CN116720288A - 一种基于机器学习的微热管自动化设计系统 - Google Patents
一种基于机器学习的微热管自动化设计系统 Download PDFInfo
- Publication number
- CN116720288A CN116720288A CN202310438229.2A CN202310438229A CN116720288A CN 116720288 A CN116720288 A CN 116720288A CN 202310438229 A CN202310438229 A CN 202310438229A CN 116720288 A CN116720288 A CN 116720288A
- Authority
- CN
- China
- Prior art keywords
- heat pipe
- micro
- design
- module
- micro heat
- 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
- 238000013461 design Methods 0.000 title claims abstract description 131
- 238000010801 machine learning Methods 0.000 title claims abstract description 34
- 238000010438 heat treatment Methods 0.000 title description 14
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000004519 manufacturing process Methods 0.000 claims abstract description 34
- 238000013500 data storage Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 25
- 239000007788 liquid Substances 0.000 claims abstract description 16
- 238000012938 design process Methods 0.000 claims abstract description 12
- 238000011056 performance test Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 18
- 238000005452 bending Methods 0.000 description 9
- 239000002131 composite material Substances 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 229910052802 copper Inorganic materials 0.000 description 6
- 239000010949 copper Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005245 sintering Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000000137 annealing Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 4
- 238000012407 engineering method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000007789 sealing Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000004519 grease Substances 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 229920001296 polysiloxane Polymers 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007872 degassing Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000009941 weaving Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational 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
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Networks & Wireless Communication (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
