CN116663338B - 一种基于相似算例的仿真分析方法、装置、设备及介质 - Google Patents

一种基于相似算例的仿真分析方法、装置、设备及介质 Download PDF

Info

Publication number
CN116663338B
CN116663338B CN202310961276.5A CN202310961276A CN116663338B CN 116663338 B CN116663338 B CN 116663338B CN 202310961276 A CN202310961276 A CN 202310961276A CN 116663338 B CN116663338 B CN 116663338B
Authority
CN
China
Prior art keywords
simulation
target
feature vector
similarity
historical
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
Application number
CN202310961276.5A
Other languages
English (en)
Other versions
CN116663338A (zh
Inventor
胡志明
淮晓永
李俊达
张元岩
韩晓东
郭金磊
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.)
6th Research Institute of China Electronics Corp
Original Assignee
6th Research Institute of China Electronics Corp
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 6th Research Institute of China Electronics Corp filed Critical 6th Research Institute of China Electronics Corp
Priority to CN202310961276.5A priority Critical patent/CN116663338B/zh
Publication of CN116663338A publication Critical patent/CN116663338A/zh
Application granted granted Critical
Publication of CN116663338B publication Critical patent/CN116663338B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/28Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请提供了一种基于相似算例的仿真分析方法、装置、设备及介质,其中,基于目标仿真算例中的目标模型图像确定出目标模型图像的目标特征向量;基于至少一个历史特征向量和目标特征向量之间的相似度确定出相似仿真算例;从历史算例数据库中确定出相似算例的算例仿真分析报告向用户推送;基于用户对于算例仿真分析报告的反馈操作确定出用户对于算例仿真分析报告的满意情况;当为不满意时,响应用户对仿真求解方案参数的修改操作,生成优化仿真算例数据;利用仿真计算求解器对优化仿真算例数据进行仿真求解计算得到优化仿真求解结果,结束仿真分析。采用上述方法,能够实现快速高效的进行仿真求解计算,提高进行仿真求解计算时的效率。

Description

一种基于相似算例的仿真分析方法、装置、设备及介质
技术领域
本发明涉及模型仿真处理领域,具体而言,涉及一种基于相似算例的仿真分析方法、装置、设备及介质。
背景技术
计算流体力学仿真系统可以通过模拟仿真试验分析工业设计方案的流体动力学特性,进而改进优化设计方案,其在航空航天、船舶、汽车等工业设计中应用广泛。在研究中发现,当用户需要进行仿真求解计算时,现有的仿真系统仅能够基于用户当前输入的仿真算例数据进行仿真求解,而当用户需要对多个仿真算例数据进行仿真求解计算和分析时,需要多次手动向仿真系统输入仿真算例数据。在研究中发现,由于仿真算例数据中所包含的数据内容和数据量较大,在用户多次手动向仿真系统输入仿真算例数据时,需要耗费大量的人力成本和时间成本,从而降低了进行仿真求解计算时的效率。
发明内容
有鉴于此,本发明的目的在于提供一种基于相似算例的仿真分析方法、装置、设备及介质,以提高进行仿真求解计算时的效率。
第一方面,本申请实施例提供了一种基于相似算例的仿真分析方法,所述方法包括:
基于目标仿真算例中的目标模型图像,确定出所述目标模型图像的目标特征向量;
基于至少一个历史特征向量和所述目标特征向量之间的相似度,确定出相似仿真算例,其中,所述历史特征向量为历史仿真算例中的模型图像的特征向量,所述相似仿真算例为与所述目标仿真算例之间的相似程度满足用户需求的历史仿真算例,所述历史仿真算例被预先存储在历史仿真算例数据库中;
从历史算例数据库中确定出所述相似算例的算例仿真分析报告;
将所述算例仿真分析报告向用户进行推送;
基于所述用户对于所述算例仿真分析报告的反馈操作,确定出所述用户对于所述算例仿真分析报告的满意情况,其中,所述满意情况包括满意或者不满意;
当所述用户对于所述算例仿真分析报告的满意情况为满意时,将所述相似仿真算例和所述算例仿真分析报告存储至相似算例数据库中,结束仿真分析;
当所述用户对于所述算例仿真分析报告的满意情况为不满意时,将所述相似仿真算例的仿真求解方案参数向所述用户进行推送;
响应所述用户对所述仿真求解方案参数的修改操作,生成包含修改后的仿真求解方案参数的优化仿真算例数据;
利用仿真计算求解器对所述优化仿真算例数据进行仿真求解计算,得到优化仿真求解结果,结束仿真分析。
