力性能综合评价指标模型也未融入优化设计流程之中，无法及时评判多个性能指标之间的匹配、权衡问题；船体水动力构型优化设计需要在多个独立功能模块之间切换，费时耗力，影响优化设计的效率和质量。另外，传统船体水动力构型优化设计流程只关注了满足指标要求的最终方案，其中大量的过程方案没有被重视，对过程方案中蕴藏的优化设计知识和策略尚未有开展挖掘分析和利用的流程惯例。
随着计算机算力以及人工智能技术的发展，为解决上述问题提供了契机，借助机器学习、数据挖掘分析等人工智能技术对船体水动力构型历史样本数据以及专家经验等进行处理分析形成指导水动力构型的设计知识和评价知识，同时结合船体水动力构型模型参数化、船体构型水动力性能快速预报方法以及船体水动力性能综合评价指标模型，将其融入到基于人工智能技术的船体水动力构型优化设计流程之中，提出区别于传统船体水动力构型优化设计模式的、基于人工智能技术的船体水动力构型优化设计的流程架构。
发明内容
有鉴于此，本发明提出一种基于人工智能技术的船体水动力构型优化设计流程架构。
本发明采用如下技术方案：
一种基于人工智能技术的船体水动力构型优化设计流程架构，包括专家经验、船体水动力构型历史样本数据、船体水动力构型设计输入、船体水动力构型设计知识和评价知识库、船体水动力构型参数化模型、知识驱动的船体水动力模型重构、基于人工智能技术的船体水动力构型优化设计、船体水动力性能快速评估、船体水动力性能综合评价指标模型等模块，所述船体水动力构型设计知识和评价知识库通过专家经验、船体水动力构型历史样本数据挖掘分析形成的知识共同构建，所述基于人工智能技术的船体水动力构型优化设计的流程从船体水动力构型设计输入开始，根据设计输入参数，人工智能引擎将设计要求与船体水动力构型设计知识库进行关联匹配分析，形成驱动船体水动力构型参数化模型构建的流程，设计知识驱动生成参数化模型，并进入船体水动力构型参数化模型构成的优化空间内，通过人工智能算法在优化空间内计算船体水动力构型设计优化的方向，探索满足技术指标要求的构型方案，每生成一个船体水动力构型方案后，通过应用船体水动力性能快速预报模块进行阻力、推进、波浪增阻、耐波性能、操纵性能以及流场性能的快速预报，流程架构一方面将船体水动力性能预报结果连同构型方案的参数、几何信息存储更新到船体水动力构型历史样本数据库中，另一方面将船体水动力性能预报结果传送到船体水动力性能综合评价指标模块，根据设计输入中的场景由算法选择适合的评价指标模型对船体水动力构型方案的综合性能指标进行评价分析，满足所有指标要求时，则输出满足要求的船体水动力构型方案；若指标不满足要求时，则综合该船体水动力构型方案的各类性能、流场特征以及评价指标模型给出的评价结论，通过深度学习算法，在设计知识和评价知识库中学习、探索水动力构型进一步优化的方向，形成驱动船体水动力模型重构的知识，完成知识驱动船体水动力参数化模型的重构，结合专家经验和历史样本数据经验知识重构的水动力参数化模型开始进入新一轮的智能优化设计，优化生成的船体水动力构型新方案再开始迭代计算分析，直至优化设计得到满足技术指标的方案。
进一步，所述专家经验包括：船体水动力构型成功的案例和失败的教训以及在实践中积累的优化设计知识。
进一步，所述专家经验采用专家经验与船体水动力构型设计知识和评价知识库之间的流程将专家长期实践过程中总结提炼的有形的、或是无形的、或是形态粗糙的经验通过知识工程、语义化技术形成系统的船体水动力构型优化设计知识库。
进一步，所述船体水动力构型历史样本数据包括：船体水动力构型的试验数据和仿真数据。
进一步，所述船体水动力构型的试验数据和仿真数据包括船体水动力构型几何参数和性能数据。
进一步，所述船体水动力构型历史样本数据采用船体水动力构型历史样本数据与船体水动力构型设计知识和评价知识库之间的流程对多源异构的船体水动力构型历史样本数据通过机器学习算法建立船体水动力构型参数与性能之间以及数据间、信息间、知识片段间多维度、多粒度的映射关联，与专家经验与船体水动力构型设计知识和评价知识库之间的流程形成的专家知识共同构成船体水动力构型设计知识、评价知识库。
进一步，所述专家经验与船体水动力构型设计知识和评价知识库之间的流程和船体水动力构型历史样本数据与船体水动力构型设计知识和评价知识库之间的流程事先基于已有的船体水动力构型历史样本数据和专家经验通过多元统计学习、支持向量机、深度学习、知识工程等机器学习算法构建形成水动力构型优化设计的基础知识库，且通过不断自学习的智能技术持续更新。