本发明公开了一种基于机器学习的微热管自动化设计系统,其包括设计模块,用于控制微热管自动化设计过程;三维展示模块,用于将传入的实时微热管模型以三维形式输出展示;需求获取模块,用于从外部获得需求参数;数据存储模块,用于存储多种按照微热管吸液芯结构和应用场景进行划分的微热管设计训练集;预测模块,与所述设计模块相连,用于使用机器学习对微热管的结构及工艺参数自动化预测;通过结果展示模块,将预测结果输出展示。本发明采用机器学习模型,建立需求参数与制造结构及工艺参数的映射关系,实现了微热管制造结构及工艺参数的预测,代替微热管传统设计中多次重复实验过程,降低设计成本,提高设计效率,实现微热管的自动化设计。
Description
技术领域
本发明涉及微热管技术领域,尤其涉及一种基于机器学习的微热管自动化设计系统。
背景技术
微热管凭借其尺寸小、导热系数高、冷却能力强等优点,在智能手机、平板电脑和手提电脑等移动电子设备中广泛应用。但微热管结构复杂,其性能受结构及工艺参数影响。微热管结构参数包括有热管壁厚、热管直径、热管折弯、热管吸液芯等。其中吸液芯结构对微热管性能影响较大。常用吸液芯结构有铜粉烧结吸液芯、编制网烧结吸液芯,沟槽铜粉复合吸液芯等。微热管工艺可分为管坯制造、除气工艺、热处理工艺、成型工艺、测试五个部分。其中微热管工艺参数包含有芯棒尺寸、烧结温度、真空度、工质封存量等。
目前,微热管制造结构及工艺参数由设计者根据微热管设计需求设计实验,通过多次实验验证进行选择,整个设计过程依赖于设计者经验知识。但由于参数众多,使得微热管设计过程难以综合多参数考量,造成微热管性能无法满足需求,且随着微热管使用场景多样化,微热管设计需求越来越复杂。在微热管传统生产制造过程中,工程人员也需要通过多次实验以确定微热管制造结构及工艺参数,这样不仅成本高且效率低。
近年来,机器学习与工业生产过程结合日益密切,进一步提高了工业生产自动化、智能化水平。机器学习的广泛应用为微热管制造结构及工艺参数设计过程提供了新的思路。
因此,本发明要解决的技术问题在于:1、微热管传统设计过程中严重依赖专家经验,需要多次实验耗时耗费资源的缺陷;2、微热管制造结构和工艺参数众多,设计优化过程调整工作量大且效率低下,设计过程漫长。
发明内容
为了克服以上技术问题,本发明目的是提供一种基于机器学习的微热管自动化设计系统,根据微热管参数数据,通过构建机器学习模型,实现微热管制造结构及工艺参数预测,将设计过程由被动模式变为主动模式,降低微热管设计成本,提高设计效率,实现微热管的自动化设计。
本发明提供了如下的技术方案:
本发明提供了一种基于机器学习的微热管自动化设计系统,其包括:
设计模块,用于控制微热管自动化设计过程;
三维展示模块,与所述设计模块相连,用于将传入的实时微热管模型以三维形式输出展示;
需求获取模块,与所述设计模块相连,用于从外部获得需求参数;
通过所述需求获取模块获得需求参数并传输至所述设计模块,通过所述设计模块对需求参数进行数据预处理和特征筛选;
数据存储模块,与所述设计模块相连,用于存储多种按照微热管吸液芯结构和应用场景进行划分的微热管设计训练集;
预测模块,与所述设计模块相连,用于使用机器学习对微热管的结构及工艺参数自动化预测;通过所述设计模块自所述数据存储模块获得微热管设计训练集,对其中微热管参数进行数据预处理、特征筛选、构建微热管制造结构及工艺参数的预测模型,并经所述设计模块进行训练和优化,结合自所述设计模块输入的需求参数,获得优化后的微热管制造结构及工艺参数的预测结果;
通过与所述设计模块相连的结果展示模块,将微热管制造结构及工艺参数的预测结果输出展示。
根据一些实施方式,通过所述设计模块自所述数据存储模块获得微热管设计训练集,对其中微热管参数进行数据预处理的过程,包括将所述需求参数按照8:2的比例划分训练集和测试集,分别用于预测模型的训练学习和对预测模型进行精度测试。
根据一些实施方式,所述预测模块包括pytorch框架,通过pytorch框架训练获取模型权重并确定相应的预测模型的结构。
根据一些实施方式,所述预测模块通过在tensorRT内重新深度学习推理构建预测模型,并固定相应模型权重,打包生成动态链接库,将动态链接库返回至预测模块,完成预测模型部署。
根据一些实施方式,所述预测模块通过GPU加速模型预测过程,提高模型预测效率。
根据一些实施方式,所述数据存储模块中存储的微热管设计训练集,包括微热管功率数据、微热管工艺参数数据和微热管结构参数数据。
根据一些实施方式,所述微热管功率数据以不同的微热管应用场景制定微热管性能测试方法,采用微热管性能测试设备对微热管样品进行性能测试获得,将测试后所得测试数据保存至所述数据存储模块。
根据一些实施方式,所述微热管应用场景包括笔记本电脑类微热管和CPU/GPU类微热管。
根据一些实施方式,所述三维展示模块包括opencascade几何内核,所述三维展示模块将实时预测结果通过三维结构形式进行展示,展示形式包括旋转、平移、缩放和自适应。
