CN117313579A - 发动机压缩部件流场预测方法、装置、设备及存储介质 - Google Patents
发动机压缩部件流场预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117313579A CN117313579A CN202311288066.0A CN202311288066A CN117313579A CN 117313579 A CN117313579 A CN 117313579A CN 202311288066 A CN202311288066 A CN 202311288066A CN 117313579 A CN117313579 A CN 117313579A
- Authority
- CN
- China
- Prior art keywords
- flow field
- working condition
- data set
- field prediction
- condition information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 107
- 230000006835 compression Effects 0.000 title claims abstract description 44
- 238000007906 compression Methods 0.000 title claims abstract description 44
- 238000005070 sampling Methods 0.000 claims abstract description 181
- 230000006870 function Effects 0.000 claims description 75
- 239000011159 matrix material Substances 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 19
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 abstract description 26
- 238000004364 calculation method Methods 0.000 abstract description 18
- 238000010276 construction Methods 0.000 abstract description 7
- 238000012795 verification Methods 0.000 description 42
- 238000004088 simulation Methods 0.000 description 39
- 238000012549 training Methods 0.000 description 37
- 238000004422 calculation algorithm Methods 0.000 description 24
- 238000013528 artificial neural network Methods 0.000 description 18
- 238000004590 computer program Methods 0.000 description 17
- 230000002068 genetic effect Effects 0.000 description 15
- 238000013461 design Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000011478 gradient descent method Methods 0.000 description 11
- 238000013459 approach Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 239000002699 waste material Substances 0.000 description 6
- 239000012530 fluid Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 239000013589 supplement Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003050 experimental design method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations 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
- G06F30/17—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Optimization (AREA)
- Molecular Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及发动机压缩部件流场预测方法、装置、设备及存储介质,上述方法包括:获取压气机的工况信息;工况信息包括压气机的总流量和转速;获取工况信息对应的第一数据集;第一数据集包括压气机的出口截面信息;基于第一数据集构建流场预测模型;基于流场预测模型,获得压气机的待预测工况信息的预测结果。本公开提供的方法通过构建反映流场细节与部件特性偏差的流场预测模型,从而强化流场各点之间的物理关联,保证流场宏观的表现与部件特性相符,提高流场预测结果准确性。另一方面,在构建流场预测模型的过程中,采用多级自适应抽样策略更新第一数据集,从而在提高流场预测模型准确性的同时,降低构建过程中的计算资源和时间成本。
Description
技术领域
本公开涉及航空发动机技术领域,尤其涉及发动机压缩部件流场预测方法、装置、设备及存储介质。
背景技术
在航空发动机设计阶段,需要对发动机压缩部件进行流场预测。现有的流场预测方法通常是基于数据驱动并结合神经网络模型。具体地,数据来源于多个工况下的三维计算流体动力学(Computational Fluid Dynamics,CFD)仿真结果,以此为基础构建神经网络,进一步预测未知工况下的流场结果。
然而,这类流场预测方法存在两个较大的技术问题,一方面,由于构造神经网络时损失函数大都采用模型与训练数据流场信息各单点值差异的累加,导致流场预测方法缺少对于各单点之间关联的反映以及流场整体信息的物理约束,流场预测结果准确性低。另一方面,在生成训练样本数据时,采用单级抽样方法,训练样本的抽样策略无法根据流场特点自适应调整,导致所需的训练样本数量偏多,造成计算资源、时间资源浪费。
发明内容
根据本公开的第一方面,提供了一种发动机压缩部件流场预测方法,包括:
获取压气机的工况信息;所述工况信息包括所述压气机的总流量和转速;
获取所述工况信息对应的第一数据集;所述第一数据集包括所述压气机的出口截面信息;
基于所述第一数据集构建流场预测模型;
基于所述流场预测模型,获得所述压气机的待预测工况信息的预测结果。
根据本公开的第二方面,提供了一种发动机压缩部件流场预测装置,包括:
数据处理模块,用于获取压气机的工况信息;所述工况信息包括所述压气机的总流量和转速;
所述数据处理模块,还用于获取所述工况信息对应的第一数据集;所述第一数据集包括所述压气机的出口截面信息;
模型构建模块,用于基于所述第一数据集构建流场预测模型;
流场预测模块,用于基于所述流场预测模型,获得所述压气机的待预测工况信息的预测结果。
根据本公开的第三方面,提供了一种电子设备,包括:
处理器;以及,
存储程序的存储器;
其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据本公开示例性实施例所述的方法。