可选地,所述基于至少一个历史特征向量和所述目标特征向量之间的相似度,确定出相似仿真算例,包括:
对于每个所述历史特征向量,计算该历史特征向量与所述目标特征向量之间的相似度;
将所包含的历史模型图像的历史特征向量与所述目标特征向量之间的相似度超过预设阈值的历史仿真算例,确定为所述相似仿真算例;
或者,将所包含的历史模型图像的历史特征向量与所述目标特征向量之间的相似度,在所有相似度中的排名满足预设位次的历史仿真算例,确定为所述相似仿真算例。
可选地,在利用仿真计算求解器对所述优化仿真算例数据进行仿真求解计算,得到优化仿真求解结果,结束仿真分析后,所述方法还包括:
对所述优化仿真求解结果进行可视化分析得到优化仿真分析结果;
将所述优化仿真分析结果向所述用户进行推送。
可选地,所述基于目标仿真算例中的目标模型图像,确定出所述目标模型图像的目标特征向量,包括:
根据所述目标模型图像,利用目标相似度网络模型确定出所述目标特征向量。
可选地,在根据所述目标模型图像,利用目标相似度网络模型确定出所述目标特征向量前,所述方法还包括:
利用所述历史仿真算例数据库中所包含的历史仿真算例的历史模型图像构建模型训练样本集;
使用所述模型训练样本集对初始相似度网络模型进行训练得到候选相似度网络模型;
利用模型测试样本集对所述候选相似度网络模型进行模型评估得到评估结果,其中,所述评估结果包括合格和不合格;
当所述候选相似度网络模型的评估结果为合格时,则将所述候选相似度网络模型确定为所述目标相似度网络模型;
当所述候选相似度网络模型的评估结果为不合格时,将所述候选相似度网络模型的模型参数向所述用户进行推送;
响应用户对所述模型参数的修改操作,生成基于修改后的模型参数得到的优化相似度网络模型,并利用所述模型测试样本集对所述优化相似度网络模型进行模型评估得到评估结果,直至所述优化相似度网络模型的评估结果为合格;
将所述优化相似度网络模型确定为所述目标相似度网络模型。
第二方面,本申请实施例提供了一种基于相似算例的仿真分析装置,所述装置包括:
目标特征向量确定模块,用于基于目标仿真算例中的目标模型图像,确定出所述目标模型图像的目标特征向量;
相似仿真算例确定模块,用于基于至少一个历史特征向量和所述目标特征向量之间的相似度,确定出相似仿真算例,其中,所述历史特征向量为历史仿真算例中的模型图像的特征向量,所述相似仿真算例为与所述目标仿真算例之间的相似程度满足用户需求的历史仿真算例,所述历史仿真算例被预先存储在历史仿真算例数据库中;
算例仿真分析报告确定模块,用于从历史算例数据库中确定出所述相似算例的算例仿真分析报告;
算例仿真分析报告推送模块,用于将所述算例仿真分析报告向用户进行推送;
满意情况确定模块,用于基于所述用户对于所述算例仿真分析报告的反馈操作,确定出所述用户对于所述算例仿真分析报告的满意情况,其中,所述满意情况包括满意或者不满意;
算例仿真分析报告存储模块,用于当所述用户对于所述算例仿真分析报告的满意情况为满意时,将所述相似仿真算例和所述算例仿真分析报告存储至相似算例数据库中,结束仿真分析;
仿真求解方案参数推送模块,用于当所述用户对于所述算例仿真分析报告的满意情况为不满意时,将所述相似仿真算例的仿真求解方案参数向所述用户进行推送;
优化仿真算例数据生成模块,用于响应所述用户对所述仿真求解方案参数的修改操作,生成包含修改后的仿真求解方案参数的优化仿真算例数据;
仿真求解计算模块,用于利用仿真计算求解器对所述优化仿真算例数据进行仿真求解计算,得到优化仿真求解结果,结束仿真分析。
可选地,所述相似仿真算例确定模块在用于基于至少一个历史特征向量和所述目标特征向量之间的相似度,确定出相似仿真算例时,具体用于:
对于每个所述历史特征向量,计算该历史特征向量与所述目标特征向量之间的相似度;
将所包含的历史模型图像的历史特征向量与所述目标特征向量之间的相似度超过预设阈值的历史仿真算例,确定为所述相似仿真算例;
或者,将所包含的历史模型图像的历史特征向量与所述目标特征向量之间的相似度,在所有相似度中的排名满足预设位次的历史仿真算例,确定为所述相似仿真算例。
可选地,所述装置还包括:
优化仿真分析结果确定模块,用于在优化仿真算例数据生成模块响应所述用户对所述仿真求解方案参数的修改操作,生成包含修改后的仿真求解方案参数的优化仿真算例数据后,对所述优化仿真求解结果进行可视化分析得到优化仿真分析结果;
优化仿真分析结果推送模块,用于将所述优化仿真分析结果向所述用户进行推送。
可选地,所述目标特征向量确定模块在用于基于目标仿真算例中的目标模型图像,确定出所述目标模型图像的目标特征向量时,具体用于:
根据所述目标模型图像,利用目标相似度网络模型确定出所述目标特征向量。
可选地,所述装置还包括目标特征向量确定模型训练模块,所述目标特征向量确定模型训练模块用于:
在所述目标特征向量确定模块根据所述目标模型图像,利用目标相似度网络模型确定出所述目标特征向量前,利用所述历史仿真算例数据库中所包含的历史仿真算例的历史模型图像构建模型训练样本集;
使用所述模型训练样本集对初始相似度网络模型进行训练得到候选相似度网络模型;
利用模型测试样本集对所述候选相似度网络模型进行模型评估得到评估结果,其中,所述评估结果包括合格和不合格;
当所述候选相似度网络模型的评估结果为合格时,则将所述候选相似度网络模型确定为所述目标相似度网络模型;
当所述候选相似度网络模型的评估结果为不合格时,将所述候选相似度网络模型的模型参数向所述用户进行推送;
响应用户对所述模型参数的修改操作,生成基于修改后的模型参数得到的优化相似度网络模型,并利用所述模型测试样本集对所述优化相似度网络模型进行模型评估得到评估结果,直至所述优化相似度网络模型的评估结果为合格;
将所述优化相似度网络模型确定为所述目标相似度网络模型。
第三方面,本申请实施例提供了一种计算机设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第一方面中任一种可选地实施方式中所述的基于相似算例的仿真分析方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面中任一种可选地实施方式中所述的基于相似算例的仿真分析方法的步骤。
