无参数自适应罚函数的高效代理模型优化设计方法

在飞行器气动外形优化设计中,复杂约束条件导致设计空间可行域呈现不连续的特征,且理想解大多靠近约束边界,传统高效代理模型方法难以适用。研究了参考点对优化设计的影响,提出了一种考虑约束的参考点选择机制;对于最优解靠近边界的问题,罚函数法更加有效,但惩罚因子的设置对于罚函数方法影响很大,不合适的惩罚因子反而会损害优化效率,分析了优化过程中罚函数方法对惩罚因子的要求,提出了一种无参数自适应罚函数的代理模优化设计方法,引入基于样本分析的惩罚项,结合归一化目标值和约束值,在优化过程中动态调整惩罚因子,使优化能够尽可能地聚焦于可行域内,迅速收敛到最优解,实现样本的高效配置。通过带约束的函数算例和翼型优化算例证实,所提方法可以大幅提高飞行器气动外形优化设计效率。

基于代理模型估值不确定度的昂贵多目标优化问题研究

针对代理模型辅助的多目标优化算法中个体不确定度之间相互冲突的问题,本文提出个体每个目标估值不确定的填充准则,同时,为了减少训练模型消耗的计算资源,提出基于非支配排序的样本选择算法。为了验证该算法的可行性,采用DTLZ和WFG测试函数进行测试,得出结果与近些年发表5种具有代表性的同类型算法进行对比,结果说明该算法可以有效的解决昂贵高维高目标优化问题。

基于多项式代理模型的车顶绝缘子背风侧沿面压力优化研究

高速气流下,车顶绝缘子背风侧出现低气压会使得闪络电压降低,影响列车安全运行,为了改善车顶绝缘子背风侧的低气压现象,使用代理模型对车顶绝缘子结构参数进行优化。在车顶绝缘子结构参数上选取了伞裙上、下倾角以及伞裙间距作为因子,以绝缘子背风侧沿面压力的最小值作为响应,采用全因子试验设计方法获取样本数据,并对因子的主效应和交互效应进行分析,在此基础上建立多项式代理模型,进一步得到最佳的结构参数,最后进行闪络试验验证其有效性。结果表明:伞裙上、下倾角的主效应与伞裙间距相比更加显著,各因子之间没有显著的交互效应;最佳参数:伞裙上、下倾角分别为8°和0°,伞裙间距为45mm,背风侧沿面压力最小值提高了25.62%,同时压力平均值提高了42.47%;在100m/s的风速条件下,车顶绝缘子的闪络电压提高了16.80%。研究结果可以为车顶绝缘子结构设计提供参考。

基于GA-BPNN代理模型的混合式黏滞阻尼器构造优化

采取CFD(computational fluid dynamics)数值模拟和基于代理模型的优化方法,研究混合式黏滞阻尼器在多参数设计空间内的构造参数优化问题。首先,分析黏滞阻尼器参数对力学性能的影响规律,基于正交试验理论选取间隙宽度、缸体内径、活塞厚度、阻尼孔直径为关键参数,利用优化拉丁超立方设计和CFD数值模拟获得初始样本点耗能性能指标;然后,使用遗传算法(genetic algorithm,GA)和反向传播神经网络(backpropagation neural network,BPNN)的方法构建代理模型,其能够准确反映构造参数耗能性能指标和构造参数之间的繁复关系。进一步地,循环更新GA-BPNN代理模型并结合非支配排序遗传算法(non-dominated sorting genetic algorithm-II,NSGA-II),以最佳耗能能力为目标,实现在全设计空间内的寻优,确定在典型阻尼介质黏度下双出杆混合式黏滞阻尼器的最优构造参数。最后,探讨了构造参数对黏滞阻尼器流动性能的影响机理。研究结果表明,优化双出杆混合式黏滞阻尼器构造参数在选用基于GA-BPNN代理模型的优化方法时,可有效提高计算效率且具有较高预测精度。从性能指标提升角度,全黏度下最优构造参数阻尼孔直径、活塞厚度、缸体内径和间隙宽度分别为1.31 mm、120.78 mm、199.87 mm、0.5 mm,相较于基准构造,最大阻尼力和能量耗材比分别提升33.8%和64.8%。该方法可为黏滞阻尼器构造参数优化及相关研究提供参考。