根据本公开的第四方面,提供了一种非瞬时计算机可读存储介质,所述非瞬时计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行根据本公开示例性实施例所述的方法。
本公开实施例中提供的一个或多个技术方案,通过获取压气机的工况信息,其中工况信息包括压气机的总流量和转速。获取工况信息对应的第一数据集,其中第一数据集包括压气机的出口截面信息。基于第一数据集构建流场预测模型,并基于流场预测模型,获得压气机的待预测工况信息的预测结果。本公开提供的发动机压缩部件流场预测方法通过构建反映流场细节与部件特性偏差的流场预测模型,从而强化流场各点之间的物理关联,保证流场宏观的表现与部件特性相符,提高流场预测结果准确性。另一方面,在构建流场预测模型的过程中,采用多级自适应抽样策略更新第一数据集,从而在提高流场预测模型准确性的同时,降低构建过程中的计算资源和时间成本。
附图说明
在下面结合附图对于示例性实施例的描述中,本公开的更多细节、特征和优点被公开,在附图中:
图1示出了多级自适应抽样方式的流场预测模型建模流程图;
图2示出了压缩部件流量-压比特性与初始抽样点集;
图3示出了压缩部件出口压力分布;
图4示出了压缩部件流量-压比特性与多级抽样点集;
图5示出了第s>1级抽样的示意图;
图6示出了本公开示例性实施例的发动机压缩部件流场预测方法原理图;
图7示出了根据本公开示例性实施例的发动机压缩部件流场预测装置的功能模块示意性框图;
图8示出了根据本公开示例性实施例的芯片的示意性框图;
图9示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
在介绍本公开实施例之前首先对本公开实施例中涉及到的相关名词作如下释义:
计算流体动力学(Computational Fluid Dynamics,CFD):CFD三维仿真技术是一种通过数值方法来模拟和解析流体流动和传热问题的技术。
D最优设计原理:是一种实验设计方法,它的目标是通过选择合适的实验点来最大化从已有数据中获得的信息,从而在统计建模、参数估计、模型验证等任务中获得更准确的结果。这个原理特别在有限的资源下,如有限的实验次数或样本数量下,发挥重要作用。在多级自适应抽样方法中,基于D最优设计原理指的是在每一级抽样中,根据当前已有数据和模型的状态,选择新的抽样点,以使特定的设计准则(D准则)达到最优。这可以帮助系统更有效地决定新增抽样点的位置,以便获得更有信息量的数据,进而提高模型的准确性和可信度。
反向传播(Back Propagation,BP)神经网络:BP神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念,是一种按照误差逆向传播算法训练的多层前馈神经网络,是应用最广泛的神经网络模型之一。
径向基函数(Radial Basis Function,RBF)神经网络:RBF神经网络是一种基于径向基函数的神经网络模型。其基本原理是将输入向量通过一系列径向基函数的变换映射到高维空间中,然后再通过线性变换将高维空间中的结果映射到输出空间中。
遗传算法(Genetic Algorithm,GA):遗传算法是一种模拟自然选择和遗传机制的优化算法,用于解决搜索和优化问题。它受到生物进化理论的启发,通过模拟基因的遗传、变异和适应度评估等过程,搜索问题的最优解或接近最优解。
在航空发动机设计阶段,需要对发动机压缩部件进行流场预测,如何高效、精准预测压缩部件的出口流场,是亟须解决的关键问题。
现有的流场预测方法通常是基于数据驱动并结合神经网络模型。这类流场预测方法存在两个较大的技术问题,一方面,由于构造神经网络时损失函数大都采用模型与训练数据流场信息各单点值差异的累加,导致流场预测方法缺少对于各单点之间关联的反映以及流场整体信息的物理约束。另一方面,在生成训练样本数据时,采用的抽样方法大都为单级抽样方法,训练样本的抽样策略难以根据流场特点自适应调整,导致所需的训练样本数量偏多,造成计算资源、时间资源浪费。
因此,为解决上述问题,本公开针对航空发动机压缩部件的出口关键截面,提供一种基于部件特性修正与自适应抽样的发动机压缩部件流场预测方法,包括三大部分,第一:采用多级自适应抽样方式确定流场预测模型用的抽样点集;第二:构建损失模型;第三步:构建流场预测模型。
示例性的,采用多级自适应抽样方式确定流场预测模型用的抽样点可以包括:采用多级自适应抽样方式,设置一定的初始抽样策略,并在后续每一级抽样中自适应地扩充抽样点集。新增抽样点将基于D最优设计原理和基于先验分布的最大信息熵采样原理自适应确定,通过最大化基于先验分布下具有新增抽样点集的信息熵,使预测模型的后验信息熵最小化,即在给定的样本空间内,用最优化技术去寻找使信息矩阵的行列式达到最大的点作为新增抽样点。
图1示出了多级自适应抽样方式的流场预测模型建模流程图。如图1所示,在多级抽样的基本流程中,第1级抽样与后续抽样的流程存在差异。
示例性的,对于第s=1级抽样(s用于多级抽样法的级数编号),可以采用正交抽样策略,在整个抽样空间确定初始抽样点集A1(容量为m1)。在A1对应的m1种工况下进行CFD仿真,仿真结果存储在数据集B1(容量为m1)。基于数据集B1构建流场预测模型f1。以信息矩阵行列式最大为寻优目标确定初始验证点集C1(容量为n1)。利用流场预测模型f1对上述(m1+n1)种工况下的流场进行预测,预测误差存储在数据集E1(容量为m1+n1)。基于数据集E1构建预测误差模型e1。
示例性的,图2示出了压缩部件流量-压比特性与初始抽样点集。如图2所示,压缩部件的流量-压比特性图包含相对转速的5条等转速线,每条等转速由5个工况点构成,最左侧的工况点为近喘点,最右侧的工况点为近堵点。每个工况点由基于CFD计算可得到详细流场计算结果。
示例性的,图3示出了压缩部件出口压力分布。如图3所示,压缩部件近喘点与近堵点的出口压力分布取自相应工况点的CFD结果。其中流场位置有N个,压力分布整体呈外凸形,近堵点的分布曲线更平滑。
示例性的,对于第s>1级抽样,可以以信息矩阵行列式最大为寻优目标,确定新增抽样点集Anew(容量为mnew),As=Anew∪As-1。在Anew对应的mnew种工况下进行CFD仿真,仿真结果分别存储在数据集Bnew(容量为mnew),Bs=Bnew∪Bs-1。基于数据集Bs(容量为ms)构建流场预测模型fs。以信息矩阵行列式最大为寻优目标确定新增验证点集Cnew(容量为nnew),Cs=Cnew∪Cs-1(容量为ns)。利用流场预测模型fs对上述(ms+ns)种工况下的流场进行预测,预测误差存储在数据集Es(容量为ms+ns)。基于数据集Es构建预测误差模型es。
示例性的,图4示出了压缩部件流量-压比特性与多级抽样点集。如图4所示,压缩部件的流量-压比特性图包含相对转速的5条等转速线,圆形点为第一级的抽样点,上三角点为第二级的抽样点。第一级抽样点可以表示为第一级的抽样点集A1,第二级抽样点可以表示为第二级的抽样点集A2。
示例性的,信息矩阵的构造方式可以包括:
根据D最优设计原理,以最大化信息矩阵行列式为优化目标确定新增抽样点。通过特定方式构造信息矩阵,使得信息矩阵能够有效反映拟新增抽样点的信息量,使新增抽样点倾向于分布在模型的强非线性区域,同时又不至于过于聚集。
图5示出了第s>1级抽样的示意图,图5中的①表示对抽样点集As(容量为ms)进行仿真,获得数据集Bs(容量为ms)。②表示基于数据集Bs构建流场预测模型fs。③-⑤表示以信息矩阵行列式最大为寻优目标确定新增验证点集Cnew(容量为nnew),Cs=Cnew∪Cs-1(容量为ns)。⑥表示对验证点集Cs(容量为ns)进行仿真,获得数据集Ds(容量为ns)。⑦表示利用流场预测模型fs对上述(ms+ns)种工况下的流场进行预测,预测误差存储在数据集Es(容量为ms+ns)。⑧表示基于数据集Es构建预测误差模型es。表示以信息矩阵行列式最大为寻优目标,确定新增抽样点集Anew(容量为mnew),As=Anew∪As-1。