本申请提供的技术方案包括但不限于以下有益效果:
本申请根据用户指定的目标仿真算例中的模型图像的特征向量与多个历史仿真算例的模型图像的特征向量之间的相似度,确定出与目标仿真算例之间的相似程度满足用户需求的相似仿真算例,然后根据用户对于相似仿真算例的分析报告的满意程度和对相似仿真算例的仿真求解方案参数的修改操作生成优化仿真算例数据,利用仿真求解器对优化仿真算例数据进行仿真求解计算得到仿真分析结果,采用上述方案,能够避免在进行仿真求解计算时,用户需要多次手动输入仿真算例数据,从而实现快速高效的进行仿真求解计算,提高进行仿真求解计算时的效率。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍, 应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例一所提供的一种基于相似算例的仿真分析方法的流程图;
图2示出了本发明实施例一所提供的一种相似仿真算例确定方法的流程图;
图3示出了本发明实施例一所提供的一种优化仿真分析结果推送方法的流程图;
图4示出了本发明实施例一所提供的一种目标特征向量确定模型确定方法的流程图;
图5示出了本发明实施例二所提供的一种基于相似算例的仿真分析装置的结构示意图;
图6示出了本发明实施例二所提供的第二种基于相似算例的仿真分析装置的结构示意图;
图7示出了本发明实施例二所提供的第三种基于相似算例的仿真分析装置的结构示意图;
图8示出了本发明实施例三所提供的一种计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
实施例一
为便于对本申请进行理解,下面结合图1示出的本发明实施例一所提供的一种基于相似算例的仿真分析方法的流程图描述的内容对本申请实施例一进行详细说明。
参见图1所述,图1示出了本发明实施例一所提供的一种基于相似算例的仿真分析方法的流程图,其中,所述方法包括步骤S101~S109:
S101:基于目标仿真算例中的目标模型图像,确定出所述目标模型图像的目标特征向量。
具体的,本申请中的目标仿真算例包括但不限于计算流体力学中的物体周围流场的仿真算例,目标仿真算例为用户所指定的仿真算例。在基于目标仿真算例中的目标模型图像,确定出所述目标模型图像的目标特征向量前,利用模型生成软件根据目标仿真算例的目标模型数据生成目标仿真算例中的目标模型图像,其中,目标模型数据包括目标模型中各个点的位置坐标以及每个点之间的拓扑关系。
S102:基于至少一个历史特征向量和所述目标特征向量之间的相似度,确定出相似仿真算例,其中,所述历史特征向量为历史仿真算例中的模型图像的特征向量,所述相似仿真算例为与所述目标仿真算例之间的相似程度满足用户需求的历史仿真算例,所述历史仿真算例被预先存储在历史仿真算例数据库中。
具体的,预先在历史仿真算例数据库中存储多个历史仿真算例,每个历史仿真算例中包括历史模型图像,参照步骤S101中对目标仿真算例中的目标模型图像的处理方式对多个历史模型图像进行处理分别得到多个历史特征向量。
将每个历史特征向量分别与目标特征向量进行相似度计算,相似度能够描述每两个特征向量之间的相似程度,而每个特征向量又是基于其各自的模型图像得到的,所以这里得到的每个历史特征向量和目标特征向量的相似度能够体现出每个历史模型图像和目标模型图像的相似度。又基于模型图像是归属于仿真算例的,因此每个历史特征向量和目标特征向量的相似度能够体现出每个历史仿真算例和目标仿真算例的相似度。
值得注意的是,这里的相似仿真算例的数量可以根据用户的实际需求进行设定,在这里不做具体限定。
S103:从历史算例数据库中确定出所述相似算例的算例仿真分析报告。
具体的,由于相似仿真算例为历史仿真算例中的一个或者多个,在历史仿真处理中,会得到每个历史仿真算例的算例信息,根据这些历史仿真算例的算例信息生成算例仿真分析报告,然后存储在历史算例数据库中,并使用每个历史仿真算例的算例ID对其各自的算例仿真分析报告进行标记。
当确定得到相似仿真算例后,根据相似仿真算例的算例ID从历史算例数据库中确定出具有该算例ID的算例仿真分析报告作为相似仿真算例的算例仿真分析报告。
算例信息包括但不限于仿真算例的物理模型,仿真算例的边界条件,仿真算例的网格数据以及仿真算例的求解控制参数等,其中,仿真算例的网格数据是通过对仿真算例中的模型的流场计算域进行网格划分后得到的计算域网格数据。
S104:将所述算例仿真分析报告向用户进行推送。
具体的,将算例仿真分析报告向用户进行推送,以使用户能够及时获知相似仿真算例的算例信息。
S105:基于所述用户对于所述算例仿真分析报告的反馈操作,确定出所述用户对于所述算例仿真分析报告的满意情况,其中,所述满意情况包括满意或者不满意。
具体的,在将所述算例仿真分析报告向用户进行推送时,可以同时向用户提供用于进行反馈操作的操作组件,用户可以基于对算例仿真分析报告的满意程度对算例仿真分析报告通过该操作组件进行反馈操作,例如,当用户满意该算例仿真分析报告时,可以单击该算例仿真分析报告中的文字部分,当用户不满意该算例仿真分析报告时,可以双击该算例仿真分析报告中的文字部分。然后在用户进行反馈操作后,基于所述用户对于所述算例仿真分析报告的反馈操作,确定出所述用户对于所述算例仿真分析报告的满意情况。
S106:当所述用户对于所述算例仿真分析报告的满意情况为满意时,将所述相似仿真算例和所述算例仿真分析报告存储至相似算例数据库中,结束仿真分析。
具体的,当所述用户对于所述算例仿真分析报告的满意情况为满意时,则将相似仿真算例和算例仿真分析报告存储至相似算例数据库中,以为下次的仿真算例的调取提供数据支持。
S107:当所述用户对于所述算例仿真分析报告的满意情况为不满意时,将所述相似仿真算例的仿真求解方案参数向所述用户进行推送。
