CN117669295A - 一种用于低温光学链路热模型参数的自动修正方法 - Google Patents
一种用于低温光学链路热模型参数的自动修正方法 Download PDFInfo
- Publication number
- CN117669295A CN117669295A CN202311493722.0A CN202311493722A CN117669295A CN 117669295 A CN117669295 A CN 117669295A CN 202311493722 A CN202311493722 A CN 202311493722A CN 117669295 A CN117669295 A CN 117669295A
- Authority
- CN
- China
- Prior art keywords
- temperature
- optical link
- model
- low
- thermal
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012937 correction Methods 0.000 title claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000013461 design Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 11
- 238000005094 computer simulation Methods 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims abstract description 5
- 238000013401 experimental design Methods 0.000 claims abstract description 4
- 238000004088 simulation Methods 0.000 claims description 14
- 239000003795 chemical substances by application Substances 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000009529 body temperature measurement Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000002922 simulated annealing Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 claims description 2
- 230000001052 transient effect Effects 0.000 claims description 2
- 238000010438 heat treatment Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 abstract description 6
- 238000012546 transfer Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 239000003973 paint Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000017525 heat dissipation Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002076 thermal analysis method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/12—Geometric CAD characterised by design entry means specially adapted for CAD, e.g. graphical user interfaces [GUI] specially adapted for 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
- G06F2111/20—Configuration CAD, e.g. designing by assembling or positioning modules selected from libraries of predesigned modules