如图1和图5所示,在多级抽样的第s=1级抽样中,需要通过构造信息矩阵以确定初始验证点集C1。在多级抽样的第s>1级抽样中,验证点集Cs和抽样点集As均需要通过分别构造信息矩阵以确定新增抽样点。由于上述三处信息矩阵I的构造方法存在差异,下文将分情况列出信息矩阵I的数学表达式。
示例性的,对于第s=1级抽样,构造信息矩阵I,确定初始验证点集C1。针对初始验证点集C1,构造数据点集J1=[A1,C1]。
信息矩阵可以通过下述公式(1)表示:
其中,Iij表示信息矩阵I第i行、第j列的元素;Xi表示抽样点集J1第i个工况,Xj表示抽样点集J1第j个工况;m1、n1分别为集合A1、C1的容量。
示例性的,对于第s>1级抽样,构造信息矩阵I,确定新增验证点集Cnew。针对拟新增的验证点集Cnew,构造数据点集Ks=[Cs,As,Cnew]。
信息矩阵可以通过下述公式(2)表示:
其中,Iij表示信息矩阵I第i行、第j列的元素;Xi表示抽样点集Ks第i个工况,Xj表示抽样点集Ks第j个工况;ns、ms、nnew分别为集合Cs、As、Cnew的容量。
示例性的,对于第s级(s>1)抽样,构造信息矩阵I,确定新增抽样点集Anew。针对拟新增的抽样点集Anew,构造抽样点集Ls=[As,Anew]。
信息矩阵可以通过下述公式(3)表示:
其中,Iij表示信息矩阵I第i行、第j列的元素;Xi表示抽样点集Ls第i个工况,Xj表示抽样点集Ls第j个工况;ms、mnew分别为集合As、Anew的容量;λ为超参数,取值范围为λ>1。
在实际应用中,由于函数的线性区域包含的信息量低,而函数的非线性区域包含的信息量高,如果采样点在线性区域和非线性区域中无差别均匀分布,会导致线性区域的采样点信息重叠度高,且增加多余的计算工作,而非线性区域则因为采样点不足,而无法提取完整的信息。
通过采用自适应采样策略,一方面,在函数的线性区域设置少量采样点,从而降低采样点间的信息重叠度,减少计算量。在函数的非线性区域设置大量采样点,确保提取信息的完整度。另一方面,采样点均匀分散,确保采样点之间相关性较低,信息重叠度较低。
另一方面,传统单级抽样方式在生成建模所需抽样点时,往往需要预设一个较大的样本容量,以保证模型精度,导致计算资源浪费。多级自适应抽样方法通过以下方式解决了这一问题:
自适应性:多级自适应抽样方式采用初始抽样策略,然后在每一级抽样中动态地扩充抽样点集。这种自适应性使得建模过程可以根据实际情况调整抽样点的数量和位置,从而更精确地捕捉模型的特征和非线性区域。
信息熵最大化:新增抽样点的选择基于D最优设计和最大信息熵采样原理。通过最大化基于先验分布下新增抽样点集的信息熵,方法确保每次新增抽样点能够提供更多关键信息,有助于优化模型的预测性能。
因此,多级自适应抽样方法通过自适应性、信息熵最大化、强非线性区域覆盖以及均匀分布等策略,优化了建模样本的选择过程,从而在保证模型精度的同时,避免了资源浪费,提高了预测模型的效率和准确性。
示例性的,损失函数用于评价预测值与CFD仿真结果的一致性。为了增强各采样点之间关联的反映以及流场整体信息的物理约束,损失函数可以包含以下4个部分:
第一部分流场预测误差LOSSF,用于衡量模型预测与仿真流场之间的差距,第二部分流量特性预测误差LOSSM,用于衡量模型预测的部件流量特性与仿真的部件流量特性之间差距,第三部分压升特性预测误差LOSSP,用于衡量模型预测的部件压升特性与仿真的部件压升特性之间差距,第四部分温升特性预测误差LOSST,用于衡量模型预测的部件温升特性与仿真的部件温升特性之间差距。
损失函数LOSS(X)可以通过下述公式(4)表示:
其中,l为压缩部件出口截面沿径向从轮毂到机匣的径向位置个数;Wi、Pi、Ti表示径向位置i处流量、压力、温度的仿真值;表示径向位置i处流量、压力、温度的预测值;ω、π、η表示根据压缩部件特性得到的流量、压比、效率值;γ为气体的比热比。
由于损失模型包括流场预测损失函数LOSSF、部件流量特性损失函数LOSSM、部件压升特性损失函数LOSSP和部件温升特性损失函数LOSST。因此,通过构建反映流场细节与部件特性偏差的损失模型,优化流场预测模型,使得流场预测模型在训练过程中强化流场各点之间的物理关联,保证流场宏观的表现与部件特性相符。
示例性的,流场预测模型f可以通过下述公式(5)表示:
其中,X的物理含义是压缩部件运行工况,x1为部件进口总流量,x2为部件转速;/>分别是对压缩部件出口截面的流量、压力、温度场的预测值,/> l为压缩部件出口截面沿径向从轮毂到机匣的径向位置。
在本公开提供的一个实施例中,流场预测模型的训练过程可以包括以下步骤:
步骤S110:执行第一级抽样,s=1。
步骤S111:采用正交抽样策略,确定初始抽样点A1。
示例性的,工况X可以包括压气机总流量和压气机转速,在设计空间内分别设置转速、流量的水平数,根据正交抽样策略,确定初始抽样点A1。
在一种可选的方式中,初始采样点A1可以用工况Xi表示:A1={Xi},i=1,2,…,m1,其中i表示不同的工况,工况总数为m1个。
步骤S112:对A1进行CFD仿真,生成数据集B1
示例性的,可以利用CFD模型对初始抽样点A1进行仿真,生成数据集B1。具体地,可以将初始抽样点输入CFD模型,CFD模型的输出数据包括:压缩部件出口截面的流量场仿真值W、压力场仿真值P和温度场仿真值T,l为压缩部件出口截面沿径向从轮毂到机匣的径向位置。将CFD模型的输出数据存储在数据集B1(容量为m1)。
步骤S113:基于数据集B1建立流场预测模型f1。
示例性的,流场预测模型f1可以用上述公式(5)表示。可以把数据集B1作为训练数据,采用神经网络建模方法,建立预测模型f1,获得流场预测模型输出的流场预测结果。其中流场预测结果可以包括压缩部件出口截面的流量场预测值压力场预测值/>温度场预测值/> l为压缩部件出口截面沿径向从轮毂到机匣的径向位置。
示例性的,神经网络建模方式可以包括以下步骤:
选择神经网络的架构,流场预测模型可以选用BP神经网络或者RBF神经网络。
进而,构建损失函数,在本实施例中,流场预测模型的损失函数可以通过上述公式(4)表示。
在一种可选的方式中,把数据集A1输入流场预测模型中,获得流场预测结果。流场预测结果与数据集B1进行比对,更新流场预测模型的权重,优化流场预测模型。
示例性的,流场预测模型的训练方式可以采用梯度下降法,通过梯度下降法,反向传播误差并更新流场预测模型的参数。从损失函数中计算出的梯度将用于调整模型的权重和偏置项,以减小损失函数。在流场预测模型训练过程中,梯度下降法会不断调整流场预测模型参数,使得流场预测模型的预测结果逐渐接近CFD仿真技术的结果。通过优化损失函数,流场预测模型可以学习到流场的特征和部件特性,从而输出准确的流场预测结果。
由于损失模型由多个项组成,包括流场预测损失函数LOSSF、部件流量特性损失函数LOSSM、部件压升特性损失函数LOSSP和部件温升特性损失函数LOSST。因此,通过构建反映流场细节与部件特性偏差的损失模型,优化流场预测模型,使得流场预测模型在训练过程中强化流场各点之间的物理关联,保证流场宏观的表现与部件特性相符。
步骤S114:建立信息矩阵,采用遗传算法确定初始验证点集C1。
示例性的,可以根据上述公式(1)建立信息矩阵I,以使得信息矩阵行列式最大为寻优目标,确定新增验证点集C1。该步骤可以通过下述公式(6)表示:
在公式(6)中,寻找使信息矩阵的行列式达到最大的点作为新增验证点集C1。具体的,遗传算法的迭代过程将不断优化抽样点集,使得信息矩阵行列式逐渐增大。在每次迭代中,计算每个个体的适应度,根据适应度进行选择、交叉和变异操作,生成新一代个体。随着迭代的进行,适应度值应该逐渐变好,同时信息矩阵行列式也逐渐增大。当达到预定的迭代次数或适应度不再显著变化时,遗传算法收敛,最终得到初始验证点集C1。
通过遗传算法优化初始验证点集,使信息矩阵行列式最大化,我们可以更好地指导验证点的选择,以提高流场预测模型的准确性和泛化能力。从而解决单级抽样方法中训练样本容量不确定性的问题,更有效地进行流场预测模型的建模。
步骤S115:对C1进行CFD仿真,生成数据集D1。
示例性的,使用初始验证点集C1进行CFD仿真,生成数据集D1