基于分数阶黏弹性缓冲系统的代理模型可视化研究

分数阶黏弹性缓冲系统模型可以准确描述黏弹性材料的力学性质,被广泛应用于工程车辆的减振控制中。但由于模型本身的复杂度使得在求解及优化过程中消耗大量的时间和计算成本,而代理模型很好地解决这一问题。通过引入图形用户界面(GUI)技术,开发出一种用户友好的复杂分数阶代理模型可视化实验系统,该系统主要包含实验设计模块、代理模型模块和误差分析模块3大模块。使用时根据需求选择不同的分数阶及代理模型,输入变量取值范围信息,即可得到代理模型拟合效果图以及误差,然后对比分析不同代理模型的误差结果,选择拟合效果最好的代理模型。以Maxwell分数阶模型为例,在同等变量选择范围下分析4种代理模型获得的代理效果。结果表明:当施加外力在0~100 N,系统固有频率在0~100 Hz的条件下,决定系数为0.989 7,均方根误差为0.146的混合自适应代理模型为拟合效果最好的代理模型。此系统的开发为代理模型在分数阶黏弹性缓冲系统的计算及优化研究中提供一定的应用价值,解决了复杂分数阶求解计算成本大的问题。

基于混合加点Kriging代理模型的高速列车头型气动多目标优化

在高速列车多目标气动优化设计中,结合传统加点准则建立的代理模型在初始抽样样本点较少时寻优效率较低.为提高优化效率,本文融合改善期望加点准则(EIC)及Pareto前沿解加点准则(PIC),提出混合加点准则(HIC)方法,并基于HIC方法建立Kriging代理模型,以高速列车头车气动阻力、尾车气动阻力及尾车气动升力最小为优化目标,开展高速列车头型多目标气动优化研究;并以Branin单目标测试函数和Poloni多目标测试函数为例,对比分析EIC、PIC和HIC 3种代理模型的收敛速度.结果表明:单目标优化中,相比于EIC和HIC代理模型,HIC代理模型的寻优效率提高50.0%;多目标优化中,与PIC代理模型相比,HIC代理模型的效率提高62.5%;采用HIC代理模型开展头型多目标气动优化得到的最优解模型与原始模型相比,高速列车头车气动阻力、尾车气动阻力和尾车气动升力分别降低1.6%、1.7%和3.0%;最优解模型的鼻尖高度、车钩区域高度及司机室视窗高度都有所降低,2条横向轮廓线内缩.

考虑参数空间变异性和基于高效代理模型的边坡可靠度分析

在考虑参数空间变异性情况下评估小失效概率的边坡可靠度,传统可靠度分析方法往往存在耗时冗长或难以求解等问题。为此,提出了一种基于分段逆回归的主动学习多元自适应回归样条法与子集模拟结合的边坡可靠度分析方法,并探讨了分段逆回归方法对代理模型响应值的影响。首先,利用Karhunen-Loève展开法离散抗剪强度参数随机场,通过强度折减法计算得到一定数量的训练样本用于构建初始代理模型。接着,采用主动学习函数选取一定量最优样本点更新代理模型,使用最终的代理模型与子集模拟耦合进行边坡可靠度分析。最后,以两个典型的边坡算例,验证所提方法的有效性。结果表明:在考虑参数空间变异性情况下,所提方法可以采用更少的训练样本进行小失效概率边坡可靠度分析,不仅可得到比较精确的结果,而且避免出现内存溢出情况。

