CN117022588A - 一种基于Kriging模型的水翼结构优化方法、系统、设备及介质 - Google Patents

一种基于Kriging模型的水翼结构优化方法、系统、设备及介质 Download PDF

Info

Publication number
CN117022588A
CN117022588A CN202310994808.5A CN202310994808A CN117022588A CN 117022588 A CN117022588 A CN 117022588A CN 202310994808 A CN202310994808 A CN 202310994808A CN 117022588 A CN117022588 A CN 117022588A
Authority
CN
China
Prior art keywords
hydrofoil
sample point
response value
sample points
structure optimization
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
Application number
CN202310994808.5A
Other languages
English (en)
Other versions
CN117022588B (zh
Inventor
邓锐
王士刚
李豪
于祥
黄思翀
任航
吴铁成
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202310994808.5A priority Critical patent/CN117022588B/zh
Publication of CN117022588A publication Critical patent/CN117022588A/zh
Application granted granted Critical
Publication of CN117022588B publication Critical patent/CN117022588B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B71/00—Designing vessels; Predicting their performance
    • B63B71/10—Designing vessels; Predicting their performance using computer simulation, e.g. finite element method [FEM] or computational fluid dynamics [CFD]
    • 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
    • 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)
  • General Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Fluid Mechanics (AREA)
  • Ocean & Marine Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种基于Kriging模型的水翼结构优化方法、系统、设备及介质，方法包括：确定水翼的多个设计变量；根据设计变量，选取多个初始样本点，并计算每个初始样本点的响应值；判断每个初始样本点的响应值是否满足收敛条件，若所有初始样本点的响应值均不满足收敛条件，则根据初始样本点构建Kriging模型；基于Kriging模型利用并行加点准则增加新样本点，并计算每个新样本点的响应值；判断每个新样本点的响应值是否满足收敛条件，若不满足则根据新样本点和初始样本点重新构建Kriging模型，继续增加样本点，直至满足收敛条件，输出最优样本点对应的数值。本发明相较于传统的水翼结构优化方法具有更好的收敛速度和精度。