相比于现有技术,本发明具备以下有益效果:
本发明提供的一种基于机器学习的微热管自动化设计系统,针对微热管设计过程中,参数众多的特点,通过微热管性能测试构建微热管参数数据库,采用机器学习模型,建立微热管设计需求参数与微热管制造结构及工艺参数的映射关系,实现了微热管制造结构及工艺参数的预测,代替微热管传统设计中多次重复实验过程。降低微热管设计门槛,降低微热管设计成本,提高微热管设计效率。同时,将微热管设计过程由被动设计转变为主动设计,实现了微热管的自动化设计。
附图说明
图1为根据本发明提供的一实施例的系统结构图。
图2为根据本发明提供的一实施例的流程示意图。
图3为根据本发明提供的以编织网和平面丝网吸液芯微热管为例对应的预测参数图。
图4为根据本发明提供的以沟槽和环状铜粉吸液芯微热管为例对应的预测参数图。
具体实施方式
以下结合实施例和附图对本发明进行详细描述,但需要理解的是,所述实施例和附图仅用于对本发明进行示例性的描述,而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。
下面结合附图对本发明进行进一步说明。
根据如图1所示,该设计系统包括连接于设计模块上的登录模块、需求获取模块、数据存储模块、三维展示模块和预测模块,设计模块是用于控制微热管自动化设计过程,处于设计系统的核心位置,用户或者管理员通过登录模块进入设计系统进行不同权限的设计操作,数据存储模块预先存储了多种微热管设计训练集,其分类按照微热管吸液芯结构和不同的应用场景进行分类,具体应用场景包括如笔记本电脑类微热管和CPU/GPU类微热管,针对不同的应用场景采用不同的吸液芯结构,体现在微热管设计上就是参数类型不同。在微热管的自动化设计中的区别就是采用不同的机器学习算法解决问题。将机器学习应用于微热管这一相变器件,从高维/多参数上认识对微热管的影响,同时转变微热管原有的设计方式,从实验尝试到自动化设计,从被动设计到主动设计。如图2所示使用该设计系统的设计流程,下面针对不同的应用场景,对本发明提供的基于机器学习的微热管自动化设计系统进行详细说明。
实施例一
在此实施例中,针对压扁厚度在1mm-2mm的笔记本电脑类微热管主要采用编织网和平面丝网复合吸液芯结构。设计的关键点在于对现有编织网和平面丝网吸液芯微热管产品进行性能测试,完成微热管数据集构建,并建立相应的机器学习模型,其设计流程如下:
S1、用户/管理员通过登录模块登陆,通过三维展示模块,该三维展示模块采用opencascade作为几何内核进行开发,自外部获得的微热管设计需求参数,如打开微热管stp、step三维文件,其内存储有微热管设计需求参数,微热管设计需求参数包括:根据三维模型获取的微热管长度、微热管直径、微热管折弯和微热管压扁厚度;
S2、在设计模块中建立与数据存储模块连接,基于MySQL开发的数据存储模块中的微热管设计训练集按照微热管吸液芯结构和应用场景进行分类存储,具体为选择编织网和平面丝网复合吸液芯结构微热管参数数据库,设计模块建立与数据存储模块的连接,设计模块需要针对当前连接数据库的参数类型进行微热管制造结构及工艺参数设计。
S3、将S1中获取的微热管设计需求参数输入到设计模块中。
S4、预测模块通过对数据存储模块中微热管参数进行数据预处理、特征筛选、构建预测模型,并将预测模型输入设计模块,结合微热管设计需求参数得到实时预测参数。
其中S4具体包括如下步骤:
S41、数据存储模块中,微热管设计训练集中微热管功率数据通过对现有微热管产品采用微热管性能测试设备,按照笔记本电脑类微热管测试要求对微热管样品进行性能测试获得,将测试后相关数据保存至数据存储模块。
具体为,如图3提供了以编织网和平面丝网复合吸液芯微热管为例对应的预测参数图,图中热管即为微型热管或微热管,图中可见热管设计需求参数包含有热源温度、热管温差、热管段差、热管直径、压扁厚度、折弯点位置、折弯角度,这些参数均对应于热管功率数据。需要根据上述热管设计需求参数采用机器学习算法预测获得热管制造结构及工艺参数,其中热管结构参数包含有热管壁厚、编织网根数、编织网层数、平面丝网长度、平面丝网宽度。热管工艺参数包含有芯棒外径、单边高、烧结温度、退火温度、真空度和封存水量。在微热管设计需求参数中由于笔电类微热管测试要求控制微热管热源温度及微热管温差,因此热源温度及热管温差属于冗余特征,热管段差在当前系统中暂不考虑。在微热管制造结构及工艺参数中烧结温度及退火温度需要根据吸液芯结构进行选择,因此只需在预测结果中获得吸液芯结构即可无需预测,真空度是根据微热管制作过程中的真空设备选择,优先选择较高真空度,因此不属于预测参数范围。微热管性能测试采用了微热管性能测试设备,通过控制程控电源对加热棒进行加热,加热棒穿过加热铜块对其进行加热,作为微热管加热端。为降低加热棒与加热铜块间和铜块与笔记本电脑类微热管间的接触热阻,在加热棒和加热铜块表面涂导热硅脂。通过恒温水箱控制水管内冷却水温度,水管从冷却铜块中穿过,作为微热管冷却端。冷却铜块表面涂导热硅脂。微热管表面温度利用热电偶测温点获取。