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Human Computer Interaction (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Architecture (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种用于低温光学链路热模型参数的自动修正方法，涉及空间热控技术领域，其技术要点包括以下步骤：S1、低温光学链路热仿真建模；S2、工作流搭建与试验设计迭代计算；S3、灵敏度分析与代理模型的训练；S4、温度测试与测量数据获取；S5、参数寻优并生成最终模型。本发明提出了一套完整的低温光学链路热模型参数修正方法，结合有限元仿真软件和优化软件，提高了修正效率和准确性。其中，通过用户友好的工作流界面和优化算法使修正过程更高效；通过灵敏度分析得到关键参数，指导后续热设计优化；通过丰富的代理模型代替繁琐的有限元计算，进一步提高效率。该方法可推广应用于其他热模型，实用性强。
Description
技术领域
本发明涉及空间热控技术领域，具体涉及一种用于低温光学链路热模型参数的自动修正方法。
背景技术
低温光学链路热分析计算贯穿于光机载荷热控设计的整个过程，即用有限元分析得到各关键部件的温度场，以保证光学系统的成像精度和热变形控制在一定范围内。现代热分析模型计算是基于有限元方法，即用计算机求解复杂工程和产品结构热力问题的一种近似数值分析方法。热模型修正是指利用地面试验数据或者飞行数据来调整模型，减小其误差，提高其精度，从而更精确地预示空间有效载荷的在轨性能。然而，伴随着航天器未来任务的发展，低温光学链路的结构布局越来越复杂，这使得热模型修正中所涉及的不确定因素众多，并且这些参数之间可能存在着互相的关联和耦合，传统的方法不仅工作量大，而且也不能满足对空间光机载荷的温控需求。
虽然目前有若干参数修正流程自动化工具，但未能广泛实现工程化应用，主要问题在于提出的工具结构较为松散，不同模块之间的连接不够明显，与仿真软件的接口不够强大，需要使用的热工程师具有一定的二次开发编程能力。因此，若能将仿真流程、代理模型、参数寻优集成在一个工作流中，让热设计工程师在一个界面中实现全部操作，并使每一步操作显化，有助于解决当前优化工具的工程化应用问题，并可以有效提高低温光学链路热模型修正的效率。
因此，提出了一种用于低温光学链路热模型参数的自动修正方法来合理利用优化软件提高热模型修正的效率和准确性。
发明内容
本发明的目的是为了解决上述问题，提供一种用于低温光学链路热模型参数的自动修正方法，提供一种新的修正方法，联合有限元仿真软件和优化软件，筛选灵敏参数，得到最优代理模型，实现自动参数寻优，从而得到最优仿真模型，解决当前热仿真模型修正困难，提高热模型修正效率和精确性，准确预示航天器尤其是其中低温光学链路的在轨和试验温度情况。
为了达到上述目的，本发明的技术方案如下：一种用于低温光学链路热模型参数的自动修正方法，包括以下步骤：
S1、低温光学链路热仿真建模；
S2、工作流搭建与试验设计迭代计算；
S3、灵敏度分析与代理模型训练；
S4、温度测试与测量数据获取；
S5、参数寻优并生成最终模型。
优选的，步骤S1中，所述低温光学链路热仿真建模，包括以下步骤：
S101、在仿真建模软件中对低温光学链路进行热仿真建模；
S102、利用有限元分析软件简化几何体并划分网格；
S103、进行温度场的求解分析，得到低温光学链路关键节点的温度场分布与温度波动。
优选的，步骤S2中，所述工作流搭建与试验设计迭代计算，包括以下步骤：
S201、输入参数识别：输入待修正参数并设置参数分布和取值区间；
S202、宏文件导入：在仿真软件中录制打开仿真文件路径和修改参数的步骤形成宏文件，在工作流中导入录制的宏文件，并将参数矩阵与宏文件之间的参数进行映射，修改并更新关键语句，修改形成新的宏文件；
S203、求解仿真模型：播放宏文件以打开有限元软件并自动修改其中的关键参数，在仿真软件中自动进行求解计算；
S204、关键节点温度结果导出：提取有重点控温需求的关键部件节点的温度计算结果，导出结果为.csv文件；该结果可以以稳态温度作为数据点提取，也可以以瞬态温度作为向量进行提取；并依据温度计算结果和在轨温度数据设定修正的目标函数公式；
S205、进行试验设计，确定试验设计方法，如拉丁超立方法、蒙特卡洛法、自适应试验设计方法等，设置迭代次数并进行迭代计算。
优选的，步骤S3中，所述灵敏度分析与代理模型训练，包括以下步骤：
S301、对迭代计算得到的结果进行灵敏度分析，将输入参数按照敏感性的高低分为敏感参数和不敏感参数，确定影响关键节点温度结果的关键因素，对输入参数进行降维；
S302、将迭代计算得到的数据集划分为训练集和验证集，利用训练集数据通过机器学习、插值法、响应面法等进行代理模型的训练，建立敏感参数与输出温度结果的映射关系；
S303、利用验证集进行代理模型精度的验证；若未达到预设精度，则返回S205，进一步增加试验设计迭代次数，在关键非线性位置对数据集进行适当加密，直至代理模型的预测精度达到预期。
优选的，步骤S4中，所述温度测试与测量数据获取，包括以下步骤：
S401、搭建低温光学链路温度测试平台；
S402、在与仿真模型一致的位置粘贴测温点；
S403、进行实验测试，获取关键节点的温度测量数据。
优选的，步骤S5中，参数寻优并生成最终模型，包括以下步骤：
S501、使用寻优算法对参数进行修正，所述寻优算法包括但不限于：非线性二次规划、梯度算法、模拟退火、自适应进化算法等；
S502、选择一组新的灵敏参数矩阵；