Description

一种基于Kriging模型的水翼结构优化方法、系统、设备及 介质
技术领域
本发明涉及水翼结构优化技术领域，特别是涉及一种基于Kriging模型的水翼结构优化方法、系统、设备及介质。
背景技术
水翼是船舶领域应用的主要附加结构，通过水翼的增加可以显著提高船舶的水动力性能。特别是在船舶减摇领域具有广泛的应用，但是水翼结构形状是影响水动力的主要因素。因此，如何设计优化出符合要求的水翼形状对优化方法提出了更高的要求，成为水翼减摇领域的一个重要内容。
目前，通常使用计算流体力学(Computational Fluid Dynamics，CFD)仿真技术对水翼结构形状进行优化，然而在进行CFD流体仿真计算时，仿真的计算量大，需要耗费较长时间才能得到计算结果，并且最终优化的精度不高。现有技术中还存在一种自适应约束代理优化算法对水翼外形进行优化，该算法采用约束并行期望改进准则(CPEI)和重要边界采样准则(IBS)的并行加点准则。CPEI准则虽然在一定程度上增加了寻找最优的可能性，但该准则仍然是全局搜索方法，不能保证局部搜索的精度和速度；以及IBS准则是增强对约束边界区域的搜索，提高边界附近的拟合精度，但对于提高局部最优点的精度没有太大作用。
发明内容
本发明要解决的是水翼结构优化参数比较多，优化比较繁琐和计算量大的技术问题。为了解决上述技术问题，本发明提供了一种基于Kriging模型的水翼结构优化方法、系统、设备及介质。
第一方面，本发明实施例提供了一种基于Kriging模型的水翼结构优化方法，包括：
确定水翼的多个设计变量；
根据所述设计变量，选取多个初始样本点，并计算每个初始样本点的响应值；
判断所述每个初始样本点的响应值是否满足收敛条件，若所有初始样本点的响应值均不满足所述收敛条件，则根据所述初始样本点构建Kriging模型；
基于所述Kriging模型利用并行加点准则增加新样本点，并计算每个新样本点的响应值；
判断每个新样本点的响应值是否满足所述收敛条件，若不满足则根据所述新样本点和初始样本点重新构建Kriging模型，继续增加样本点，直至满足所述收敛条件，输出最优样本点对应的数值。
优选地，所述根据所述设计变量，选取多个初始样本点，包括：
采用拉丁超立方抽样对所述设计变量进行采样，得到多个初始样本点。
优选地，所述确定水翼的多个设计变量，包括：
对所述设计变量进行多点设计变形，通过控制坐标点来控制水翼的形状变化，在沿水翼展长方向所述坐标点距离间隔相同，在沿水翼弦长方向所述坐标点在预设范围内变化。
优选地，所述利用并行加点准则增加新样本点，包括：
通过MSP准则、EI准则和MSE准则增加新样本点。
优选地，所述MSE准则，包括：
其中，x表示样本点，表示Kriging模型预测响应值，d表示样本维度，x*表示当前局部最优点，xlb，xub分别表示设计变量取值范围的下限和上限。
优选地，所述MSE准则，还包括：
在当前局部最优点附近通过MSE准则进行加点。
第二方面，本发明实施例还提供了一种基于Kriging模型的水翼结构优化系统，包括：
变量设计模块，用于确定水翼的多个设计变量；
样本点选取模块，用于根据所述设计变量，选取多个初始样本点，并计算每个初始样本点的响应值；
模型构建模块，用于判断所述每个初始样本点的响应值是否满足收敛条件，若所有初始样本点的响应值均不满足所述收敛条件，则根据所述初始样本点构建Kriging模型；以及判断每个新样本点的响应值是否满足所述收敛条件，若不满足则根据所述新样本点和初始样本点重新构建Kriging模型，直至每个新样本点的响应值满足所述收敛条件；
并行加点模块，用于基于所述Kriging模型利用并行加点准则增加新样本点，并计算每个新样本点的响应值；
输出最优模块，用于当每个新样本点的响应值满足所述收敛条件时，输出最优样本点对应的数值。
优选地，所述样本点选取模块，包括：
数据采样模块，用于采用拉丁超立方抽样对所述设计变量进行采样，得到多个初始样本点。
第三方面，本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的水翼结构优化方法。
第四方面，本发明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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的水翼结构优化方法。
本发明实施例一种基于Kriging模型的水翼结构优化方法、系统、设备及介质与现有技术相比，其有益效果在于：计算速度快，在每次更新迭代时充分利用计算资源可以同时增加三个样本点，在相同时间内增加更多的样本点；结果精度高，在寻找最优解的过程中，由于增加了MSE准则加点，可以保证最优点附近的拟合效果更好，从而保证了最优点精度更高。
附图说明
图1是本发明实施例一种基于Kriging模型的水翼结构优化方法的流程示意图。
图2是本发明实施例设计变量取值示意图。
图3是本发明实施例水翼结构优化前后的效果示意图。
图4是本发明实施例一种基于Krigin模型的水翼结构优化系统的结构示意图。
图5是本发明实施例数据采样模块的结构示意图。
图6是本发明实施例一种终端设备的结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，本发明实施例提供了一种基于Kriging模型的水翼结构优化方法，包括步骤：
S1、确定水翼的多个设计变量；
具体地，根据所用水翼的用途和功能，设计水翼基本尺寸大小，弦长为300mm，两侧展长为150mm，原点在水翼几何中心；选取7个设计变量进行水翼的变形，分别为x1、x2、x3、x4、x5、x6、x7，对设计变量进行多点设计变形，通过控制坐标点来控制水翼的形状变化，在沿水翼展长方向坐标点距离间隔相同，在沿水翼弦长方向坐标点在预设范围内变化，即设计变量空间坐标x方向等间距，z方向为0，y方向为设计变量，取值范围为[75,93.75]mm，具体可参见图2。
S2、根据设计变量，选取多个初始样本点，并计算每个初始样本点的响应值；
具体地，为了更好地均匀采集样本，采用拉丁超立方抽样对设计变量进行采样，得到多个初始样本点。拉丁超立方抽样是一种分层随机抽样，能够从变量的分布区间进行高效的采样，假设现在有k个变量，从规定的区间中取出N个样本，则每个变量的累计分布被分成相同的N个小区间，从每个小区间随机选择一个值，每个变量的N个值和其他变量的值进行随机组合，得到总样本数为k*N。不同于随机抽样，这种方法通过最大化地使每一个边缘分布分层，能够保证每一个变量范围的全覆盖。本发明中有7个设计变量，每个变量区间取10个数值，得到总样本数为70，即得到70个初始样本点。
进一步地，通过三维软件构建每个初始样本点所对应的三维结构，利用流体计算软件计算每个三维结构所对应的响应值，即计算每个初始样本点所对应的响应值。
S3、判断每个初始样本点的响应值是否满足收敛条件，若所有初始样本点的响应值均不满足收敛条件，则根据初始样本点构建Kriging模型；
具体地，通过将每个初始样本点的响应值与设定目标值进行对比，判断其是否收敛，收敛条件是响应值与设定目标值的相对误差不超过0.2％或迭代次数达到4次。若所有初始样本点的响应值均不满足收敛条件，则根据初始样本点构建Kriging模型。Kriging模型的一般表达式如下所示：