S42、在预测模块中,将数据存储模块中微热管参数数据进行数据预处理,包括有对缺失数据进行完善,对不合理数据进行删除,对整体数据进行归一化或标准化处理消除量纲影响。不合理数据包括有芯棒尺寸与微热管直径尺寸不匹配、编织网和平面丝网尺寸与微热管压扁厚度不匹配等。
S43、在预测模块中,通过所述设计模块自所述数据存储模块获得微热管设计训练集,通过特征筛选以构建微热管制造结构及工艺参数的预测模型。由于在参数预测过程中输入参数中可能存在冗余特征,影响参数预测精度,因此需要对预测模型输入参数进行特征筛选,去除冗余参数,提高预测模型预测精度。
在特征筛选中,常规的特征工程方法包含有过滤式、包裹式、嵌入式等。其中过滤式特征工程方法包含有主成分分析和灰色关联度分析等,剔除输入参数中对模型预测精度帮助不大的特征。包裹式特征工程方法包含有剪枝算法、遗传算法等将特征工程算法与预测模型相结合避免预测模型训练过程中出现局部优化等问题。嵌入式特征工程方法包含有随机森林、梯度增强回归等预测模型本身具有自动筛选特征的算法。
S44、根据选用的编织网和平面丝网复合吸液芯微热管参数数据库,将数据库中数据按照8:2的比例划分训练集和测试集,在pytorch框架中构建微热管制造结构及工艺参数的预测模型,建立微热管需求参数与微热管结构及工艺参数的映射关系,并采用如超参数优化或数据扩充方法对预测模型精度进一步提高,优化微热管结构及工艺参数的预测结果。机器学习模型可采用常规树模型包含有随机森林模型、梯度提升树模型等,也可采用深度学习模型包含有多层感知机、卷积神经网络模型等。
S45、将上述预测模型权重通过在tensorRT内重新深度学习推理构建预测模型,并固定相应模型权重,打包生成动态链接库,将动态链接库返回至预测模块,采用GPU加速,完成预测模型部署。
S5、得到最终预测结果,通过结果展示模块输出。
在本实施例中,微热管设计需求参数数据列举如表1所示:
表1
通过本实施例提供基于机器学习的微热管自动化设计系统,预测的相应的微热管制造及工艺参数数据如表2所示:
表2
按照上述预测微热管制造结构及工艺参数进行取整后按照微热管设计需求制造微热管样品,并进行微热管功率测试,最终微热管功率能够满足微热管功率需求。
实施例二
在此实施例中,针对压扁厚度在2mm-3mm的笔记本电脑类微热管主要采用沟槽和环状铜粉复合吸液芯结构。设计的关键点在于对现有沟槽和环状铜粉吸液芯微热管产品进行性能测试完成微热管数据集构建,并建立相应的机器学习模型,其设计流程如下:
S1、用户/管理员通过登录模块登陆,通过三维展示模块,自外部获得的微热管设计需求参数,如打开微热管stp、step三维文件,其内存储有微热管设计需求参数,微热管设计需求参数包括:根据三维模型获取微热管长度、微热管直径、微热管折弯以及微热管功率;
S2、在设计模块中建立与数据存储模块连接,具体为根据微热管设计需求参数中微热管功率,在数据存储模块中选择沟槽和环状铜粉微热管参数数据库,在设计模块建立与数据存储模块的连接。
S3、将S1中获取的微热管设计需求参数输入到微热管设计模块中。
S4、设计模块预测模块通过对数据存储模块中微热管参数进行数据预处理、特征筛选、构建预测模型,并将预测模型输入设计模块,结合微热管设计需求参数得到实时预测参数。
其中S4具体包括如下步骤:
S41、数据存储模块中,对沟槽和环状铜粉复合吸液芯微热管样品进行性能测试获得微热管训练集,将测试后相关数据保存至数据存储模块。
具体为,如图4提供了以沟槽和环状铜粉吸液芯微热管为例对应的预测参数图,图中热管即为微型热管或微热管,图中可见热管设计需求参数包含有热源温度、热管温差、热管段差、热管直径、压扁厚度、折弯数量、折弯点位置、折弯角度、折弯R角和热管功率。需要根据上述热管设计需求参数采用机器学习算法预测获得热管制造结构及工艺参数,其中热管结构参数包含有热管壁厚、沟槽宽度、沟槽深度、铜粉类型。热管工艺参数包含有芯棒外径、烧结温度、退火温度、真空度和封存水量。该吸液芯结构由于其采用环状铜粉,在制造过程中采用圆形芯棒,因此其热管工艺参数不包含单边高。在微热管设计需求参数中由于笔电类微热管测试要求控制微热管热源温度及微热管温差,因此热源温度及热管温差属于冗余特征,热管段差在当前系统中暂不考虑。在微热管制造结构及工艺参数中烧结温度及退火温度需要根据吸液芯结构进行选择,因此只需在预测结果中获得吸液芯结构即可无需预测,真空度是根据微热管制作过程中的真空设备选择,优先选择较高真空度,因此不属于预测参数。微热管性能测试过程同实施例一中所述。
S42、将数据存储模块中微热管参数数据进行数据预处理,包括有对缺失数据进行完善,对不合理数据进行删除,对整体数据进行归一化或标准化处理消除量纲影响。不合理数据包括有芯棒尺寸与微热管直径尺寸不匹配、沟槽宽度尺寸与铜粉类型不匹配、沟槽深度与芯棒尺寸不匹配等。
S43、在预测模块中,通过所述设计模块自所述数据存储模块获得微热管设计训练集,通过特征筛选以构建微热管制造结构及工艺参数的预测模型。由于在参数预测过程中输入参数中可能存在冗余特征,影响参数预测精度,因此需要对预测模型输入参数进行特征筛选,去除冗余参数,提高预测模型预测精度。