具体的,当用户对于所述算例仿真分析报告的满意情况为不满意时,将相似仿真算例的仿真求解方案参数,向所述用户进行推送。仿真求解方案参数为利用仿真计算求解器对仿真算例执行仿真处理时,需要为仿真计算求解器所配置的执行参数。当用户对于算例仿真分析报告的满意情况为不满意时,将相似仿真算例的仿真求解方案参数向所述用户进行推送,以使用户能够对相似仿真算例的仿真求解方案参数进行修改和优化。
除此之外,当所述用户对于所述算例仿真分析报告的满意情况为不满意时,还可以将与目标仿真算例的相似度为1的相似仿真算例的算例信息,例如网格数据发送至用户。或者,将相似仿真算例的仿真求解方案参数作为仿真计算求解器的参数默认值。
S108:响应所述用户对所述仿真求解方案参数的修改操作,生成包含修改后的仿真求解方案参数的优化仿真算例数据。
具体的,在用户对仿真求解方案参数进行修改操作后,响应所述用户对所述仿真求解方案参数的修改操作,生成包含有修改后的仿真求解方案参数的优化仿真算例数据。
S109:利用仿真计算求解器对所述优化仿真算例数据进行仿真求解计算,得到优化仿真求解结果,结束仿真分析。
具体的,仿真计算求解器为根据仿真需求和仿真环境预先设置好的求解器。
除此之外,由于相似仿真算例为与目标仿真算例之间的相似程度满足用户需求的历史仿真算例,还可以将这些相似仿真算例向用户进行推送,用户能够基于获取到满足其需求的仿真算例。同时,还可以将相似仿真算例的算例ID、其所包含的模型图像的特征向量以及预先为其配置的存储路径构建为算例序列,存储至算例序列数据库中。
在一个可行的实施方案中,参见图2所示,图2示出了本发明实施例一所提供的一种相似仿真算例确定方法的流程图,其中,所述基于至少一个历史特征向量和所述目标特征向量之间的相似度,确定出相似仿真算例,包括步骤S201~S203:
S201:对于每个所述历史特征向量,计算该历史特征向量与所述目标特征向量之间的相似度。
具体的,相似度的计算方法包括但不限于欧氏距离算法和余弦距离算法,具体的相似度计算方法可以根据实际需求进行设定,在这里不做具体限定。
S202:将所包含的历史模型图像的历史特征向量与所述目标特征向量之间的相似度超过预设阈值的历史仿真算例,确定为所述相似仿真算例。
具体的,预先根据用户需求设置一个相似度的预设阈值,用于对历史仿真算例进行筛选,将所包含的历史模型图像的历史特征向量与所述目标特征向量之间的相似度超过预设阈值的历史仿真算例(与目标仿真算例的相似程度满足用户需求的仿真算例),确定为所述相似仿真算例。上述确定方法是基于相似度的具体数值对历史仿真算例进行的筛选。
S203:或者,将所包含的历史模型图像的历史特征向量与所述目标特征向量之间的相似度,在所有相似度中的排名满足预设位次的历史仿真算例,确定为所述相似仿真算例。
具体的,该确定方法是基于相似度的排名(通常为由高到低)对历史仿真算例进行的筛选,例如,当存在10个历史仿真算例,将每个历史仿真算例中的历史模型图像的历史特征向量,分别与该目标仿真算例中的目标模型图像的目标特征向量进行相似度计算,能够得到10个相似度值。将该10个相似度值由高到低进行排序,选取与目标特征向量具有排序在前3名的相似度的历史特征向量的历史模型图像的3个历史仿真算例作为相似仿真算例。
在一个可行的实施方案中,参见图3所示,图3示出了本发明实施例一所提供的一种优化仿真分析结果推送方法的流程图,其中,在利用仿真计算求解器对所述优化仿真算例数据进行仿真求解计算,得到优化仿真求解结果,结束仿真分析后,包括步骤S301~S302:
S301:对所述优化仿真求解结果进行可视化分析得到优化仿真分析结果。
具体的,可视化分析包括但不限于图表化处理。
S302:将所述优化仿真分析结果向所述用户进行推送。
具体的,将优化仿真分析结果向所述用户进行推送,以使用户能够更加直观得获知优化仿真分析结果。
根据用户对优化仿真分析结果的反馈操作判断用户是否满意该优化仿真分析结果,若不满意,则重复步骤S107~S108响应用户对仿真求解方案参数进行的修改操作,直至用户满意得到的优化仿真分析结果。
在一个可行的实施方案中,所述基于目标仿真算例中的目标模型图像,确定出所述目标模型图像的目标特征向量,包括:
根据所述目标模型图像,利用目标相似度网络模型确定出所述目标特征向量。
具体的,神经网络模型一般包含:输入层、池化层、卷积层、全连接层,每一层都会对上一层的输出结果再做相应处理。
1. 卷积层:对输入数据进行卷积运算,并生成特征图作为输出;2. 池化层:要作用是对输入数据进行降采样(Downsampling),以减少数据维度和参数数量,并保留主要特征;3. 全连接层:全连接层的主要作用是将前面层提取到的特征进行分类、回归),然后该层处理完后再将处理结果传给下一层。
根据所述目标模型图像,利用目标相似度网络模型确定出所述目标特征向量,包括:将所述目标模型图像输入至所述目标相似度网络模型中;对所述目标相似度网络模型中的全连接层的输出进行截取,得到所述目标特征向量。
当目标相似度网络模型为基于VGG16模型构建的孪生网络模型时,截取的全连接层为FC2层(截取层的原则是选择的层越靠近输入层,提取的特征越接近原始图像的底层特征)。
在一个可行的实施方案中,参见图4所示,图4示出了本发明实施例一所提供的一种目标特征向量确定模型确定方法的流程图,其中,在根据所述目标模型图像,利用目标相似度网络模型确定出所述目标特征向量前,所述方法还包括步骤S401~S407:
S401:利用所述历史仿真算例数据库中所包含的历史仿真算例的历史模型图像构建模型训练样本集。
具体的,从历史仿真算例数据库中选择多个历史仿真算例,根据历史仿真算例中的模型数据生成相应的模型图像,然后进行图像预处理,根据预处理后的模型图像和每两个模型图像的特征向量之间的相似度构建模型训练样本集。
S402:使用所述模型训练样本集对初始相似度网络模型进行训练得到候选相似度网络模型。
具体的,初始相似度网络模型为基于VGG16模型构建孪生网络模型。