其中，x表示样本点，表示Kriging模型预测响应值，f(x)表示回归模型基函数，β*表示基函数系数，r(x)表示样本点和预测点组成的相关向量，γ*表示相关因子。
S4、基于Kriging模型利用并行加点准则增加新样本点，并计算每个新样本点的响应值；
具体地，通过MSP准则、EI准则和MSE准则增加新样本点，并计算每个新样本点的响应值。
MSP准则，具体如下式表达：
其中，xlb，xub分别表示设计变量取值范围的下限和上限。
EI准则，具体如下式表达：
其中，ymin表示样本集中的真实最优响应值，s表示标准差，Φ(·)表示标准正态累积分布函数，φ(·)表示标准正态概率密度函数，I(x)表示Kriging模型预测值改进量，E(I(x))表示I(x)的期望值。
MSE准则，具体如下式表达：
其中，d表示样本维度，x*表示当前局部最优点。MSE准则是在当前局部最优点附近通过MSE准则进行加点，其控制样本点x的取值范围为当前局部最优点附近寻找最大的MSE，保证收敛的速度和精度。
基于MSP+EI+MSE的并行加点准则，多点并行充分利用的计算资源也提高了计算效率，EI准则增大了全局搜索的范围，MSP准则和MSE准则保证了局部搜索的速度和精度，能够快速找到最优解。
S5、判断每个新样本点的响应值是否满足收敛条件，若不满足则根据新样本点和初始样本点重新构建Kriging模型，继续增加样本点，直至满足收敛条件，输出最优样本点对应的数值。
具体地，每次更新迭代可以同时增加三个新样本点，通过将每个新样本点的响应值与设定目标值进行对比，判断其是否收敛，收敛条件是响应值与设定目标值的相对误差不超过0.2％或迭代次数达到4次。若所有新样本点的响应值均不满足收敛条件，则根据新样本点和初始样本点重新构建Kriging模型，继续增加样本点，直至满足收敛条件，否则输出最优样本点对应的数值。
在一具体实施例中，水翼结构优化前后的效果对比如图3所示，优化前后的数据对比如表1所示。
表1水翼结构优化前后数据对比
x1 x2 x3 x4 x5 x6 x7 响应值
优化前 75 75 75 75 75 75 75 -6.949
优化后 89.160 91.652 86.064 81.771 88.633 93.750 91.441 -8.781
优化前后响应值即阻力提高了26.36％，该水翼安装在船体减摇能够较好地抑制船体上下运动，从而具有很好的减摇效果。
本发明实施例提供一种基于Kriging模型的水翼结构优化方法，该方法计算速度快，在每次更新迭代时充分利用计算资源可以同时增加三个样本点，在相同时间内增加更多的样本点；结果精度高，在寻找最优解的过程中，由于增加了MSE准则加点，可以保证最优点附近的拟合效果更好，从而保证了最优点精度更高。
如图4所示，基于上述水翼结构优化方法，本发明实施例还提供了一种基于Kriging模型的水翼结构优化系统，包括：
变量设计模块1，用于确定水翼的多个设计变量；
样本点选取模块2，用于根据设计变量，选取多个初始样本点，并计算每个初始样本点的响应值；
模型构建模块3，用于判断每个初始样本点的响应值是否满足收敛条件，若所有初始样本点的响应值均不满足收敛条件，则根据初始样本点构建Kriging模型；以及判断每个新样本点的响应值是否满足收敛条件，若不满足则根据新样本点和初始样本点重新构建Kriging模型，直至每个新样本点的响应值满足收敛条件；
并行加点模块4，用于基于Kriging模型利用并行加点准则增加新样本点，并计算每个新样本点的响应值；
输出最优模块5，用于当每个新样本点的响应值满足收敛条件时，输出最优样本点对应的数值。
在一具体实施例中，样本点选取模块2包括数据采样模块21，用于采用拉丁超立方抽样对设计变量进行采样，得到多个初始样本点，具体可参见图5。
需要说明的是，上述一种基于Kriging模型的水翼结构优化系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。关于一种基于Kriging模型的水翼结构优化系统的具体限定参见上文中对于一种水翼结构优化方法的限定，二者具有相同的功能和作用，在此不再赘述。
本发明实施例还提供了一种终端设备，该终端设备包括：
处理器、存储器和总线；
所述总线，用于连接所述处理器和所述存储器；
所述存储器，用于存储操作指令；
所述处理器，用于通过调用所述操作指令，可执行指令使处理器执行如本申请上述一种基于Kriging模型的水翼结构优化方法对应的操作。
在一个可选实施例中提供了一种终端设备，如图6所示，图6所示的终端设备5000包括：处理器5001和存储器5003。其中，处理器5001和存储器5003相连，如通过总线5002相连。可选地，终端设备5000还可以包括收发器5004。需要说明的是，实际应用中收发器5004不限于一个，该终端设备5000的结构并不构成对本申请实施例的限定。
处理器5001可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器5001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线5002可包括一通路，在上述组件之间传送信息。总线5002可以是PCI总线或EISA总线等。总线5002可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器5003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器5003用于存储执行本申请方案的应用程序代码，并由处理器5001来控制执行。处理器5001用于执行存储器5003中存储的应用程序代码，以实现前述任一方法实施例所示的内容。
其中，终端设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现本申请上述一种基于Kriging模型的水翼结构优化方法。
本申请的又一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，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
此外，本发明的实施例还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
综上所述，本发明实施例一种基于Kriging模型的水翼结构优化方法、系统、设备及介质与现有技术相比，其有益效果在于：计算速度快，在每次更新迭代时充分利用计算资源可以同时增加三个样本点，在相同时间内增加更多的样本点；结果精度高，在寻找最优解的过程中，由于增加了MSE准则加点，可以保证最优点附近的拟合效果更好，从而保证了最优点精度更高。
本说明书中的各个实施例均采用递进的方式描述，各个实施例直接相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。需要说明的是，上述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (10)