进一步，每次优化生成的船体水动力构型参数、几何信息及其性能数据都通过流程保存到历史样本数据库，当增加的样本数据累积到一定数量之后，触发数据挖掘算法对历史样本数据进行新一轮的分析挖掘，将新挖掘的或需要调整的船体水动力构型设计知识和评价知识对船体水动力构型设计知识和评价知识库进行更新,自动升级水动力构型水平。
进一步，所述船体水动力性能快速预报，是基于不同船型大量的仿真数据集和试验数据集通过对机器学习算法的训练、调参构建的水动力性能快速预报的代理模型。
进一步，所述船体水动力性能快速预报包括：阻力性能、推进性能、波浪增阻、耐波性能、操纵性能和流场特征的分析评估。
本发明的有益效果是：
本发明能够充分挖掘利用历史样本数据蕴藏的设计经验，将众多专家的经验提炼成设计知识融入船体水动力构型优化设计流程，流程架构通过设计知识驱动船体水动力模型智能重构；通过建立基于机器学习算法的水动力性能快速预报代理模型改进、提升传统的船体水动力性能预报方法耗时、效率低的缺陷；本流程架构将优化过程中大量的中间方案和最终方案信息及时收集到历史样本库中，扩充样本的容量，通过智能算法按照相应的策略定期挖掘更新设计评价知识库；同时在优化设计流程中融入了船体水动力性能综合评价指标模型，克服传统优化过程只能对单目标进行评判的难点；基于人工智能技术的船体水动力构型优化设计流程架构方向更具针对性、优化效率更高。
附图说明
图1为本发明的原理框图。
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的一部分实施例，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。
如图1所示，本发明实施例提供的一种基于人工智能技术的船体水动力构型优化设计的流程架构，包括专家经验、船体水动力构型历史样本数据、船体水动力构型设计输入、船体水动力构型设计知识和评价知识库、船体水动力构型参数化模型、知识驱动的船体水动力模型重构、基于人工智能技术的船体水动力构型优化设计、船体水动力性能快速评估、船体水动力性能综合评价指标模型等模块。
图1为本发明实施例的原理框图，显示基于人工智能技术的船体水动力构型优化设计的流程架构。
通过流程1对专家长期实践过程中总结提炼的有形的、或是无形的、或是形态粗糙的经验通过知识工程、语义化技术形成系统的船体水动力构型优化设计知识库；流程2对多源异构的船体水动力构型历史样本数据通过机器学习算法建立船体水动力构型参数与性能之间以及数据间、信息间、知识片段间多维度、多粒度的映射关联，与流程1形成的专家知识共同构成船体水动力构型设计知识和评价知识库；流程1和流程2事先基于已有的船体水动力构型历史样本数据和专家经验通过多元统计学习、支持向量机、深度学习、知识工程等机器学习算法构建形成水动力构型优化设计的基础知识库，且通过不断自学习的智能技术持续更新。
基于人工智能技术的船体水动力构型优化设计流程从3开始，根据设计输入参数，人工智能引擎将设计要求与水动力构型设计知识库进行关联分析，形成指导船体水动力构型参数化模型构建的流程4，设计知识驱动生成参数化模型。
经过流程5进入参数化模型构成的优化空间内，通过人工智能算法在优化空间内计算水动力构型设计优化的方向，探索满足技术指标要求的构型方案，每生成一个水动力构型方案后，通过流程6应用船体水动力性能快速预报模块进行阻力、推进、波浪增阻、耐波性能、操纵性能以及流场等性能的快速预报，一方面水动力性能预报结果连同构型方案的参数、几何信息通过流程7存储更新到船体水动力构型历史样本数据库中，当增加的样本数据累积到一定数量之后，触发数据挖掘算法对历史样本数据进行新一轮的分析挖掘，将新挖掘的或需要调整的水动力构型设计知识和评价知识对知识库进行更新；另一方面水动力性能预报结果由流程8进入船体水动力性能综合评价指标模块，根据设计输入中的场景由算法选择适合的评价指标模型对水动力构型方案的综合性能指标进行评价分析，满足所有指标要求时，则通过流程9输出满足要求的船体水动力构型方案；当指标不满足要求时，则通过流程10，综合本水动力构型方案的各类性能、流场特征以及评价指标模型给出的评价结论，通过深度学习算法，在设计知识和评价知识库中学习、探索水动力构型进一步优化的方向，形成驱动船体水动力模型重构的知识，经流程11完成知识驱动船体水动力参数化模型的重构，结合专家经验和历史样本数据经验知识重构的水动力参数化模型由流程12开始进入新一轮的智能优化设计。优化生成的水动力构型新方案再经流程6开始迭代计算分析，直至优化设计得到满足技术指标的方案。
其中船体水动力性能快速预报模块是基于试验数据集、仿真数据集，通过人工智能算法经过调参、训练得到水动力性能快速预报的代理模型。