S403:利用模型测试样本集对所述候选相似度网络模型进行模型评估得到评估结果,其中,所述评估结果包括合格和不合格。
具体的,模型测试样本集包括测试输入样本,测试输入样本为测试模型图像,将每个测试输入样本输入至候选相似度网络模型中得到实际输出结果(该测试输入样本与其他测试输入样本的特征向量之间的相似度),然后对于每个测试输入样本,选取与该测试输入样本属于同一类别的历史模型图像,计算该测试输入样本的特征向量和与该测试输入样本属于同一类别(例如,同属于车辆,或者同属于飞机)的历史模型图像的特征向量之间的同类别相似度;同时,对于每个测试输入样本,选取与该测试输入样本属于不同类别的历史模型图像,计算该测试输入样本的特征向量和与该测试输入样本属于不同类别(例如,一个属于车辆,另一个属于飞机)的历史模型图像的特征向量之间的不同类别相似度;判断该同类别相似度是否超过第一阈值(例如85%),且不同类别相似度是否未超过第二阈值(例如50%);若该同类别相似度超过第一阈值,且不同类别相似度未超过第二阈值,则将候选相似度网络模型的评估结果确定为合格;若该同类别相似度未超过第一阈值,和/或不同类别相似度超过第二阈值,则将候选相似度网络模型的评估结果确定为不合格。
S404:当所述候选相似度网络模型的评估结果为合格时,则将所述候选相似度网络模型确定为所述目标相似度网络模型。
具体的,当候选相似度网络模型的评估结果为合格时,说明候选相似度网络模型能够用于进行相似度的确定,则将所述候选相似度网络模型确定为所述目标相似度网络模型。
S405:当所述候选相似度网络模型的评估结果为不合格时,将所述候选相似度网络模型的模型参数向所述用户进行推送。
具体的,当候选相似度网络模型的评估结果为不合格时,说明候选相似度网络模型还不能够用于进行相似度的确定,则需要对候选相似度网络模型的模型参数进行修改和优化。
S406:响应用户对所述模型参数的修改操作,生成基于修改后的模型参数得到的优化相似度网络模型,并利用所述模型测试样本集对所述优化相似度网络模型进行模型评估得到评估结果,直至所述优化相似度网络模型的评估结果为合格。
具体的,响应用户对模型参数的修改操作,使用修改后的模型参数对候选相似度网络模型中的模型参数进行更新,得到优化相似度网络模型;然后利用模型测试样本集,参照步骤S403对优化相似度网络模型进行模型评估得到评估结果,直至所述优化相似度网络模型的评估结果为合格。
S407:将所述优化相似度网络模型确定为所述目标相似度网络模型。
具体的,当优化相似度网络模型的评估结果为合格时,说明优化相似度网络模型能够用于进行相似度的确定,则将优化相似度网络模型确定为目标相似度网络模型。
实施例二
参见图5所示,图5示出了本发明实施例二所提供的一种基于相似算例的仿真分析装置的结构示意图,其中,所述装置包括:
目标特征向量确定模块501,用于基于目标仿真算例中的目标模型图像,确定出所述目标模型图像的目标特征向量;
相似仿真算例确定模块502,用于基于至少一个历史特征向量和所述目标特征向量之间的相似度,确定出相似仿真算例,其中,所述历史特征向量为历史仿真算例中的模型图像的特征向量,所述相似仿真算例为与所述目标仿真算例之间的相似程度满足用户需求的历史仿真算例,所述历史仿真算例被预先存储在历史仿真算例数据库中;
算例仿真分析报告确定模块503,用于从历史算例数据库中确定出所述相似算例的算例仿真分析报告;
算例仿真分析报告推送模块504,用于将所述算例仿真分析报告向用户进行推送;
满意情况确定模块505,用于基于所述用户对于所述算例仿真分析报告的反馈操作,确定出所述用户对于所述算例仿真分析报告的满意情况,其中,所述满意情况包括满意或者不满意;
算例仿真分析报告存储模块506,用于当所述用户对于所述算例仿真分析报告的满意情况为满意时,将所述相似仿真算例和所述算例仿真分析报告存储至相似算例数据库中,结束仿真分析;
仿真求解方案参数推送模块507,用于当所述用户对于所述算例仿真分析报告的满意情况为不满意时,将所述相似仿真算例的仿真求解方案参数向所述用户进行推送;
优化仿真算例数据生成模块508,用于响应所述用户对所述仿真求解方案参数的修改操作,生成包含修改后的仿真求解方案参数的优化仿真算例数据;
仿真求解计算模块509,用于利用仿真计算求解器对所述优化仿真算例数据进行仿真求解计算,得到优化仿真求解结果,结束仿真分析。
在一个可行的实施方案中,所述相似仿真算例确定模块在用于基于至少一个历史特征向量和所述目标特征向量之间的相似度,确定出相似仿真算例时,具体用于:
对于每个所述历史特征向量,计算该历史特征向量与所述目标特征向量之间的相似度;
将所包含的历史模型图像的历史特征向量与所述目标特征向量之间的相似度超过预设阈值的历史仿真算例,确定为所述相似仿真算例;
或者,将所包含的历史模型图像的历史特征向量与所述目标特征向量之间的相似度,在所有相似度中的排名满足预设位次的历史仿真算例,确定为所述相似仿真算例。
在一个可行的实施方案中,参见图6所示,图6示出了本发明实施例二所提供的第二种基于相似算例的仿真分析装置的结构示意图,其中,所述装置还包括:
优化仿真分析结果确定模块601,用于在优化仿真算例数据生成模块响应所述用户对所述仿真求解方案参数的修改操作,生成包含修改后的仿真求解方案参数的优化仿真算例数据后,对所述优化仿真求解结果进行可视化分析得到优化仿真分析结果;
优化仿真分析结果推送模块602,用于将所述优化仿真分析结果向所述用户进行推送。
在一个可行的实施方案中,所述目标特征向量确定模块在用于基于目标仿真算例中的目标模型图像,确定出所述目标模型图像的目标特征向量时,具体用于:
根据所述目标模型图像,利用目标相似度网络模型确定出所述目标特征向量。
在一个可行的实施方案中,参见图7所示,图7示出了本发明实施例二所提供的第三种基于相似算例的仿真分析装置的结构示意图,其中,所述装置还包括目标相似度网络模型训练模块701,所述目标相似度网络模型训练模块用于:
在所述目标特征向量确定模块根据所述目标模型图像,利用目标相似度网络模型确定出所述目标特征向量前,利用所述历史仿真算例数据库中所包含的历史仿真算例的历史模型图像构建模型训练样本集;