1.一种基于Kriging模型的水翼结构优化方法，其特征在于，包括：
确定水翼的多个设计变量；
根据所述设计变量，选取多个初始样本点，并计算每个初始样本点的响应值；
判断所述每个初始样本点的响应值是否满足收敛条件，若所有初始样本点的响应值均不满足所述收敛条件，则根据所述初始样本点构建Kriging模型；
基于所述Kriging模型利用并行加点准则增加新样本点，并计算每个新样本点的响应值；
判断每个新样本点的响应值是否满足所述收敛条件，若不满足则根据所述新样本点和初始样本点重新构建Kriging模型，继续增加样本点，直至满足所述收敛条件，输出最优样本点对应的数值。
2.根据权利要求1所述的水翼结构优化方法，其特征在于，所述根据所述设计变量，选取多个初始样本点，包括：
采用拉丁超立方抽样对所述设计变量进行采样，得到多个初始样本点。
3.根据权利要求1所述的水翼结构优化方法，其特征在于，所述确定水翼的多个设计变量，包括：
对所述设计变量进行多点设计变形，通过控制坐标点来控制水翼的形状变化，在沿水翼展长方向所述坐标点距离间隔相同，在沿水翼弦长方向所述坐标点在预设范围内变化。
4.根据权利要求1所述的水翼结构优化方法，其特征在于，所述利用并行加点准则增加新样本点，包括：
通过MSP准则、EI准则和MSE准则增加新样本点。
5.根据权利要求4所述的水翼结构优化方法，其特征在于，所述MSE准则，包括：
其中，x表示样本点，表示Kriging模型预测响应值，d表示样本维度，x*表示当前局部最优点，xlb，xub分别表示设计变量取值范围的下限和上限。
6.根据权利要求5所述的水翼结构优化方法，其特征在于，所述MSE准则，还包括：
在当前局部最优点附近通过MSE准则进行加点。
7.一种基于Kriging模型的水翼结构优化系统，其特征在于，包括：
变量设计模块，用于确定水翼的多个设计变量；
样本点选取模块，用于根据所述设计变量，选取多个初始样本点，并计算每个初始样本点的响应值；
模型构建模块，用于判断所述每个初始样本点的响应值是否满足收敛条件，若所有初始样本点的响应值均不满足所述收敛条件，则根据所述初始样本点构建Kriging模型；以及判断每个新样本点的响应值是否满足所述收敛条件时，若不满足则根据所述新样本点和初始样本点重新构建Kriging模型，直至每个新样本点的响应值满足所述收敛条件；
并行加点模块，用于基于所述Kriging模型利用并行加点准则增加新样本点，并计算每个新样本点的响应值；
输出最优模块，用于当每个新样本点的响应值满足所述收敛条件时，输出最优样本点对应的数值。
8.根据权利要求7所述的水翼结构优化系统，其特征在于，所述样本点选取模块，包括：
数据采样模块，用于采用拉丁超立方抽样对所述设计变量进行采样，得到多个初始样本点。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的水翼结构优化方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任一项所述的水翼结构优化方法。
CN202310994808.5A 2023-08-08 2023-08-08 一种基于Kriging模型的水翼结构优化方法、系统、设备及介质 Active CN117022588B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310994808.5A CN117022588B (zh) 2023-08-08 2023-08-08 一种基于Kriging模型的水翼结构优化方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310994808.5A CN117022588B (zh) 2023-08-08 2023-08-08 一种基于Kriging模型的水翼结构优化方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN117022588A true CN117022588A (zh) 2023-11-10
CN117022588B CN117022588B (zh) 2024-03-26