步骤S116:计算流场预测模型f1在A1∪C1上的预测误差,生成数据集E1。
示例性的,将数据集A1和C1作为输入数据,输入到上述公式(4)中,计算上述(m1+n1)种工况下的预测误差。预测误差可以表示为:E1={(Xi,LOSS(Xi))},i=1,2,...,(m1+n1)。
步骤S117:基于数据集E1建立损失模型e1
示例性的,经过训练的损失模型可以应用于流场预测模型的输出结果。通过将预测结果经过损失模型修正,可以提高预测结果的准确性和稳定性,适应不同的误差分布情况和流场特征。
步骤S120:迭代判据。
示例性的,迭代判据可以设置为①计算量达到预设上限值;②预测误差满足设计要求。
在一种可选的方式中,在同时不满足①和②的情况下,需要继续迭代,使s=s+1,执行步骤S130。反之,则结束迭代,执行步骤S140。
在一种可选的方式中,在不满足①或②的情况下,需要继续迭代,使s=s+1,执行步骤S130。反之,则结束迭代,执行步骤S140。
由于预测误差是评估模型性能的重要指标之一,直接反映了模型的预测准确程度。因此,将预测误差作为迭代结束的判据可以使优化过程更直观和可理解。
计算量可以作为一种代理指标来评估遗传算法的收敛状态,将计算量作为迭代结束判据可以节约计算资源,加速算法的收敛过程。同时,利用计算量作为结束判据,可以增强算法的鲁棒性,使其对种群的分布更加敏感,有助于避免过早收敛和局部最优解。
步骤S130:执行迭代过程,进行第s级抽样,s>1。
步骤S131:建立信息矩阵,采用遗传算法确定新增抽样点集Anew
根据上述公式(3)建立信息矩阵I。以使得信息矩阵行列式最大为寻优目标,确定新增抽样点集Anew。该步骤可以通过下述公式(7)表示:
将Anew补充到As-1中,得到新的数据集As:As=As-1∪Anew,其中新的数据集As的容量为:ms=ms-1+mnew。
步骤S132:对Anew进行CFD仿真,生成数据集Bnew。
示例性的,可以利用CFD仿真工具,在工况Anew下进行仿真计算,得到数据集Bnew。
将Bnew补充到已有的Bs-1中,得到新的Bs:Bs=Bs-1∪Bnew。其中新的数据集Bs的容量为:ms=ms-1+mnew。
步骤S133:基于数据集Bs训练流场预测模型。
示例性的,可以把数据集As作为流场预测模型的输入数据,获得流场预测结果。流场预测结果与步骤S132中更新的数据集Bs进行比对,采用梯度下降法训练流场预测模型,更新流场预测模型的权重,优化流场预测模型。
步骤S134:建立信息矩阵,采用遗传算法确定新增验证点Cnew。
示例性的,可以根据上述公式(2)建立信息矩阵I。以使得信息矩阵行列式最大为寻优目标,确定新增验证点集Cnew。该步骤可以通过下述公式(8)表示:
将Cnew补充到Cs-1中,得到新的数据集Cs:Cs=Cs-1∪Cnew,其中新的数据集Cs的容量为:ns=ns-1+nnew。
步骤S135:对Cnew进行CFD仿真,生成数据集Dnew。
示例性的,可以利用CFD仿真工具,在工况Cnew下进行仿真计算,得到数据集Dnew。将Dnew补充到Ds-1中,得到新的数据集Ds:Ds=Ds-1∪Dnew,其中新的数据集Ds的容量为:ns=ns-1+nnew。
步骤S136:计算预测模型fs在As∪Cs上的预测误差,生成数据集Es。
示例性的,将数据集As和Cs作为输入数据,输入到上述公式(4)中,计算上述(ms+ns)种工况下的预测误差,并将预测误差存储在数据集Es中。预测误差可以表示为:Es={(Xi,LOSS(Xi))},i=1,2,...,(ms+ns)。
步骤S137:基于数据集Es建立损失模型es。
示例性的,以数据集Es作为训练数据,训练损失模型es。经过训练的损失模型可以应用于流场预测模型的输出结果。通过将预测结果经过损失模型修正,可以提高预测结果的准确性和稳定性,适应不同的误差分布情况和流场特征。
步骤S138:执行步骤S120,判断是否满足迭代结束判据。
步骤S140:合并数据集,并使用合并后的数据集训练流场预测模型f。
示例性的,满足迭代结束判据后,可以进行数据集合并。合并数据集As和Cs:A=As∪Cs,把数据集A作为流场预测模型的输入数据,获得流场预测结果。
合并数据集Bs和Ds:B=Bs∪Ds,流场预测结果与数据集B进行比对,采用梯度下降法训练流场预测模型,更新流场预测模型的权重,获得最终的流场预测模型,流场预测模型的训练过程至此结束。
基于此,采用多级自适应抽样方式更新数据集As和Cs,获得每一级抽样数据集和验证数据集的仿真结果和流场预测结果,通过比对仿真结果和流场预测结果训练流场预测模型,更新流场预测模型的参数。通过不断迭代更新抽样数据集、验证数据集和流场预测模型,可以实现有效的自适应学习,逐渐提升模型的性能。这种方法允许模型根据实际仿真结果不断自我校正,适应复杂的流场特性,提高了模型的准确性和泛化能力,同时减少了对初始大规模训练数据的依赖,从而节省了计算资源和时间成本。
本公开实施例中提供的一个或多个技术方案,基于多级自适应抽样方式,通过多次新增抽样数据和验证数据训练流场预测模型。同时,构建考虑各抽样点之间关联的反映以及流场整体信息的物理约束的损失模型,并使用验证数据集训练损失模型。符合迭代判据条件后,合并数据集As和Cs:A=As∪Cs,把数据集A作为流场预测模型的输入数据,获得流场预测结果。合并数据集Bs和Ds:B=Bs∪Ds,流场预测结果与数据集B进行比对,采用梯度下降法训练流场预测模型,更新流场预测模型的权重,获得最终的流场预测模型。
其中,基于自适应采样策略多次抽样数据的优点在于改善流场预测模型的精度和准确性。通过增加新的抽样数据,可以扩大抽样数据集的覆盖范围,使模型能够更好地捕捉流场的细节和变化情况。这样可以提高流场预测模型的泛化能力,使其在未见过的数据点上也能表现出较好的预测效果。
同时,不仅可以使流场预测模型从更多样本中学习,提高其拟合能力和预测效果。还可以更好地训练损失模型,进一步减小流场预测模型的预测误差。
另一方面,由于损失模型由多个项组成,包括流场预测损失函数LOSSF、部件流量特性损失函数LOSSM、部件压升特性损失函数LOSSP和部件温升特性损失函数LOSST,充分考虑各采样点之间关联的反映以及流场整体信息的物理约束。因此,通过构建反映流场细节与部件特性偏差的损失模型,优化流场预测模型,使得流场预测模型在训练过程中强化流场各点之间的物理关联,保证流场宏观的表现与部件特性相符。
因此,本公开示例性实施例中提供的发动机压缩部件流场预测方法可以解决由于缺少对于各单点之间关联的反映以及流场整体信息的物理约束,导致流场预测结果准确性低,以及训练样本数量偏多,造成计算和时间资源浪费的问题。
基于上述实施例,本公开还提供的一种发动机压缩部件流场预测方法,图6示出了本公开示例性实施例的发动机压缩部件流场预测方法原理图,如图6所示,该方法可以包括如下步骤:
步骤S610:获取压气机的工况信息,其中工况信息包括压气机的总流量和转速。
实施例中,可以通过获取压气机的工况信息,确定初始抽样点A1。工况X可以包括压气机总流量和压气机转速,在设计空间内分别设置转速、流量的水平数,根据正交抽样策略,确定初始抽样点A1。初始采样点A1可以用工况Xi表示:A1={Xi},i=1,2,…,m1,其中i表示不同的工况,工况总数为m1个。
步骤S620:获取工况信息对应的第一数据集,第一数据集包括压气机的出口截面信息。
实施例中,可以利用CFD模型对初始抽样点进行仿真,生成第一数据集。可以把第一数据集命名为实施例中的数据集Bs,其中s表示抽样级数。具体地,可以将初始抽样点A1输入CFD模型,CFD模型的输出数据为数据集B1,数据集B1中包括压气机的出口截面信息。其中,压气机的出口截面信息可以包括:压缩部件出口截面的流量场仿真值W、压力场仿真值P和温度场仿真值T,l为压缩部件出口截面沿径向从轮毂到机匣的径向位置。将CFD模型的输出数据存储在数据集B1(容量为m1)。
步骤S630:基于第一数据集构建流场预测模型。