S503、将新的参数矩阵代入最优代理模型，代替工作流进行计算，得到预测温度数据；
S504、比较温度测量数据与预测温度数据之间的偏差；
S505、若偏差不符合要求，重新选择参数矩阵进行迭代计算，直至符合预测精度要求，导出最终参数组合，并代入有限元模型，生成低温光学链路热仿真模型。
优选的，本发明还提供了一种低温光学链路物理模型，包括：底板，所述底板顶端设有冷箱，所述冷箱内部设有镜架，所述镜架中部设有镜子，所述冷箱顶端连接有热管，所述热管包括热管热端与热管冷端，所述热管热端与冷箱顶连接，所述热管冷端连接有散热板，所述低温光学链路物理模型用于上述低温光学链路热模型参数的自动修正方法
与现有技术相比，本发明的有益效果：
本发明结合了有限元仿真软件与优化软件，形成了一整套完整的低温光学链路热模型参数修正的方法，用户友好的工作流界面能够有效提高修正效率和准确性；通过灵敏度分析可以得到关键热模型参数，为后续热设计优化和修正都指明了方向；软件自带的代理模型代替了繁琐耗时的有限元计算，同样提高了修正效率；自由选择的优化算法能够自动循环迭代寻找更加有效的参数矩阵，不断逼近真实结果，比工程师凭经验试凑的方法提高了效率的量级。
具有一定专业知识的同行应知，本发明提出的上述思想和步骤运用在其他类似的热模型上是类似的，能够推广应用于航天器其他部件，通过该方法，能够有效降低时间成本，节省人力，减少对工作经验的依赖性，提高热模型修正的效率和热模型的精确性。因此在此框架上进行的细节改进也在保护范围内。
附图说明
图1是本发明实施例中低温光学链路仿真参数的自动修正方法流程图；
图2是本发明实施例中低温光学链路案例的物理模型图；
图3是本发明实施例中工作流示意图；
图4是本发明实施例中修正效果图。
图中：1、散热板；2、热管冷端；3、热管；4、热管热端；5、镜子；6、冷箱；7、底板；8、镜架。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明的实施例及附图，对本发明的技术方案进行进一步详细地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将结合实施例来详细说明本发明。
实施例：
如图1和图2，图1为本发明实施例所提供的一种用于低温光学链路热模型参数的自动修正方法流程图，图2为本实施例所提供的一个低温光学链路案例的物理模型图。该修正方法的流程包括：
(1)热仿真建模
使用建模与有限元求解软件(在本实施例中使用有限元热分析软件UG TMG)对低温光学链路案例进行建模，理想化几何体并划分网格，设置各部件的热物性如导热系数、密度、热容等，将散热面设定为定温边界条件，为-40℃，将底板7设定温边界条件为20℃。测温点分别设置在热管3冷端2、热管3热端4、镜子5和冷箱6上表面。最终求解温度场，保存建模文件(.prt文件)、理想化部文件(i.prt文件)、网格文件(.fem文件)和求解文件(.sim文件)。
(2)搭建工作流并试验设计迭代计算
如图3所示，使用优化软件(以Optimus为例)。首先识别待修正参数，具体为步骤(1)中的热物性参数，并设置参数均匀分布和各自的取值区间，输入到输入参数文件中。建模完成后重新打开网格文件和求解文件，从这一步开始逐个修改热物性参数(在本实施例中为底板7、镜架8、冷箱6内表面的黑漆的发射率ε和吸收率α；热管3热端4与冷箱6间的传热系数k1；热管3冷端2与散热面的传热系数k2；底板7与冷箱6的传热系数k3；底板7与镜架8的传热系数k4；镜架8与镜子5的传热系数k5；热管3冷端2与热端4的热阻r1)，除了黑漆的发射率ε和吸收率α是在网格文件中修改以外，其他参数均在求解文件中修改。修改完成后求解计算温度场，得到热管3冷端2温度、热管3热端4温度、镜子5温度、冷箱6上表面温度。整个过程利用有限元软件(UG TMG)自带的宏录制功能录制生成操作记录，同理，使用二次开发编写操作记录也在保护范围内。
在工作流中输入录制的宏文件，将输入参数与宏文件之间进行参数映射，修改更新宏文件。编写操作文件，包括start命令和-key命令，分别实现打开有限元分析软件和播放宏文件运行求解仿真文件。将计算结果导复制到存储层，防止每次计算后结果覆盖，结果以.csv后缀命名，得到输出参数。目标函数为各测点计算温度与在轨虚拟温度之差求和，再取平方根。同理，使用其他优化软件生成的类似功能的工作流也在保护范围内。
试验设计与迭代计算，本实施例中设计了500次拉丁超立方法试验设计。迭代工作流计算若干个参数组合矩阵下的温度结果，直至达到最大迭代次数。
(3)灵敏度分析与代理模型训练
在优化软件(以Optimus为例)中进行灵敏度分析，得到对温度结果影响较大的热物性参数。以本实施例为例，黑漆的发射率ε和吸收率α对温度结果影响很小，因此在后续代理模型训练和寻优过程中删去。在优化软件界面新建近似模型，以500次实验数据训练深度神经网络模型，通过MSE(预测值与仿真值的均方误差)系数判断代理模型的预测结果准确性，得到最优代理模型。
(4)实验测试
搭建低温光学链路的实验测试，测得与仿真软件中导出的节点温度结果一致的关键节点温度结果。在本实施例中，以一个虚拟实验为例，得到在轨温度，分别为：热管3冷端2(-22℃)、热管3热端4(-19.8℃)、镜子5温度(9.8℃)、冷箱6上表面温度(-2.5℃)。