Family

ID=88636658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310994808.5A Active CN117022588B (zh) 2023-08-08 2023-08-08 一种基于Kriging模型的水翼结构优化方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN117022588B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050143962A1 (en) * 2003-06-25 2005-06-30 Keane Andrew J. Computational design methods
US7428713B1 (en) * 2006-07-10 2008-09-23 Livermore Software Technology Corp. Accelerated design optimization
JP2011103036A (ja) * 2009-11-10 2011-05-26 Hitachi Ltd 設計モデル活用型設計探査方法及び装置
CN103353923A (zh) * 2013-06-26 2013-10-16 中山大学 基于空间特征分析的自适应空间插值方法及其系统
KR101492197B1 (ko) * 2014-05-19 2015-02-13 한양대학교 산학협력단 순차적 근사 최적 설계 방법 및 장치
CN107330219A (zh) * 2017-07-19 2017-11-07 许昌学院 一种基于Kriging模型的多点并行全局优化方法
DE102017004636A1 (de) * 2017-05-15 2018-11-15 Ernst-Michael Miller Tragflügel-Steuer-/Regelsystem für ein Hydrofoil-Segelfahrzeug
CN111310282A (zh) * 2020-03-26 2020-06-19 南京航空航天大学 一种适用于高原环境的直升机旋翼翼型生成方法及系统
CN111597698A (zh) * 2020-05-08 2020-08-28 浙江大学 一种基于深度学习的多精度优化算法实现气动优化设计的方法
CN111737928A (zh) * 2020-06-24 2020-10-02 西北工业大学 一种考虑几何不确定因素的翼型稳健气动优化设计方法
CN111737821A (zh) * 2020-06-28 2020-10-02 西北工业大学 一种兼顾自然层流特性和超临界特性的翼型及其设计方法
CN112434448A (zh) * 2021-01-27 2021-03-02 中国人民解放军国防科技大学 基于多点加点的代理模型约束优化方法和装置
US20220033062A1 (en) * 2019-10-24 2022-02-03 Nanjing University Of Aeronautics And Astronautics Method and system for determining helicopter rotor airfoil
CN115270301A (zh) * 2022-07-26 2022-11-01 江南造船(集团)有限责任公司 一种基于最大化期望提高算法的船型优化快速方法
CN115859805A (zh) * 2022-11-29 2023-03-28 中国人民解放军国防科技大学 基于混合加点准则的自适应序贯试验设计方法和装置
CN116341097A (zh) * 2022-02-07 2023-06-27 西北工业大学 一种基于新型高维代理模型的跨音速机翼优化设计方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050143962A1 (en) * 2003-06-25 2005-06-30 Keane Andrew J. Computational design methods
US7428713B1 (en) * 2006-07-10 2008-09-23 Livermore Software Technology Corp. Accelerated design optimization
JP2011103036A (ja) * 2009-11-10 2011-05-26 Hitachi Ltd 設計モデル活用型設計探査方法及び装置
CN103353923A (zh) * 2013-06-26 2013-10-16 中山大学 基于空间特征分析的自适应空间插值方法及其系统
KR101492197B1 (ko) * 2014-05-19 2015-02-13 한양대학교 산학협력단 순차적 근사 최적 설계 방법 및 장치
DE102017004636A1 (de) * 2017-05-15 2018-11-15 Ernst-Michael Miller Tragflügel-Steuer-/Regelsystem für ein Hydrofoil-Segelfahrzeug
CN107330219A (zh) * 2017-07-19 2017-11-07 许昌学院 一种基于Kriging模型的多点并行全局优化方法
US20220033062A1 (en) * 2019-10-24 2022-02-03 Nanjing University Of Aeronautics And Astronautics Method and system for determining helicopter rotor airfoil
CN111310282A (zh) * 2020-03-26 2020-06-19 南京航空航天大学 一种适用于高原环境的直升机旋翼翼型生成方法及系统
CN111597698A (zh) * 2020-05-08 2020-08-28 浙江大学 一种基于深度学习的多精度优化算法实现气动优化设计的方法
CN111737928A (zh) * 2020-06-24 2020-10-02 西北工业大学 一种考虑几何不确定因素的翼型稳健气动优化设计方法
CN111737821A (zh) * 2020-06-28 2020-10-02 西北工业大学 一种兼顾自然层流特性和超临界特性的翼型及其设计方法
CN112434448A (zh) * 2021-01-27 2021-03-02 中国人民解放军国防科技大学 基于多点加点的代理模型约束优化方法和装置
CN116341097A (zh) * 2022-02-07 2023-06-27 西北工业大学 一种基于新型高维代理模型的跨音速机翼优化设计方法
CN115270301A (zh) * 2022-07-26 2022-11-01 江南造船(集团)有限责任公司 一种基于最大化期望提高算法的船型优化快速方法
CN115859805A (zh) * 2022-11-29 2023-03-28 中国人民解放军国防科技大学 基于混合加点准则的自适应序贯试验设计方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘睿;白俊强;邱亚松: "基于非支配排序的并行加点方法研究及应用", 北京航空航天大学学报, 20 January 2023 (2023-01-20), pages 1446 - 1459 *
王超;高正红;张伟;夏露;黄江涛;: "自适应设计空间扩展的高效代理模型气动优化设计方法", 航空学报, no. 07, 17 April 2018 (2018-04-17), pages 45 - 63 *
韩忠华;: "Kriging模型及代理优化算法研究进展", 航空学报, no. 11, 25 November 2016 (2016-11-25), pages 3199 - 3224 *