示例性的,流场预测模型f1可以用上述公式(5)表示。可以把数据集B1作为训练数据,采用神经网络建模方法,建立预测模型f1,获得流场预测模型输出的流场预测结果。其中流场预测结果可以包括压缩部件出口截面的流量场预测值压力场预测值/>温度场预测值/> l为压缩部件出口截面沿径向从轮毂到机匣的径向位置。
示例性的,神经网络建模方式可以包括以下步骤:
选择神经网络的架构,流场预测模型可以选用BP神经网络或者RBF神经网络。
进而,构建损失函数,在本实施例中,流场预测模型的损失函数可以通过上述公式(4)表示。
在一种可选的方式中,把数据集A1输入流场预测模型中,获得流场预测结果。流场预测结果与数据集B1进行比对,更新流场预测模型的权重,优化流场预测模型。
示例性的,流场预测模型的训练方式可以采用梯度下降法,通过梯度下降法,反向传播误差并更新流场预测模型的参数。从损失函数中计算出的梯度将用于调整模型的权重和偏置项,以减小损失函数。在流场预测模型训练过程中,梯度下降法会不断调整流场预测模型参数,使得流场预测模型的预测结果逐渐接近CFD仿真技术的结果。通过优化损失函数,流场预测模型可以学习到流场的特征和部件特性,从而输出准确的流场预测结果。
步骤S640:基于流场预测模型,获得压气机的待预测工况信息的预测结果。
实施例中,获得最终流场预测模型后,可以把压气机的待预测工况信息输入到流场预测模型中,获得流场预测结果。
本公开实施例中提供的一个或多个技术方案,通过获取压气机的工况信息,其中工况信息包括压气机的总流量和转速。获取工况信息对应的第一数据集,其中第一数据集包括压气机的出口截面信息。基于第一数据集构建流场预测模型,并基于流场预测模型,获得压气机的待预测工况信息的预测结果。本公开提供的发动机压缩部件流场预测方法通过构建反映流场细节与部件特性偏差的流场预测模型,从而强化流场各点之间的物理关联,保证流场宏观的表现与部件特性相符,提高流场预测结果准确性。另一方面,在构建流场预测模型的过程中,采用多级自适应抽样策略更新第一数据集,从而在提高流场预测模型准确性的同时,降低构建过程中的计算资源和时间成本。
基于上述实施例,在本公开提供的又一实施例中,流场预测模型包括损失模型,上述步骤S630具体可以包括以下步骤:
步骤S631:基于工况信息以及流场预测模型,获得第二数据集。其中,第二数据集包括工况信息对应的预测误差值。
示例性的,可以把第二数据集命名为实施例中的数据集Es,其中s表示抽样级数。
实施例中,可以根据上述公式(1)建立信息矩阵I,以使得信息矩阵行列式最大为寻优目标,确定新增验证点集C1。该步骤可以通过上述公式(6)表示。
在公式(6)中,寻找使信息矩阵的行列式达到最大的点作为新增验证点集C1。具体的,遗传算法的迭代过程将不断优化验证点集,使得信息矩阵行列式逐渐增大。在每次迭代中,计算每个个体的适应度,根据适应度进行选择、交叉和变异操作,生成新一代个体。随着迭代的进行,适应度值应该逐渐变好,同时信息矩阵行列式也逐渐增大。当达到预定的迭代次数或适应度不再显著变化时,遗传算法收敛,最终得到初始验证点集C1。
通过遗传算法优化初始验证点集,使信息矩阵行列式最大化,我们可以更好地指导验证点的选择,以提高流场预测模型的准确性和泛化能力。从而解决单级抽样方法中训练样本容量不确定性的问题,更有效地进行流场预测模型的建模。
进而,计算预测模型f1在A1∪C1上的预测误差,生成数据集E1。
示例性的,将数据集A1和C1作为输入数据,输入到上述公式(4)中,计算上述(m1+n1)种工况下的预测误差。预测误差可以表示为:E1={(Xi,LOSS(Xi))},i=1,2,...,(m1+n1)。
步骤S632:基于第二数据集构建损失模型。
实施例中,可以基于数据集Es建立损失模型es,并根据损失模型的输出结果更新损失模型权重。经过训练的损失模型可以应用于流场预测模型的输出结果。通过将预测结果经过损失模型修正,可以提高预测结果的准确性和稳定性,适应不同的误差分布情况和流场特征。
基于上述实施例,在本公开提供的又一实施例中,损失模型包括流场预测损失函数、流量特性预测损失函数、压升特性预测损失函数和温升特性预测损失函数。
实施例中,为了增强各采样点之间关联的反映以及流场整体信息的物理约束,损失模型可以通过上述公式(4)表示。其中,LOSSF:表示流场预测损失函数,用于衡量流场预测模型输出的预测结果与CFD仿真技术输出的流场结果之间的差距;LOSSM:表示流量特性预测损失函数,用于衡量流场预测模型预测的部件流量特性与CFD仿真技术输出的部件流量特性之间差距;LOSSP:表示压升特性预测损失函数,用于衡量流场预测模型预测的部件压升特性与CFD仿真技术的部件压升特性之间差距;LOSST:表示温升特性预测损失函数,用于衡量流场预测模型预测的部件温升特性与CFD仿真技术的部件温升特性之间差距。
由于损失模型由多个项组成,包括流场预测损失函数LOSSF、部件流量特性损失函数LOSSM、部件压升特性损失函数LOSSP和部件温升特性损失函数LOSST。因此,通过构建反映流场细节与部件特性偏差的损失模型,优化流场预测模型,使得流场预测模型在训练过程中强化流场各点之间的物理关联,保证流场宏观的表现与部件特性相符。
基于上述实施例,在本公开提供的又一实施例中,上述步骤S630还可以包括以下步骤:
步骤S633:设置迭代判据条件,迭代判据条件包括计算量达到第一预设阈值,和/或,预测误差满足第二预设阈值。
实施例中,迭代判据可以设置为①计算量达到第一预设阈值;②预测误差满足第二预设阈值。其中第一预设阈值和第二预设阈值可以根据实际情况确定。
在一种可选的方式中,在同时不满足①和②的情况下,需要继续迭代,使s=s+1。反之,则结束迭代。
在一种可选的方式中,在不满足①或②的情况下,需要继续迭代,使s=s+1。反之,则结束迭代。
由于预测误差是评估模型性能的重要指标之一,直接反映了模型的预测准确程度。因此,将预测误差作为迭代结束的判据可以使优化过程更直观和可理解。
计算量可以作为一种代理指标来评估遗传算法的收敛状态,将计算量作为迭代结束判据可以节约计算资源,加速算法的收敛过程。同时,利用计算量作为结束判据,可以增强算法的鲁棒性,使其对种群的分布更加敏感,有助于避免过早收敛。
基于上述实施例,在本公开提供的又一实施例中,上述步骤S630还可以包括以下步骤:
步骤S634:在不满足迭代判据条件的情况下,基于多级抽样新增的工况信息更新第一数据集。
实施例中,可以根据上述公式(3)建立信息矩阵I,以使得信息矩阵行列式最大为寻优目标,确定新增抽样点集Anew。该步骤可以通过上述公式(3)表示。
步骤S635:基于更新后第一数据集构建流场预测模型。
实施例中,满足迭代结束判据后,可以进行数据集合并。合并数据集As和Cs:A=As∪Cs,把数据集A作为流场预测模型的输入数据,获得流场预测结果。流场预测结果与数据集B进行比对,采用梯度下降法训练流场预测模型,更新流场预测模型的权重,获得最终的流场预测模型,流场预测模型的训练过程至此结束。
基于此,采用多级自适应抽样方式更新数据集As和Cs,获得每一级抽样数据集和验证数据集的仿真结果和流场预测结果,通过比对仿真结果和流场预测结果训练流场预测模型,更新流场预测模型的参数。通过不断迭代更新抽样数据集、验证数据集和流场预测模型,可以实现有效的自适应学习,逐渐提升模型的性能。这种方法允许模型根据实际仿真结果不断自我校正,适应复杂的流场特性,提高了模型的准确性和泛化能力,同时减少了对初始大规模训练数据的依赖,从而节省了计算资源和时间成本。
基于上述实施例,在本公开提供的又一实施例中,上述步骤S633具体可以包括:在不满足迭代判据条件的情况下,采用多级自适应抽样方式更新工况信息。
实施例中,采用多级自适应抽样方式更新工况信息可以包括:采用多级自适应抽样方式,设置一定的初始抽样策略,并在后续每一级抽样中自适应地扩充抽样数据集和验证数据集。新增抽样点将基于D最优设计原理和基于先验分布的最大信息熵采样原理自适应确定,通过最大化基于先验分布下具有新增抽样点集或验证点集的信息熵,使预测模型的后验信息熵最小化,即在给定的样本空间内,用最优化技术去寻找使信息矩阵的行列式达到最大的点作为新增抽样点或验证点。