(5)参数寻优
利用得到的最优代理模型代替有限元模型，使用优化软件(以Optimus为例)中的优化算法(如广义简约梯度算法、差分进化算法、自适应进化算法、模拟退火算法、自调整搜索空间算法等，本实施例中选择了以模拟退火算法为例)对灵敏参数以最小化目标函数为方向进行定向寻优，代入到最优代理模型中求解计算。将上述计算结果与实验测得的结果进行对比，迭代计算得到最优参数组合和最优有限元仿真模型。
如图4所示，在本实施例中，经过217次寻优迭代，确定当热管3热端4与冷箱6上表面间的传热系数k1＝317W/m2/K；热管3冷端2与散热面1的传热系数k2＝98W/m2/K；底板7与冷箱6的传热系数k3＝344W/m2/K；底板7与镜架8的传热系数k4＝101W/m2/K；镜架8与镜片5的传热系数k5＝2510W/m2/K；热管3冷端2与热端4的热阻r1＝0.02℃/W时与在轨虚拟温度吻合最好。修正效果如图4所示，与修正前2.5K左右的温度误差相比，修正后将温度预测误差控制在了0.1K的量级，明显提高了温度预测的精确度。除准确性的提高外，另外由于流程的简化，本实施例共计使用了9.8小时，主要花费时间在500次有限元计算上，后续训练代理模型和寻优过程的计算仅需3秒。与依赖经验试凑的方法动辄需要十几天的成本相比，明显提高了热模型修正的效率。
以上具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (7)
1.一种用于低温光学链路热模型参数的自动修正方法，其特征在于，包括以下步骤：
S1、低温光学链路热仿真建模；
S2、工作流搭建与试验设计迭代计算；
S3、灵敏度分析与代理模型训练；
S4、温度测试与测量数据获取；
S5、参数寻优并生成最终模型。
2.根据权利要求1所述的一种用于低温光学链路热模型参数的自动修正方法，其特征在于：步骤S1中，所述低温光学链路热仿真建模，包括以下步骤：
S101、在仿真建模软件中对低温光学链路进行热仿真建模；
S102、利用有限元分析软件简化几何体并划分网格；
S103、进行温度场的求解分析，得到低温光学链路关键节点的温度场分布与温度波动。
3.根据权利要求1所述的一种用于低温光学链路热模型参数的自动修正方法，其特征在于：步骤S2中，所述工作流搭建与试验设计迭代计算，包括以下步骤：
S201、输入参数识别：输入待修正参数并设置参数分布和取值区间；
S202、宏文件导入：在仿真软件中录制打开仿真文件路径和修改参数的步骤形成宏文件，在工作流中导入录制的宏文件，并将参数矩阵与宏文件之间的参数进行映射，修改并更新关键语句，修改形成新的宏文件；
S203、求解仿真模型：播放宏文件以打开有限元软件并自动修改其中的关键参数，在仿真软件中自动进行求解计算；
S204、关键节点温度结果导出：提取有重点控温需求的关键部件节点的温度计算结果，导出结果为.csv文件；该结果可以以稳态温度作为数据点提取，也可以以瞬态温度作为向量进行提取；并依据温度计算结果和在轨温度数据设定修正的目标函数公式；
S205、进行试验设计，确定试验设计方法，如拉丁超立方法、蒙特卡洛法、自适应试验设计方法等，设置迭代次数并进行迭代计算。
4.根据权利要求3所述的一种用于低温光学链路热模型参数的自动修正方法，其特征在于：步骤S3中，所述灵敏度分析与代理模型训练，包括以下步骤：
S301、对迭代计算得到的结果进行灵敏度分析，将输入参数按照敏感性的高低分为敏感参数和不敏感参数，确定影响关键节点温度结果的关键因素，对输入参数进行降维；
S302、将迭代计算得到的数据集划分为训练集和验证集，利用训练集数据通过机器学习、插值法、响应面法等进行代理模型的训练，建立敏感参数与输出温度结果的映射关系；
S303、利用验证集进行代理模型精度的验证；若未达到预设精度，则返回S205，进一步增加试验设计迭代次数，在关键非线性位置对数据集进行适当加密，直至代理模型的预测精度达到预期。
5.根据权利要求1所述的一种用于低温光学链路热模型参数的自动修正方法，其特征在于：步骤S4中，所述温度测试与测量数据获取，包括以下步骤：
S401、搭建低温光学链路温度测试平台；
S402、在与仿真模型一致的位置粘贴测温点；
S403、进行实验测试，获取关键节点的温度测量数据。
6.根据权利要求1所述的一种用于低温光学链路热模型参数的自动修正方法，其特征在于：步骤S5中，参数寻优并生成最终模型，包括以下步骤：
S501、使用寻优算法对参数进行修正，所述寻优算法包括但不限于：非线性二次规划、梯度算法、模拟退火、自适应进化算法等；
S502、选择一组新的灵敏参数矩阵；
S503、将新的参数矩阵代入最优代理模型，代替工作流进行计算，得到预测温度数据；
S504、比较温度测量数据与预测温度数据之间的偏差；
S505、若偏差不符合要求，重新选择参数矩阵进行迭代计算，直至符合预测精度要求，导出最终参数组合，并代入有限元模型，生成低温光学链路热仿真模型。