Also Published As

Publication number Publication date
CN117022588B (zh) 2024-03-26

Similar Documents

Publication Publication Date Title
CN112686382B (zh) 一种卷积模型轻量化方法及系统
Park et al. Two‐phase grouping‐based resource management for big data processing in mobile cloud computing
CN112579602A (zh) 多版本数据存储方法、装置、计算机设备及存储介质
CN111985061B (zh) 海上风机基础的结构设计方法、设计系统及可读存储介质
CN112200132A (zh) 一种基于隐私保护的数据处理方法、装置及设备
US20160378791A1 (en) Method and apparatus for performing a search operation on heterogeneous computing systems
CN111881477A (zh) 数据内容的标引方法、装置、计算机设备及存储介质
CN112559529A (zh) 数据存储方法、装置、计算机设备及存储介质
CN117022588B (zh) 一种基于Kriging模型的水翼结构优化方法、系统、设备及介质
US20090064120A1 (en) Method and apparatus to achieve maximum outer level parallelism of a loop
CN115195706A (zh) 一种泊车路径规划方法、装置
CN116541976B (zh) 一种基于ga-grnn代理模型的核电用塔机结构系统静态优化方法
CN112699134A (zh) 基于图剖分的分布式图数据库的存储与查询方法
CN104331336B (zh) 匹配于高性能计算机结构的多层嵌套负载平衡方法
CN111737461A (zh) 文本的处理方法、装置、电子设备及计算机可读存储介质
WO2020142251A1 (en) Prediction for time series data using a space partitioning data structure
CN113792170B (zh) 图数据划分方法、装置和计算机设备
WO2023029155A1 (zh) 一种Spark GraphX参数调优方法、装置、电子设备及存储介质
CN113988277A (zh) 用于存算一体芯片的神经网络映射方法、装置、设备
CN112258386A (zh) 图像变形加速处理方法及装置、电子设备和可读存储介质
Liao et al. An efficient external-memory implementation of region query with application to area routing
CN109756908B (zh) 无线网络缓存策略的优化方法/系统、存储介质及设备
Sasidharan et al. A general space-filling curve algorithm for partitioning 2D meshes
CN111127230A (zh) 动态社交圈确定方法、装置、设备及存储介质
CN115695432B (zh) 一种负载均衡方法、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