使用所述模型训练样本集对初始相似度网络模型进行训练得到候选相似度网络模型;
利用模型测试样本集对所述候选相似度网络模型进行模型评估得到评估结果,其中,所述评估结果包括合格和不合格;
当所述候选相似度网络模型的评估结果为合格时,则将所述候选相似度网络模型确定为所述目标相似度网络模型;
当所述候选相似度网络模型的评估结果为不合格时,将所述候选相似度网络模型的模型参数向所述用户进行推送;
响应用户对所述模型参数的修改操作,生成基于修改后的模型参数得到的优化相似度网络模型,并利用所述模型测试样本集对所述优化相似度网络模型进行模型评估得到评估结果,直至所述优化相似度网络模型的评估结果为合格;
将所述优化相似度网络模型确定为所述目标相似度网络模型。
实施例三
基于同一申请构思,参见图8所示,图8示出了本发明实施例三所提供的一种计算机设备的结构示意图,其中,如图8所示,本申请实施例三所提供的一种计算机设备800包括:
处理器801、存储器802和总线803,所述存储器802存储有所述处理器801可执行的机器可读指令,当计算机设备800运行时,所述处理器801与所述存储器802之间通过所述总线803进行通信,所述机器可读指令被所述处理器801运行时执行上述实施例一所示的基于相似算例的仿真分析方法的步骤。
实施例四
基于同一申请构思,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述实施例中任一项所述的基于相似算例的仿真分析方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例所提供的进行基于相似算例的仿真分析的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
本发明实施例所提供的基于相似算例的仿真分析装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.一种基于相似算例的仿真分析方法,其特征在于,所述方法包括:
基于目标仿真算例中的目标模型图像,确定出所述目标模型图像的目标特征向量,其中,所述目标模型图像是利用模型生成软件根据所述目标仿真算例的目标模型数据生成的,所述目标模型数据包括目标模型中各个点的位置坐标以及每个点之间的拓扑关系;
基于至少一个历史特征向量和所述目标特征向量之间的相似度,确定出相似仿真算例,其中,所述历史特征向量为历史仿真算例中的模型图像的特征向量,所述历史特征向量是依据历史模型图像构成的历史仿真算例构建得到的,所述相似仿真算例为与所述目标仿真算例之间的相似程度满足用户需求,且与所述目标仿真算例为同样类别的历史仿真算例,所述历史仿真算例被预先存储在历史仿真算例数据库中;
从历史算例数据库中确定出所述相似算例的算例仿真分析报告;
将所述算例仿真分析报告向用户进行推送;
基于所述用户对于所述算例仿真分析报告的反馈操作,确定出所述用户对于所述算例仿真分析报告的满意情况,其中,所述满意情况包括满意或者不满意;
当所述用户对于所述算例仿真分析报告的满意情况为满意时,将所述相似仿真算例和所述算例仿真分析报告存储至相似算例数据库中,结束仿真分析;
当所述用户对于所述算例仿真分析报告的满意情况为不满意时,将所述相似仿真算例的仿真求解方案参数向所述用户进行推送;
响应所述用户对所述仿真求解方案参数的修改操作,生成包含修改后的仿真求解方案参数的优化仿真算例数据;
利用仿真计算求解器对所述优化仿真算例数据进行仿真求解计算,得到优化仿真求解结果,结束仿真分析;
对所述优化仿真求解结果进行可视化分析得到优化仿真分析结果;
将所述优化仿真分析结果向所述用户进行推送。
2.根据权利要求1所述的方法,其特征在于,所述基于至少一个历史特征向量和所述目标特征向量之间的相似度,确定出相似仿真算例,包括:
对于每个所述历史特征向量,计算该历史特征向量与所述目标特征向量之间的相似度;
将所包含的历史模型图像的历史特征向量与所述目标特征向量之间的相似度超过预设阈值的历史仿真算例,确定为所述相似仿真算例;
或者,将所包含的历史模型图像的历史特征向量与所述目标特征向量之间的相似度,在所有相似度中的排名满足预设位次的历史仿真算例,确定为所述相似仿真算例。
3.根据权利要求1所述的方法,其特征在于,所述基于目标仿真算例中的目标模型图像,确定出所述目标模型图像的目标特征向量,包括:
根据所述目标模型图像,利用目标相似度网络模型确定出所述目标特征向量。
4.根据权利要求3所述的方法,其特征在于,在根据所述目标模型图像,利用目标相似度网络模型确定出所述目标特征向量前,所述方法还包括:
利用所述历史仿真算例数据库中所包含的历史仿真算例的历史模型图像构建模型训练样本集;
使用所述模型训练样本集对初始相似度网络模型进行训练得到候选相似度网络模型;
利用模型测试样本集对所述候选相似度网络模型进行模型评估得到评估结果,其中,所述评估结果包括合格和不合格;
当所述候选相似度网络模型的评估结果为合格时,则将所述候选相似度网络模型确定为所述目标相似度网络模型;
当所述候选相似度网络模型的评估结果为不合格时,将所述候选相似度网络模型的模型参数向所述用户进行推送;
响应用户对所述模型参数的修改操作,生成基于修改后的模型参数得到的优化相似度网络模型,并利用所述模型测试样本集对所述优化相似度网络模型进行模型评估得到评估结果,直至所述优化相似度网络模型的评估结果为合格;
将所述优化相似度网络模型确定为所述目标相似度网络模型。
5.一种基于相似算例的仿真分析装置,其特征在于,所述装置包括:
目标特征向量确定模块,用于基于目标仿真算例中的目标模型图像,确定出所述目标模型图像的目标特征向量,其中,所述目标模型图像是利用模型生成软件根据所述目标仿真算例的目标模型数据生成的,所述目标模型数据包括目标模型中各个点的位置坐标以及每个点之间的拓扑关系;