基于代理模型和NSGA-Ⅱ的超高强钢电阻点焊工艺参数多目标优化

为寻求超高强钢电阻点焊时最佳的焊接工艺参数,开展正交试验法设计三因素五水平的平板搭接点焊试验,以焊接时间、焊接电流和电极压力为可调的工艺参数,将熔核直径、压痕深度、拉剪强度及飞溅情况作为焊接接头质量评价指标.基于高斯过程回归和BP神经网络建立起焊接工艺参数与焊接接头质量评价指标之间关系的代理模型,训练的结果显示模型精度很高.最后利用带精英策略的非支配排序的遗传算法NSGA-Ⅱ实现多目标优化,得到各评价指标之间的最优pareto解集.经验证,各评价模型的相对误差值都很小.结果表明,该优化方法有较好的预测效果和稳定性.通过使用较少的试验数据,建立优化模型的方法对电阻点焊及其它焊接领域最佳焊接工艺参数的选取具有重要的指导价值.

代理模型辅助的复杂网络能控性鲁棒性优化方法

近年来,复杂网络的鲁棒性优化问题引起人们广泛关注.复杂网络暴露在外会受到各种各样的攻击,因此如何设计抗击能力较好的网络结构成为了研究热点.虽然现有的方法在小规模复杂网络的鲁棒性方面已经取得了显著成果,但大规模复杂网络的能控性鲁棒性优化的计算成本非常大.而代理模型可以以较低的计算成本来代替优化过程中对复杂网络能控性鲁棒性的评估,但一个代理模型不可能适用于评估所有类型的复杂网络能控性鲁棒性.文中将Dempster-Shafer理论应用于代理模型选择及其混合,并把选择出的代理模型用来辅助进化算法搜索能控性鲁棒性更优的网络结构.此方法在SF、ER、SW、RR、RT和QS 6种合成网络上的实验结果表明:在不同类型的复杂网络中选择合适的代理模型能更好的辅助进化算法找到能控性鲁棒性更优的网络结构.

基于代理模型的电力电缆温度场快速计算方法及其应用

电缆内部温度是电缆管理的重要参数,针对高精度数值计算和实验测量均不能快速准确预测电缆内部温度的问题,提出一种基于多物理场仿真数据构建代理模型,并基于代理模型实现电缆内部温度场快速计算的方法。以110 kV单芯高压电缆为例,首先对比拉丁超立方设计和最大最小思想优化的拉丁超立方方法构造样本空间的效果,选取最优采样方案,再通过径向基神经网络构建代理模型,以环境温度和载流量为变量构建温度数据集进行测试,进一步通过粒子群算法对代理模型进行优化,最后利用网格节点数据使温度场分布可视化。对比110 kV单芯高压电缆内部温度场计算结果,表明所提的基于代理模型的电力电缆温度场快速计算方法具有较高的精度和效率。

基于代理模型的环氧乙烷制乙二醇工艺优化同步热集成

在当前国家“双碳”目标下,通过优化过程参数以减少化工过程能耗是节能减排的有效手段。环氧乙烷催化水合制乙二醇过程耗能高,优化其工艺参数以降低能耗是非常必要的,但由于生产流程复杂,单纯基于流程模拟很难实现多参数的同步最优化。因此本文采用流程模拟生成数据-构建代理模型-同步优化热集成的思路解决该问题。对年产30万吨环氧乙烷制乙二醇工艺进行流程模拟,根据流程中所需公用工程位点确定代理模型输出变量,通过灵敏度分析进一步确定输入变量。由Sobol随机序列生成样本点并通过模拟得到基于机理模型的可靠数据,以数据驱动方式训练神经网络得到代理模型。最后,以总公用工程费用最小为目标,采用遗传算法与D-G模型组成的同步算法对代理模型进行优化,得到最优工艺参数,总公用工程费用较优化前降低4.89%,既证明了方法的有效性,又展示了其在解决复杂全流程同步优化热集成问题方面的应用前景。