通过采用自适应采样策略,一方面,在函数的线性区域设置少量采样点,从而降低采样点间的信息重叠度,减少计算量。在函数的非线性区域设置大量采样点,确保提取信息的完整度。另一方面,采样点均匀分散,确保采样点之间相关性较低,信息重叠度较低。
另一方面,传统单级抽样方式在生成建模所需抽样点时,往往需要预设一个较大的样本容量,以保证模型精度,导致计算资源浪费。多级自适应抽样方法通过以下方式解决了这一问题:
自适应性:多级自适应抽样方式采用初始抽样策略,然后在每一级抽样中动态地扩充抽样点集。这种自适应性使得建模过程可以根据实际情况调整抽样点的数量和位置,从而更精确地捕捉模型的特征和非线性区域。
信息熵最大化:新增抽样点或验证点的选择基于D最优设计和最大信息熵采样原理。通过最大化基于先验分布下新增抽样点集或验证点集的信息熵,方法确保每次新增抽样点或验证点能够提供更多关键信息,有助于优化模型的预测性能。
因此,多级自适应抽样方法通过自适应性、信息熵最大化、强非线性区域覆盖以及均匀分布等策略,优化了建模样本的选择过程,从而在保证模型精度的同时,避免了资源浪费,提高了预测模型的效率和准确性。
基于上述实施例,在本公开提供的又一实施例中,上述采用多级自适应抽样方式更新工况信息,可以包括以下步骤:
获取信息矩阵。
实施例中,对于第s>1级抽样,构造信息矩阵I,确定新增验证点集Cnew。针对拟新增的验证点集Cnew,构造数据点集Ks=[Cs,As,Cnew]。
信息矩阵可以通过上述公式(2)表示。
实施例中,对于第s级(s>1)抽样,构造信息矩阵I,确定新增抽样点集Anew。针对拟新增的抽样点集Anew,构造抽样点集Ls=[As,Anew]。
信息矩阵可以通过上述公式(3)表示。
基于最大信息熵原理,通过最大化信息矩阵,确定新增的工况信息。
实施例中,根据上述公式(3)建立信息矩阵I。基于最大信息熵原理,以使得信息矩阵行列式最大为寻优目标,确定新增的工况信息,新增的工况信息可以用抽样点集Anew表示。该步骤可以通过上述公式(7)表示。
实施例中,可以根据上述公式(2)建立信息矩阵I。以使得信息矩阵行列式最大为寻优目标,确定新增验证点集Cnew。该步骤可以通过上述公式(8)表示。
把新增的工况信息并入上一级的工况信息中,获得更新后的工况信息。
实施例中,更新后的工况信息可以表示为数据集As,将Anew补充到As-1中,得到新的数据集As:As=As-1∪Anew,其中新的数据集As的容量为:ms=ms-1+mnew。
实施例中,更新后的工况信息可以表示为数据集Cs,将Cnew补充到Cs-1中,得到新的数据集Cs:Cs=Cs-1∪Cnew,其中新的数据集Cs的容量为:ns=ns-1+nnew。
本公开实施例中提供的一个或多个技术方案,基于多级自适应抽样方式,通过多次新增抽样数据和验证数据训练流场预测模型。同时,构建考虑各抽样点之间关联的反映以及流场整体信息的物理约束的损失模型,并使用验证数据集训练损失模型。符合迭代判据条件后,合并数据集As和Cs:A=As∪Cs,把数据集A作为流场预测模型的输入数据,获得流场预测结果。合并数据集Bs和Ds:B=Bs∪Ds,流场预测结果与数据集B进行比对,采用梯度下降法训练流场预测模型,更新流场预测模型的权重,获得最终的流场预测模型。
其中,基于自适应采样策略多次抽样数据的优点在于改善流场预测模型的精度和准确性。通过增加新的抽样数据,可以扩大抽样数据集的覆盖范围,使模型能够更好地捕捉流场的细节和变化情况。这样可以提高流场预测模型的泛化能力,使其在未见过的数据点上也能表现出较好的预测效果。
同时,不仅可以使流场预测模型从更多样本中学习,提高其拟合能力和预测效果。还可以更好地训练损失模型,进一步减小流场预测模型的预测误差。
另一方面,由于损失模型由多个项组成,包括流场预测损失函数LOSSF、部件流量特性损失函数LOSSM、部件压升特性损失函数LOSSP和部件温升特性损失函数LOSST,充分考虑各采样点之间关联的反映以及流场整体信息的物理约束。因此,通过构建反映流场细节与部件特性偏差的损失模型,优化流场预测模型,使得流场预测模型在训练过程中强化流场各点之间的物理关联,保证流场宏观的表现与部件特性相符。
因此,本公开示例性实施例中提供的发动机压缩部件流场预测方法可以解决由于缺少对于各单点之间关联的反映以及流场整体信息的物理约束,导致流场预测结果准确性低,以及训练样本数量偏多,造成计算和时间资源浪费的问题。
上述主要从方法的角度对本公开实施例提供的方案进行了介绍。可以理解的是,为了实现上述功能,本公开示例性实施例的方法对应的装置包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本公开能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
本公开实施例可以根据上述方法示例对服务器进行功能单元的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本公开实施例中对模块的划分是示意性的,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。
在采用对应各个功能划分各个功能模块的情况下,本公开示例性实施例提供一种发动机压缩部件流场预测装置,该发动机压缩部件流场预测装置可以为服务器或应用于服务器的芯片。图7示出了根据本公开示例性实施例的发动机压缩部件流场预测装置的功能模块示意性框图。如图7所示,该发动机压缩部件流场预测装置700包括:
数据处理模块710,用于获取压气机的工况信息;所述工况信息包括所述压气机的总流量和转速;
所述数据处理模块710,还用于获取所述工况信息对应的第一数据集;所述第一数据集包括所述压气机的出口截面信息;
模型构建模块720,用于基于所述第一数据集构建流场预测模型;
流场预测模块730,用于基于所述流场预测模型,获得所述压气机的待预测工况信息的预测结果。
在本公开提供的又一实施例中,流场预测模型包括损失模型,所述模型构建模块720,还用于基于所述工况信息以及所述流场预测模型,获得第二数据集。所述第二数据集包括所述工况信息对应的预测误差值。基于所述第二数据集构建所述损失模型。
在本公开提供的又一实施例中,所述模型构建模块720,还用于损失模型包括流场预测损失函数、流量特性预测损失函数、压升特性预测损失函数和温升特性预测损失函数。
在本公开提供的又一实施例中,所述模型构建模块720,还用于设置迭代判据条件,所述迭代判据条件包括计算量达到第一预设阈值,和/或,预测误差满足第二预设阈值。
在本公开提供的又一实施例中,所述模型构建模块720,还用于在满足迭代判据条件的情况下,基于多级抽样新增的工况信息更新所述第一数据集;基于更新后第一数据集构建所述流场预测模型。
在本公开提供的又一实施例中,所述模型构建模块720,还用于在不满足迭代判据条件的情况下,采用多级自适应抽样方式更新所述工况信息。
在本公开提供的又一实施例中,所述模型构建模块720,还用于获取信息矩阵;基于最大信息熵原理,通过最大化所述信息矩阵,确定新增的工况信息;把所述新增的工况信息并入上一级的工况信息中,获得更新后的工况信息。
图8示出了根据本公开示例性实施例的芯片的示意性框图。如图8所示,该芯片800包括一个或两个以上(包括两个)处理器801和通信接口802。通信接口802可以支持服务器执行上述方法中的数据收发步骤,处理器801可以支持服务器执行上述方法中的数据处理步骤。
可选的,如图8所示,该芯片800还包括存储器803,存储器803可以包括只读存储器和随机存取存储器,并向处理器提供操作指令和数据。存储器的一部分还可以包括非易失性随机存取存储器(non-volatile random access memory,NVRAM)。