相似仿真算例确定模块,用于基于至少一个历史特征向量和所述目标特征向量之间的相似度,确定出相似仿真算例,其中,所述历史特征向量为历史仿真算例中的模型图像的特征向量,所述历史特征向量是依据历史模型图像构成的历史仿真算例构建得到的,所述相似仿真算例为与所述目标仿真算例之间的相似程度满足用户需求,且与所述目标仿真算例为同样类别的历史仿真算例,所述历史仿真算例被预先存储在历史仿真算例数据库中;
算例仿真分析报告确定模块,用于从历史算例数据库中确定出所述相似算例的算例仿真分析报告;
算例仿真分析报告推送模块,用于将所述算例仿真分析报告向用户进行推送;
满意情况确定模块,用于基于所述用户对于所述算例仿真分析报告的反馈操作,确定出所述用户对于所述算例仿真分析报告的满意情况,其中,所述满意情况包括满意或者不满意;
算例仿真分析报告存储模块,用于当所述用户对于所述算例仿真分析报告的满意情况为满意时,将所述相似仿真算例和所述算例仿真分析报告存储至相似算例数据库中,结束仿真分析;
仿真求解方案参数推送模块,用于当所述用户对于所述算例仿真分析报告的满意情况为不满意时,将所述相似仿真算例的仿真求解方案参数向所述用户进行推送;
优化仿真算例数据生成模块,用于响应所述用户对所述仿真求解方案参数的修改操作,生成包含修改后的仿真求解方案参数的优化仿真算例数据;
仿真求解计算模块,用于利用仿真计算求解器对所述优化仿真算例数据进行仿真求解计算,得到优化仿真求解结果,结束仿真分析;
优化仿真分析结果确定模块,用于对所述优化仿真求解结果进行可视化分析得到优化仿真分析结果;
优化仿真分析结果推送模块,用于将所述优化仿真分析结果向所述用户进行推送。
6.根据权利要求5所述的装置,其特征在于,所述相似仿真算例确定模块在用于基于至少一个历史特征向量和所述目标特征向量之间的相似度,确定出相似仿真算例时,具体用于:
对于每个所述历史特征向量,计算该历史特征向量与所述目标特征向量之间的相似度;
将所包含的历史模型图像的历史特征向量与所述目标特征向量之间的相似度超过预设阈值的历史仿真算例,确定为所述相似仿真算例;
或者,将所包含的历史模型图像的历史特征向量与所述目标特征向量之间的相似度,在所有相似度中的排名满足预设位次的历史仿真算例,确定为所述相似仿真算例。
7.一种计算机设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至4中任一所述的基于相似算例的仿真分析方法的步骤。
8.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至4中任意一项所述的基于相似算例的仿真分析方法的步骤。
CN202310961276.5A 2023-08-02 2023-08-02 一种基于相似算例的仿真分析方法、装置、设备及介质 Active CN116663338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310961276.5A CN116663338B (zh) 2023-08-02 2023-08-02 一种基于相似算例的仿真分析方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310961276.5A CN116663338B (zh) 2023-08-02 2023-08-02 一种基于相似算例的仿真分析方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN116663338A CN116663338A (zh) 2023-08-29
CN116663338B true CN116663338B (zh) 2023-10-20

Family

ID=87710146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310961276.5A Active CN116663338B (zh) 2023-08-02 2023-08-02 一种基于相似算例的仿真分析方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116663338B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10762166B1 (en) * 2019-06-07 2020-09-01 International Business Machines Corporation Adaptive accelerated yield analysis
CN111756075A (zh) * 2020-06-29 2020-10-09 国网经济技术研究院有限公司 一种含分布式电源的配电系统算例设计与测试方法
CN112491096A (zh) * 2020-10-20 2021-03-12 中国电力科学研究院有限公司 一种用于生成电网仿真分析算例的方法及系统
CN114021425A (zh) * 2021-10-11 2022-02-08 清华大学 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质
WO2022036515A1 (zh) * 2020-08-17 2022-02-24 西门子股份公司 生产过程的建模和仿真方法及装置
CN114444795A (zh) * 2022-01-24 2022-05-06 中山大学 一种单线路公交乘客出行数据生成方法
CN114676569A (zh) * 2022-03-24 2022-06-28 中国电力科学研究院有限公司 电网仿真分析算例及其生成方法、生成系统、设备、介质
CN115062528A (zh) * 2022-03-23 2022-09-16 哈尔滨工程大学 一种针对工业过程时序数据的预测方法
CN115293336A (zh) * 2022-08-25 2022-11-04 中国工商银行股份有限公司 风险评估模型训练方法、装置和服务器