S44、根据选用沟槽和环状铜粉复合吸液芯微热管参数数据库,构建微热管制造结构及工艺参数的预测模型,建立微热管设计需求参数与微热管制造结构及工艺参数的映射关系,并采用如超参数优化、或数据扩充等方法对预测模型精度进一步提高,实现微热管制造结构及工艺参数的预测。
S5、得到最终预测结果,通过结果展示模块输出。
在本实施例中,微热管设计需求参数数据如表3所示:
表3
通过本实施例提供基于机器学习的微热管自动化设计系统,预测的相应的微热管制造及工艺参数数据如表4所示:
表4
按照上述预测微热管制造结构及工艺参数进行取整后按照微热管设计需求制造微热管样品,并进行微热管功率测试,最终微热管功率能够满足微热管功率需求。
以上实施例仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例。凡属于本发明思路下的技术方案均属于本发明的保护范围。应该指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下的改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于机器学习的微热管自动化设计系统,其包括:
设计模块,用于控制微热管自动化设计过程;
三维展示模块,与所述设计模块相连,用于将传入的实时微热管模型以三维形式输出展示;
需求获取模块,与所述设计模块相连,用于从外部获得需求参数;
通过所述需求获取模块获得需求参数并传输至所述设计模块,通过所述设计模块对需求参数进行数据预处理和特征筛选;
数据存储模块,与所述设计模块相连,用于存储多种按照微热管吸液芯结构和应用场景进行划分的微热管设计训练集;
预测模块,与所述设计模块相连,用于使用机器学习对微热管的结构及工艺参数自动化预测;通过所述设计模块自所述数据存储模块获得微热管设计训练集,对其中微热管参数进行数据预处理、特征筛选、构建微热管制造结构及工艺参数的预测模型,并经所述设计模块进行训练和优化,结合自所述设计模块输入的需求参数,获得优化后的微热管制造结构及工艺参数的预测结果;
通过与所述设计模块相连的结果展示模块,将微热管制造结构及工艺参数的预测结果输出展示。
2.根据权利要求1所述基于机器学习的微热管自动化设计系统,其特征在于:通过所述设计模块自所述数据存储模块获得微热管设计训练集,对其中微热管参数进行数据预处理的过程,包括将所述需求参数按照8:2的比例划分训练集和测试集,分别用于预测模型的训练学习和对预测模型进行精度测试。
3.根据权利要求1所述基于机器学习的微热管自动化设计系统,其特征在于:所述预测模块包括pytorch框架,通过pytorch框架训练获取模型权重并确定相应的预测模型的结构。
4.根据权利要求3所述基于机器学习的微热管自动化设计系统,其特征在于:所述预测模块通过在tensorRT内重新深度学习推理构建预测模型,并固定相应模型权重,打包生成动态链接库,将动态链接库返回至预测模块,完成预测模型部署。
5.根据权利要求4所述的基于机器学习的微热管自动化设计系统,其特征在于:所述预测模块通过GPU加速模型预测过程,提高模型预测效率。
6.根据权利要求1所述的基于机器学习的微热管自动化设计系统,其特征在于:所述数据存储模块中存储的微热管设计训练集,包括微热管功率数据、微热管工艺参数数据和微热管结构参数数据。
7.根据权利要求6所述的基于机器学习的微热管自动化设计系统,其特征在于:所述微热管功率数据以不同的微热管应用场景制定微热管性能测试方法,采用微热管性能测试设备对微热管样品进行性能测试获得,将测试后所得测试数据保存至所述数据存储模块。
8.根据权利要求7所述的基于机器学习的微热管自动化设计系统,其特征在于:所述微热管应用场景包括笔记本电脑类微热管和CPU/GPU类微热管。
9.根据权利要求1~8任一所述的基于机器学习的微热管自动化设计系统,其特征在于:所述三维展示模块包括opencascade几何内核,所述三维展示模块将实时预测结果通过三维结构形式进行展示,展示形式包括旋转、平移、缩放和自适应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310438229.2A CN116720288B (zh) | 2023-04-23 | 2023-04-23 | 一种基于机器学习的微热管自动化设计系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310438229.2A CN116720288B (zh) | 2023-04-23 | 2023-04-23 | 一种基于机器学习的微热管自动化设计系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116720288A true CN116720288A (zh) | 2023-09-08 |
CN116720288B CN116720288B (zh) | 2023-12-05 |
Family