在一些实施方式中,如图8所示,处理器801通过调用存储器存储的操作指令(该操作指令可存储在操作系统中),执行相应的操作。处理器801控制终端设备中任一个的处理操作,处理器还可以称为中央处理单元(central processing unit,CPU)。存储器803可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器803的一部分还可以包括NVRAM。例如应用中存储器、通信接口以及存储器通过总线系统耦合在一起,其中总线系统除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图8中将各种总线都标为总线系统804。
上述本发明实施例揭示的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(digital signal processing,DSP)、ASIC、现成可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
本公开示例性实施例还提供一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器。所述存储器存储有能够被所述至少一个处理器执行的计算机程序,所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据本公开实施例的方法。
本公开示例性实施例还提供一种存储有计算机程序的非瞬时计算机可读存储介质,其中,所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。
本公开示例性实施例还提供一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。
参考图9,现将描述可以作为本公开的服务器或客户端的电子设备900的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,电子设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905,包括:输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向电子设备900输入信息的任何类型的设备,输入单元906可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元907可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许电子设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(PU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理。上文所描述的各个方法均可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
如本公开使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时,全部或部分地执行本公开实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、终端、用户设备或者其它可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,例如,软盘、硬盘、磁带;也可以是光介质,例如,数字视频光盘(digital video disc,DVD);还可以是半导体介质,例如,固态硬盘(solid state drive,SSD)。
尽管结合具体特征及其实施例对本公开进行了描述,显而易见的,在不脱离本公开的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本公开的示例性说明,且视为已覆盖本公开范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样,倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内,则本公开也意图包括这些改动和变型在内。
Claims (10)
1.一种发动机压缩部件流场预测方法,其特征在于,所述方法包括:
获取压气机的工况信息;所述工况信息包括所述压气机的总流量和转速;
获取所述工况信息对应的第一数据集;所述第一数据集包括所述压气机的出口截面信息;
基于所述第一数据集构建流场预测模型;
基于所述流场预测模型,获得所述压气机的待预测工况信息的预测结果。
2.根据权利要求1所述的方法,其特征在于,所述流场预测模型包括损失模型;
所述基于所述第一数据集构建流场预测模型,包括:
基于所述工况信息以及所述流场预测模型,获得第二数据集;所述第二数据集包括所述工况信息对应的预测误差值;
基于所述第二数据集构建所述损失模型。
3.根据权利要求2所述的方法,其特征在于,所述损失模型包括流场预测损失函数、流量特性预测损失函数、压升特性预测损失函数和温升特性预测损失函数。
4.根据权利要求2所述的方法,其特征在于,还包括:
设置迭代判据条件,所述迭代判据条件包括计算量达到第一预设阈值,和/或,预测误差满足第二预设阈值。
5.根据权利要求4所述的方法,其特征在于,还包括:
在不满足迭代判据条件的情况下,基于多级抽样新增的工况信息更新所述第一数据集;
基于更新后第一数据集构建所述流场预测模型。
6.根据权利要求4所述的方法,其特征在于,还包括:
在不满足迭代判据条件的情况下,采用多级自适应抽样方式更新所述工况信息。
7.根据权利要求6所述的方法,其特征在于,所述采用多级自适应抽样方式更新所述工况信息,包括:
获取信息矩阵;
基于最大信息熵原理,通过最大化所述信息矩阵,确定新增的工况信息;
把所述新增的工况信息并入上一级的工况信息中,获得更新后的工况信息。
8.一种发动机压缩部件流场预测装置,其特征在于,包括:
数据处理模块,用于获取压气机的工况信息;所述工况信息包括所述压气机的总流量和转速;
所述数据处理模块,还用于获取所述工况信息对应的第一数据集;所述第一数据集包括所述压气机的出口截面信息;
模型构建模块,用于基于所述第一数据集构建流场预测模型;
流场预测模块,用于基于所述流场预测模型,获得所述压气机的待预测工况信息的预测结果。
9.一种电子设备,其特征在于,包括:
处理器;以及,
存储程序的存储器;
其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
10.一种非瞬时计算机可读存储介质,其特征在于,所述非瞬时计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311288066.0A CN117313579B (zh) | 2023-10-07 | 2023-10-07 | 发动机压缩部件流场预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311288066.0A CN117313579B (zh) | 2023-10-07 | 2023-10-07 | 发动机压缩部件流场预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117313579A true CN117313579A (zh) | 2023-12-29 |
CN117313579B CN117313579B (zh) | 2024-04-05 |
Family
ID=89287995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311288066.0A Active CN117313579B (zh) | 2023-10-07 | 2023-10-07 | 发动机压缩部件流场预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117313579B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361211A (zh) * | 2021-04-15 | 2021-09-07 | 中国航发湖南动力机械研究所 | 计算涡轴发动机气动稳定性的方法及系统、设备、介质 |