CN116031887A (zh) * 2023-02-17 2023-04-28 中国电力科学研究院有限公司 一种电网仿真分析算例数据生成方法、系统、设备及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7380019B2 (ja) * 2019-09-27 2023-11-15 オムロン株式会社 データ生成システム、学習装置、データ生成装置、データ生成方法及びデータ生成プログラム

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10762166B1 (en) * 2019-06-07 2020-09-01 International Business Machines Corporation Adaptive accelerated yield analysis
CN111756075A (zh) * 2020-06-29 2020-10-09 国网经济技术研究院有限公司 一种含分布式电源的配电系统算例设计与测试方法
WO2022036515A1 (zh) * 2020-08-17 2022-02-24 西门子股份公司 生产过程的建模和仿真方法及装置
CN112491096A (zh) * 2020-10-20 2021-03-12 中国电力科学研究院有限公司 一种用于生成电网仿真分析算例的方法及系统
CN114021425A (zh) * 2021-10-11 2022-02-08 清华大学 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质
CN114444795A (zh) * 2022-01-24 2022-05-06 中山大学 一种单线路公交乘客出行数据生成方法
CN115062528A (zh) * 2022-03-23 2022-09-16 哈尔滨工程大学 一种针对工业过程时序数据的预测方法
CN114676569A (zh) * 2022-03-24 2022-06-28 中国电力科学研究院有限公司 电网仿真分析算例及其生成方法、生成系统、设备、介质
CN115293336A (zh) * 2022-08-25 2022-11-04 中国工商银行股份有限公司 风险评估模型训练方法、装置和服务器
CN116031887A (zh) * 2023-02-17 2023-04-28 中国电力科学研究院有限公司 一种电网仿真分析算例数据生成方法、系统、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Data generation and evaluation method for power grid simulation example";Xinglei Chen 等;2022 China International Conference on Electricity Distribution (CICED);全文 *
"基于概率模型的少样本SAR图像目标识别技术研究";郑美曦;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;全文 *

Also Published As

Publication number Publication date
CN116663338A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN110866181A (zh) 资源推荐的方法、装置及存储介质
CN107798245B (zh) 一种基于组件依赖图的软件安全漏洞预测方法
CN110471945B (zh) 活跃数据的处理方法、系统、计算机设备和存储介质
CN110689084B (zh) 一种异常用户识别方法及装置
JP2019215698A (ja) 画像検査支援装置および方法
JPWO2018211721A1 (ja) 異常情報推定装置、異常情報推定方法及びプログラム
CN116109121A (zh) 基于大数据分析的用户需求挖掘方法及系统
CN115686910A (zh) 一种故障分析方法、装置、电子设备及介质
CN111581869B (zh) 建立螺栓连接的方法、装置和存储介质
JP2018045266A (ja) 設計支援装置
CN116663338B (zh) 一种基于相似算例的仿真分析方法、装置、设备及介质
CN117235606A (zh) 特种不锈钢的生产质量管理方法及系统
CN111324594A (zh) 用于粮食加工业的数据融合方法、装置、设备及存储介质
US20190197424A1 (en) Prediction of an event affecting a physical system
CN112528500B (zh) 一种场景图构造模型的评估方法及评估设备
CN115168509A (zh) 风控数据的处理方法及装置、存储介质、计算机设备
CN111694969B (zh) 一种用户身份识别方法及装置
CN109284354B (zh) 脚本搜索方法、装置、计算机设备及存储介质
JP2012014684A (ja) 名寄せ支援処理装置、方法及びプログラム
CN115208938B (zh) 用户行为管控方法及装置、计算机可读存储介质
CN110780852A (zh) 一种确定数据源的方法、装置、设备和介质
CN111382925A (zh) 生产实绩数据分析装置
CN113554126B (zh) 样本评估方法、装置、设备及计算机可读存储介质
CN117539948B (zh) 基于深度神经网络的业务数据检索方法及装置
CN117294492A (zh) 异常行为检测方法、装置、电子设备及存储介质

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