基于子模型分解的船舶舱段结构代理模型协同优化方法

[目的]为解决船舶舱段结构优化设计参数众多、计算耗时的难题,提出一种基于子模型分解的舱段结构代理模型协同优化方法。[方法]每次选择一个板架,根据当前舱段方案的有限元模型建立板架结构子模型,基于子模型构建板架结构响应的代理模型并进行优化,得到板架优化解后更新舱段模型,再进行下一个板架的优化,如此迭代,直到完成一轮或多轮包含所有板架的协同优化后停止。最后对舱段结构尺寸进行小范围调整,得到最终优化解。[结果]某船舶舱段结构优化结果显示,与从整体优化角度出发的基于降维代理模型的舱段结构优化方法相比,在相当计算成本下,所提方法的优化结果重量进一步减小了2.86%,最终实现结构减重4.96%。[结论]所提方法的优化效果较好,在高维船体结构优化问题上具有较好的应用价值。

基于双输入输出卷积神经网络代理模型的油藏自动历史拟合研究

传统油藏自动历史拟合方法需进行多次计算耗时的油藏数值模拟,而深度学习代理模型可以实现高效且精度近似的油藏数值模拟替代计算。在基于深度学习代理模型的油藏自动历史拟合方法中,通常将采用油藏自动历史拟合方法进行调整的油藏不确定性参数作为深度学习代理模型的输入参数。现有的深度学习代理模型常为单一输入输出的神经网络模型架构,并未考虑油藏自动历史拟合方法需要对多个油藏不确定性参数进行调整,且需要训练多个深度学习代理模型以实现对油藏含水饱和度场分布及压力场分布的预测。为此,提出了一种基于双输入输出卷积神经网络代理模型的油藏自动历史拟合方法,将油藏渗透率场分布及相对渗透率参数作为输入,使用双输入输出卷积神经网络同时对油藏含水饱和度场分布及压力场分布进行预测,利用Peaceman方程计算产量,并耦合到多重数据同化集合平滑器(ES-MDA)方法中,对油藏渗透率场分布及相对渗透率参数进行反演更新,实现较为高效的油藏自动历史拟合求解。研究结果表明:双输入输出卷积神经网络代理模型在指定时间步的油藏含水饱和度场分布、压力场分布的预测精度均为93%以上。相较于传统油藏自动历史拟合方法,基于双输入输出卷积神经网络代理模型的油藏自动历史拟合方法避免了多次调用油藏数值模拟器的计算耗时问题,提高了拟合效率。

基于深度生成网络的时变井控下油藏动态预测代理模型

在流形空间内定义并求解油藏动态预测问题,充分考虑地质不确定性和随时间变化的井控条件(简称时变井控)下油藏动态的变化特性,构建基于条件演化生成对抗网络(CE-GAN)的油藏动态预测代理模型。CE-GAN通过特征空间的条件演化使原来无法控制方向的生成网络实现定向演化,将油藏动态预测问题转化为基于渗透率分布、初始油藏动态和时变井控的图像演化问题,实现时变井控条件下油藏动态的快速准确预测。基础油藏模型(Egg模型)与实际油藏模型的验证结果表明,CE-GAN预测与数值模拟结果的一致性较好,基础油藏模型验证中压力和含油饱和度的相对残差中位数分别为0.5%和9.0%,实际油藏模型验证中压力和含油饱和度相对残差中位数均为4.0%;CE-GAN代理模型训练完成后,相较于传统数值模拟,分别将基础油藏模型和实际油藏模型的计算速度提升约160倍和280倍,可以有效提高生产优化的效率。