CN113779722A (zh) * | 2021-09-08 | 2021-12-10 | 清华大学 | 一种压气机稳定性预测方法、装置和存储介质 |
CN114329826A (zh) * | 2021-12-22 | 2022-04-12 | 大连理工大学 | 一种基于生成式对抗网络的平面叶栅定常流动预测方法 |
CN115983137A (zh) * | 2023-01-31 | 2023-04-18 | 西安交通大学 | 基于相似性原理和深度学习的涡轮流场预测方法及相关装置 |
CN116384005A (zh) * | 2023-04-11 | 2023-07-04 | 北京航空航天大学 | 一种变形叶片气动性能的确定方法及装置和电子设备 |
CN116380166A (zh) * | 2023-04-04 | 2023-07-04 | 山推工程机械股份有限公司 | 一种设备异常监测方法、电子设备及存储介质 |
CN116399541A (zh) * | 2023-04-04 | 2023-07-07 | 西北工业大学 | 基于深度神经网络的叶栅风洞实验工况参数修正方法 |
-
2023
- 2023-10-07 CN CN202311288066.0A patent/CN117313579B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361211A (zh) * | 2021-04-15 | 2021-09-07 | 中国航发湖南动力机械研究所 | 计算涡轴发动机气动稳定性的方法及系统、设备、介质 |
CN113779722A (zh) * | 2021-09-08 | 2021-12-10 | 清华大学 | 一种压气机稳定性预测方法、装置和存储介质 |
CN114329826A (zh) * | 2021-12-22 | 2022-04-12 | 大连理工大学 | 一种基于生成式对抗网络的平面叶栅定常流动预测方法 |
CN115983137A (zh) * | 2023-01-31 | 2023-04-18 | 西安交通大学 | 基于相似性原理和深度学习的涡轮流场预测方法及相关装置 |
CN116380166A (zh) * | 2023-04-04 | 2023-07-04 | 山推工程机械股份有限公司 | 一种设备异常监测方法、电子设备及存储介质 |
CN116399541A (zh) * | 2023-04-04 | 2023-07-07 | 西北工业大学 | 基于深度神经网络的叶栅风洞实验工况参数修正方法 |
CN116384005A (zh) * | 2023-04-11 | 2023-07-04 | 北京航空航天大学 | 一种变形叶片气动性能的确定方法及装置和电子设备 |
Non-Patent Citations (3)
Title |
---|
JUN YANG ET AL.: "Fast prediction of compressor flow field in nuclear power system based on proper orthogonal decomposition and deep learning", 《ENERGY RESEARCH》, 6 April 2023 (2023-04-06), pages 1 - 8 * |
刘思蓉 等: "涡轮增压器压气机流场仿真分析", 《流体机械》, vol. 46, no. 3, 15 March 2018 (2018-03-15), pages 23 - 27 * |
庄昕伟 等: "级间引气对多级轴流压气机性能和流场影响的低速实验研究", 《推进技术》, vol. 43, no. 7, 15 July 2022 (2022-07-15), pages 146 - 153 * |
Also Published As
Publication number | Publication date |
---|---|
CN117313579B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11694109B2 (en) | Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure | |
CN113574325B (zh) | 通过选择控制设置来控制环境的方法和系统 | |
WO2022110640A1 (zh) | 一种模型优化方法、装置、计算机设备及存储介质 | |
CN111340221B (zh) | 神经网络结构的采样方法和装置 | |
Yu et al. | An iterative locally auto-weighted least squares method for microarray missing value estimation | |
CN113597582A (zh) | 使用因果模型调谐pid参数 | |
Kyriacou et al. | Efficient PCA-driven EAs and metamodel-assisted EAs, with applications in turbomachinery | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN114692552A (zh) | 一种三维芯片的布局方法、装置及终端设备 | |
US20230419109A1 (en) | Method of learning neural network, recording medium, and remaining life prediction system | |
CN117313579B (zh) | 发动机压缩部件流场预测方法、装置、设备及存储介质 | |
CN112580885A (zh) | 一种配件合格率的预测方法、装置、设备及存储介质 | |
JP2023510400A (ja) | 病原性モデルの適用およびそのトレーニング | |
Georgopoulou et al. | A multi-objective metamodel-assisted memetic algorithm with strength-based local refinement | |
CN113574552A (zh) | 适应性临床试验 | |
CN113719283B (zh) | 一种矿山凿岩装备作业工时预测方法及装置 | |
WO2021181605A1 (ja) | 機械学習モデル決定システム及び機械学習モデル決定方法 | |
JP6233432B2 (ja) | 混合モデルの選択方法及び装置 | |
CN107480768A (zh) | 贝叶斯网络结构自适应学习方法和装置、存储设备以及终端设备 | |
CN115836298A (zh) | 能量约束下量化的自动选择和滤波器移除优化 | |
CN113597305A (zh) | 使用因果模型制造生物药物 | |
CN118017503B (zh) | 一种用户用电负荷数据预测方法、系统、终端及存储介质 | |
US20230195842A1 (en) | Automated feature engineering for predictive modeling using deep reinforcement learning | |
Roche-Lima et al. | Pairwise rational kernels obtained by automaton operations | |
CN118134034A (zh) | 气井泡排制度优化方法、装置、介质和设备 |
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 |