ID=87872220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310438229.2A Active CN116720288B (zh) | 2023-04-23 | 2023-04-23 | 一种基于机器学习的微热管自动化设计系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116720288B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200134370A1 (en) * | 2018-10-25 | 2020-04-30 | The Boeing Company | Machine learning model development with interactive model evaluation |
CN113190948A (zh) * | 2021-06-07 | 2021-07-30 | 中国核动力研究设计院 | 高回弹钛合金管智能成形方法和系统 |
CN113902861A (zh) * | 2021-10-11 | 2022-01-07 | 安徽理工大学 | 一种基于机器学习的三维地质建模方法 |
KR20220059120A (ko) * | 2020-11-02 | 2022-05-10 | 강릉원주대학교산학협력단 | 최적화된 하이퍼파라미터를 갖는 기계 학습 모델링 자동화 방법 및 이를 이용한 기계 학습 모델링 자동화 시스템 |
CN115080021A (zh) * | 2022-05-13 | 2022-09-20 | 北京思特奇信息技术股份有限公司 | 基于自动化机器学习实现的零代码建模方法及系统 |
WO2022263839A1 (en) * | 2021-06-17 | 2022-12-22 | Monolith Ai Limited | Computer implemented method for generating a 3d object |
-
2023
- 2023-04-23 CN CN202310438229.2A patent/CN116720288B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200134370A1 (en) * | 2018-10-25 | 2020-04-30 | The Boeing Company | Machine learning model development with interactive model evaluation |
KR20220059120A (ko) * | 2020-11-02 | 2022-05-10 | 강릉원주대학교산학협력단 | 최적화된 하이퍼파라미터를 갖는 기계 학습 모델링 자동화 방법 및 이를 이용한 기계 학습 모델링 자동화 시스템 |
CN113190948A (zh) * | 2021-06-07 | 2021-07-30 | 中国核动力研究设计院 | 高回弹钛合金管智能成形方法和系统 |
WO2022263839A1 (en) * | 2021-06-17 | 2022-12-22 | Monolith Ai Limited | Computer implemented method for generating a 3d object |
CN113902861A (zh) * | 2021-10-11 | 2022-01-07 | 安徽理工大学 | 一种基于机器学习的三维地质建模方法 |
CN115080021A (zh) * | 2022-05-13 | 2022-09-20 | 北京思特奇信息技术股份有限公司 | 基于自动化机器学习实现的零代码建模方法及系统 |
Non-Patent Citations (1)
Title |
---|
刘有光;: "autoML自动化建模及其在上海电气工业制造业中的应用", 中国设备工程, no. 11, pages 38 - 39 * |
Also Published As
Publication number | Publication date |
---|---|
CN116720288B (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490323A (zh) | 网络模型压缩方法、装置、存储介质和计算机设备 | |
Patel et al. | Thermal performance prediction models for a pulsating heat pipe using Artificial Neural Network (ANN) and Regression/Correlation Analysis (RCA) | |
Mourtzis et al. | Design and development of an IoT enabled platform for remote monitoring and predictive maintenance of industrial equipment | |