Claims (10)

1.一种基于人工智能技术的船体水动力构型优化设计流程架构，其特征在于：包括专家经验、船体水动力构型历史样本数据、船体水动力构型设计输入、船体水动力构型设计知识和评价知识库、船体水动力构型参数化模型、知识驱动的船体水动力模型重构、基于人工智能技术的船体水动力构型优化设计、船体水动力性能快速评估、船体水动力性能综合评价指标模型等模块，所述船体水动力构型设计知识和评价知识库通过专家经验、船体水动力构型历史样本数据挖掘分析形成的知识共同构建，所述基于人工智能技术的船体水动力构型优化设计的流程从船体水动力构型设计输入开始，根据设计输入参数，人工智能引擎将设计要求与船体水动力构型设计知识库进行关联匹配分析，形成驱动船体水动力构型参数化模型构建的流程，设计知识驱动生成参数化模型，并进入船体水动力构型参数化模型构成的优化空间内，通过人工智能算法在优化空间内计算船体水动力构型设计优化的方向，探索满足技术指标要求的构型方案，每生成一个船体水动力构型方案后，通过应用船体水动力性能快速预报模块进行阻力、推进、波浪增阻、耐波性能、操纵性能以及流场性能的快速预报，流程架构一方面将船体水动力性能预报结果连同构型方案的参数、几何信息存储更新到船体水动力构型历史样本数据库中，另一方面将船体水动力性能预报结果传送到船体水动力性能综合评价指标模块，根据设计输入中的场景由算法选择适合的评价指标模型对船体水动力构型方案的综合性能指标进行评价分析，满足所有指标要求时，则输出满足要求的船体水动力构型方案；若指标不满足要求时，则综合该船体水动力构型方案的各类性能、流场特征以及评价指标模型给出的评价结论，通过深度学习算法，在设计知识和评价知识库中学习、探索水动力构型进一步优化的方向，形成驱动船体水动力模型重构的知识，完成知识驱动船体水动力参数化模型的重构，结合专家经验和历史样本数据经验知识重构的水动力参数化模型开始进入新一轮的智能优化设计，优化生成的船体水动力构型新方案再开始迭代计算分析，直至优化设计得到满足技术指标的方案。
2.根据权利要求1所述的基于人工智能技术的船体水动力构型优化设计流程架构，其特征在于：所述专家经验包括：船体水动力构型成功的案例和失败的教训以及在实践中积累的优化设计知识。
3.根据权利要求2所述的基于人工智能技术的船体水动力构型优化设计流程架构，其特征在于：所述专家经验采用专家经验与船体水动力构型设计知识和评价知识库之间的流程将专家长期实践过程中总结提炼的有形的、或是无形的、或是形态粗糙的经验通过知识工程、语义化技术形成系统的船体水动力构型优化设计知识库。
4.根据权利要求1所述的基于人工智能技术的船体水动力构型优化设计流程架构，其特征在于：所述船体水动力构型历史样本数据包括：船体水动力构型的试验数据和仿真数据。
5.根据权利要求4所述的基于人工智能技术的船体水动力构型优化设计流程架构，其特征在于：所述船体水动力构型的试验数据和仿真数据包括船体水动力构型几何参数和性能数据。
6.根据权利要求1所述的基于人工智能技术的船体水动力构型优化设计流程架构，其特征在于：所述船体水动力构型历史样本数据采用船体水动力构型历史样本数据与船体水动力构型设计知识和评价知识库之间的流程对多源异构的船体水动力构型历史样本数据通过机器学习算法建立船体水动力构型参数与性能之间以及数据间、信息间、知识片段间多维度、多粒度的映射关联，与专家经验与船体水动力构型设计知识和评价知识库之间的流程形成的专家知识共同构成船体水动力构型设计知识、评价知识库。
7.根据权利要求6所述的基于人工智能技术的船体水动力构型优化设计流程架构，其特征在于：所述专家经验与船体水动力构型设计知识和评价知识库之间的流程和船体水动力构型历史样本数据与船体水动力构型设计知识和评价知识库之间的流程事先基于已有的船体水动力构型历史样本数据和专家经验通过多元统计学习、支持向量机、深度学习、知识工程等机器学习算法构建形成水动力构型优化设计的基础知识库，且通过不断自学习的智能技术持续更新。
8.根据权利要求1所述的基于人工智能技术的船体水动力构型优化设计流程架构，其特征在于：每次优化生成的船体水动力构型参数、几何信息及其性能数据都通过流程保存到历史样本数据库，当增加的样本数据累积到一定数量之后，触发数据挖掘算法对历史样本数据进行新一轮的分析挖掘，将新挖掘的或需要调整的船体水动力构型设计知识和评价知识对船体水动力构型设计知识和评价知识库进行更新,自动升级水动力构型水平。
9.根据权利要求1所述的基于人工智能技术的船体水动力构型优化设计流程架构，其特征在于：所述船体水动力性能快速预报，是基于不同船型大量的仿真数据集和试验数据集通过对机器学习算法的训练、调参构建的水动力性能快速预报的代理模型。
10.根据权利要求9所述的基于人工智能技术的船体水动力构型优化设计流程架构，其特征在于：所述船体水动力性能快速预报包括：阻力性能、推进性能、波浪增阻、耐波性能、操纵性能和流场特征的分析评估。
CN202210721427.5A 2022-06-24 2022-06-24 基于人工智能技术的船体水动力构型优化设计流程架构 Pending CN115221623A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210721427.5A CN115221623A (zh) 2022-06-24 2022-06-24 基于人工智能技术的船体水动力构型优化设计流程架构