7.一种低温光学链路物理模型，其特征在于，包括：底板(7)，所述底板(7)顶端设有冷箱(6)，所述冷箱(6)内部设有镜架(8)，所述镜架(8)中部设有镜子(5)，所述冷箱(6)顶端连接有热管(3)，所述热管(3)包括热管(3)热端与热管(3)冷端(2)，所述热管(3)热端与冷箱(6)顶连接，所述热管(3)冷端(2)连接有散热板(1)，所述低温光学链路物理模型用于权利要求1至6任一项所述的用于低温光学链路热模型参数的自动修正方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311493722.0A CN117669295B (zh) | 2023-11-10 | 2023-11-10 | 一种用于低温光学链路热模型参数的自动修正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311493722.0A CN117669295B (zh) | 2023-11-10 | 2023-11-10 | 一种用于低温光学链路热模型参数的自动修正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117669295A true CN117669295A (zh) | 2024-03-08 |
| CN117669295B CN117669295B (zh) | 2024-05-14 |
Family
ID=90072349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311493722.0A Active CN117669295B (zh) | 2023-11-10 | 2023-11-10 | 一种用于低温光学链路热模型参数的自动修正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117669295B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120016639A1 (en) * | 2009-03-20 | 2012-01-19 | Xidian University | Optimization design method for the chassis structure of an electronic device based on mechanical, electrical and thermal three-field coupling |
| CN107796595A (zh) * | 2017-09-22 | 2018-03-13 | 上海卫星工程研究所 | 低温光学系统能量集中度测试系统及方法 |
| CN110555231A (zh) * | 2019-07-17 | 2019-12-10 | 长沙增逸信息科技有限公司 | 一种动力学仿真模型修正方法 |
| CN110852016A (zh) * | 2019-12-04 | 2020-02-28 | 中国直升机设计研究所 | 一种可靠性仿真试验模型修正方法 |
-
2023
- 2023-11-10 CN CN202311493722.0A patent/CN117669295B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120016639A1 (en) * | 2009-03-20 | 2012-01-19 | Xidian University | Optimization design method for the chassis structure of an electronic device based on mechanical, electrical and thermal three-field coupling |
| CN107796595A (zh) * | 2017-09-22 | 2018-03-13 | 上海卫星工程研究所 | 低温光学系统能量集中度测试系统及方法 |
| CN110555231A (zh) * | 2019-07-17 | 2019-12-10 | 长沙增逸信息科技有限公司 | 一种动力学仿真模型修正方法 |
| CN110852016A (zh) * | 2019-12-04 | 2020-02-28 | 中国直升机设计研究所 | 一种可靠性仿真试验模型修正方法 |
Non-Patent Citations (1)
| Title |
|---|
| 叶绪康;李郝林;: "基于灵敏度分析的主轴热特性有限元模型修正", 电子科技, no. 09, 15 September 2016 (2016-09-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117669295B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | A sequential surrogate method for reliability analysis based on radial basis function | |
| Chen et al. | Level set based robust shape and topology optimization under random field uncertainties | |
