基于多保真深度神经网络的船型优化

[目的]为了提高优化效率并获得更好的优化结果,将不同精度数据进行有机融合,利用多保真深度神经网络开展船型优化设计。[方法]基于多源数据融合和迁移学习思想,构建了一种多保真深度神经网络。通过将大量低保真数据与少量高保真数据融合学习,构建与高保真数据之间的线性项和非线性项,得到高保真近似模型。基于此方法开展针对DTMB 5415船静水阻力的优化设计。分别采用势流和黏流样本点阻力进行评估,势流计算结果作为低保真数据,黏流计算结果作为高保真数据,构建多保真深度神经网络近似模型。借助遗传算法获得优化解并与只使用单一高保真数据构建的Kriging近似模型的优化结果进行对比。[结果]基于多保真神经网络方法,DTMB 5415阻力减少了6.73%。基于Kriging模型,DTMB 5415阻力减少了5.59%。[结论]多保真深度神经网络近似模型可以兼顾效率和精度,可以用于优化求解,且由其得到的优化船型阻力优化效果更为显著。

自适应多保真数据融合的神经网络模型

数据驱动的深度学习建模在力学、材料等不同学科中得到了较多应用。深度学习建模的精度依赖大量高保真数据。在实际应用中,高保真数据往往是少量且昂贵的,而低保真数据却是成本低廉且数量较多的。当高保真数据量过少时,深度学习建模精度较低。近期发展的多保真深度神经网络,通过融合不同保真度的数据,在高保真数据较少时,依然保持了较高的建模精度。然而,已有的多保真深度神经网络模型的精度较为依赖针对模型参数的正则化调节。当添加的正则化过强时,网络对非线性关联式的拟合能力不足;当添加的正则化强度不够时,在学习多保真数据间的线性关联关系时又会出现过拟合现象。两者都会严重影响模型的预测精度。在缺乏高保真验证数据集时,较难得到最优的正则化系数。为此,通过改进已有多保真网络模型的损失函数,引入一个与线性关联式相关的参数,提出了自适应多保真数据融合的神经网络模型。该模型能根据给定数据自适应地拟合不同保真度数据间的线性或非线性关系,对正则化依赖较小,从而提高了建模的鲁棒性。在多个标准测试案例及实际应用的翼型气动参数的预测中,该模型均能表现出较高的精度和稳定性。