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210721427.5A CN115221623A (zh) 2022-06-24 2022-06-24 基于人工智能技术的船体水动力构型优化设计流程架构

Publications (1)

Publication Number Publication Date
CN115221623A true CN115221623A (zh) 2022-10-21

Family

ID=83609571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210721427.5A Pending CN115221623A (zh) 2022-06-24 2022-06-24 基于人工智能技术的船体水动力构型优化设计流程架构

Country Status (1)

Country Link
CN (1) CN115221623A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117454518A (zh) * 2023-11-03 2024-01-26 中国船舶科学研究中心 一种面向智能应用的船舶总体性能预报应用程序搭建方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117454518A (zh) * 2023-11-03 2024-01-26 中国船舶科学研究中心 一种面向智能应用的船舶总体性能预报应用程序搭建方法
CN117454518B (zh) * 2023-11-03 2024-05-14 中国船舶科学研究中心 一种面向智能应用的船舶总体性能预报应用程序搭建方法

Similar Documents

Publication Publication Date Title
CN111859733B (zh) 一种基于蚁群算法的汽车排气系统可靠性优化方法
CN112879024B (zh) 一种盾构姿态动态预测方法、系统及设备
CN104715282A (zh) 一种基于改进pso-bp神经网络的数据预测方法
CN115422814B (zh) 一种数字孪生驱动的复杂机电产品闭环优化设计方法
Deepanraj et al. Intelligent wild geese algorithm with deep learning driven short term load forecasting for sustainable energy management in microgrids
CN110210654A (zh) 产品模型设计系统及方法
CN109858798B (zh) 关联改造措施与电压指标的电网投资决策建模方法及装置
CN115221623A (zh) 基于人工智能技术的船体水动力构型优化设计流程架构
CN113343427A (zh) 一种基于卷积神经网络的结构拓扑构型预测方法
Saad et al. A new kriging–bat algorithm for solving computationally expensive black-box global optimization problems
CN116629352A (zh) 一种亿级参数寻优平台
CN104732067A (zh) 一种面向流程对象的工业过程建模预测方法
CN115455727A (zh) 数字孪生驱动的综采装备与煤层耦合系统优化决策方法
Wen et al. Taso: Time and space optimization for memory-constrained DNN inference
CN109255148B (zh) 力学产品设计方法及其系统
Guan et al. Hull form optimization design of SWATH with combination evaluations of resistance and seakeeping performance
Qian et al. Elasticai-creator: Optimizing neural networks for time-series-analysis for on-device machine learning in iot systems
CN117520956A (zh) 一种基于强化学习和元学习的两阶段自动化特征工程方法
CN115528750B (zh) 一种面向电网安全稳定的数据模型混合驱动机组组合方法
CN116484912A (zh) 模型构建方法、装置、设备及存储介质
CN114818128B (zh) 船体局部曲面优化神经网络建模方法及优化方法
Taha et al. Learning to run a power network under varying grid topology
CN115238086A (zh) 一种基于多任务学习的电网故障处理知识图谱补全方法
CN113962384A (zh) 针对点击率预测模型的自动一体化架构搜索系统和方法
Woldemariam et al. A machine learning based framework for model approximation followed by design optimization for expensive numerical simulation-based optimization problems

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