| Bălan et al. | Parameter identification and model based predictive control of temperature inside a house | |
| Biancolini et al. | Static aeroelastic analysis of an aircraft wind-tunnel model by means of modal RBF mesh updating | |
| CN102043877B (zh) | 用于预测淬火期间的传热系数的系统和方法 | |
| Yi et al. | Site-specific optimal energy form generation based on hierarchical geometry relation | |
| JP2008521138A (ja) | 制御システムの解析のための方法 | |
| Gao et al. | Modeling and error compensation of robotic articulated arm coordinate measuring machines using BP neural network | |
| CN112580855A (zh) | 基于自适应变异pso-bp神经网络的电缆群稳态温升预测方法 | |
| CN107092724A (zh) | 一种考虑不确定性的热防护系统模型修正方法 | |
| CN117669295B (zh) | 一种用于低温光学链路热模型参数的自动修正方法 | |
| Cao et al. | Reducio: Model reduction for data center predictive digital twins via physics-guided machine learning | |
| CN116956414A (zh) | 基于室内外温差的超静定空间结构温度作用确定方法 | |
| CN104951626A (zh) | 一种基于ansys-apdl语言开发的复杂热环境下球形光学头罩瞬态热-结构耦合分析方法 | |
| Qiao et al. | Location optimization model of a greenhouse sensor based on multisource data fusion | |
| CN114491730B (zh) | 一种高速铁路路基结构动力安定分析迭代方法及装置 | |
| CN106874561A (zh) | 基于牛顿迭代的多学科不确定性传播分析方法 | |
| Naumann et al. | Correction algorithms and high-dimensional characteristic diagrams | |
| Gkimisis et al. | Adjacency‐based, non‐intrusive reduced‐order modeling for fluid‐structure interactions | |
| Plessis et al. | Using design of experiments methods to develop low energy building model under modelica | |
| Fitzpatrick et al. | A computational framework for the study of the diurnal thermo-mechanical behavior of the Giant Magellan Telescope | |
| Sun et al. | Study on Fluid‐Structure Interaction of Flexible Membrane Structures in Wind‐Induced Vibration | |
| Du et al. | Studies on acceleration algorithms for numerical simulations of hypersonic conjugate heat transfer problems | |
| Wang et al. | Optimization strategy of active thermal control based on Kriging metamodel and many-objective evolutionary algorithm for spaceborne optical remote sensors | |
| Ionesi et al. | On-line parameter estimation of reduced-order models for buildings energy dynamics using the modulating function method |
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 |