CN113343427B (zh) | 一种基于卷积神经网络的结构拓扑构型预测方法 | |
Fu et al. | A methodology for evaluation of metal forming system design and performance via CAE simulation | |
Zhang et al. | Frequency-compensated pinns for fluid-dynamic design problems | |
Saravanan et al. | Ontological model-based optimal determination of geometric tolerances in an assembly using the hybridised neural network and Genetic algorithm | |
CN116720288B (zh) | 一种基于机器学习的微热管自动化设计系统 | |
Kodippili et al. | Data-driven prediction of forging outcome: Effect of preform shape on plastic strain in a magnesium alloy forging | |
Lu et al. | Three-dimensional temperature field inversion calculation based on an artificial intelligence algorithm | |
Peng et al. | Physics-informed graph convolutional neural network for modeling geometry-adaptive steady-state natural convection | |
Yong et al. | Optimization for loading paths of tube hydroforming using a hybrid method | |
CN117150959A (zh) | 基于超分辨率重构的流场数据压缩与复原方法 | |
Georgopoulou et al. | A multi-objective metamodel-assisted memetic algorithm with strength-based local refinement | |
CN106055742B (zh) | 基于设计熵的产品自适应设计更改方法 | |
Tang et al. | Optimal design of flexspline structure based on approximation model | |
CN109214544A (zh) | 寿命预测及维护决策方法和装置、以及存储介质、计算机 | |
Xin et al. | Prediction of the buckling mode of cylindrical composite shells with imperfections using FEM-based deep learning approach | |
CN106909747A (zh) | 一种热对流扩散系统中模糊参数隶属度函数识别方法 | |
Fu | Point Cloud Data Hole Repair Aggregation Algorithm Based on Optimized Neural Network | |
Saravanan et al. | An intelligent constitutive and collaborative framework by integrating the design, inspection and testing activities using a cloud platform | |
CN116205155A (zh) | 基于数字孪生的推板窑流场数据预测方法、装置 | |
CN106529011B (zh) | 一种用于sph算法的并行分区实现方法 | |
Wang et al. | Hierarchical graph neural network with adaptive cross-graph fusion for remaining useful life prediction | |
Ren et al. | A Lightweight Group Transformer-Based Time Series Reduction Network for Edge Intelligence and Its Application in Industrial RUL Prediction |
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 |