坝基灌浆量预测ISSA-Stacking集成学习代理模型研究

灌浆量预测对坝基灌浆施工具有重要意义.由于灌浆工程隐蔽且复杂,传统方法难以实现准确高效的灌浆量预测.代理模型是一种能够建立影响因素与响应值之间近似关系的快速求解方法,然而单一代理模型的预测稳定性和准确性较低,组合代理模型仅将单一模型结果进行加权平均,预测精度仍有待提高.为解决上述问题,本文提出一种ISSA-Stacking集成学习代理模型新方法用于灌浆量预测研究.首先,针对灌浆量预测具有数据量小、影响因素与灌浆量之间非线性关系复杂且预测不确定性较大等特性,基于Stacking集成学习策略,选取在小样本预测中表现优越的支持向量回归(SVR)、具有良好非线性拟合能力的BP神经网络(BPNN)和预测泛化性能及稳定性高的随机森林(RF)等算法作为基学习器,采用自适应学习和不确定性处理能力强的自适应神经模糊推理系统(ANFIS)作为元学习器以集成上述机器学习算法的优势,构建具有更优预测性能和泛化能力的Stacking集成学习方法作为代理模型;其次,为进一步提高模型预测精度,采用混沌理论和Lévy飞行策略改进的麻雀搜索算法(ISSA)对集成学习代理模型进行参数同步优化;最后,将所提ISSA-Stacking集成学习代理模型应用于某实际灌浆工程的灌浆量预测并与其他方法进行对比分析.结果表明,所提方法具有较高的预测精度,绝对平均误差仅为0.21 m^(3);与组合代理模型及单一代理模型(SVR、BPNN和RF)相比,平均精度分别提高24.34%、30.84%、32.68%和26.56%,为灌浆量预测提供了一种新思路.

基于最优解区间预筛选的代理模型辅助天线设计优化算法

针对天线优化中全波仿真计算耗时过多的问题,文中提出了一种基于数据约束的代理模型辅助进化算法(SAADC)以实现天线优化设计中效率的提升。首先采用增强随机型差分进化算法,以保证数据生成的随机性与多样性。进一步通过高斯代理模型对仿真结果进行预测,并利用最优解区间预筛选方法舍弃预测结果中较差的个体,以实现算法收敛速度的提升。最终利用所提出的SAADC,对三个不同拓扑结构E型贴片天线的带宽与增益进行了优化设计与结果分析。结果表明,所提出的算法比现有的代理模型优化算法具有更快的优化速度与更佳的优化结果,可满足天线结构高效优化的实际需求。

代理模型参数率定方法在TOPKAPI模型中的应用

为提高复杂水文模型参数优化效率,通过Morris参数敏感性分析确定敏感参数,随后将多目标自适应代理模型优化(MO-ASMO)算法应用在TOPKAPI模型的参数率定中,通过最小欧几里得距离筛选Pareto解集中的相对最优解,从解集分布和每场洪水模拟效果两个维度与传统多目标优化方法NSGA-Ⅱ、NSGA-Ⅲ进行比较。结果表明:在相同模型运行次数下,MO-ASMO相较于NSGA-Ⅱ和NSGA-Ⅲ具有更优的Pareto前沿;无论是率定期还是验证期,MO-ASMO算法的评价指标均表现较好,综合表现优于NSGA-Ⅱ、NSGA-Ⅲ算法,MO-ASMO算法有效提升了模型参数优化效率。

基于经验知识的船舶螺旋桨水动力样本扩充方法及其在预报代理模型中的应用

近几年来,越来越多学者致力于采用机器学习进行船舶螺旋桨性能预报,但代理模型的预报效果往往受训练样本的数量和质量影响较大。目前船舶螺旋桨性能数据数量少且质量也不高,即数据对应参数分布较为集中,严重不均匀,这些问题都会影响代理模型预报的准确率与可靠性。为了解决这一实际困难,本文提出一种基于经验知识的样本扩充方法,并以船舶螺旋桨水动力性能的代理模型预报为例进行应用验证。结果表明:本文使用的样本扩充方法可以快速生成数据样本,可以一定程度上改善预报代理模型的可靠性,提升预报精度。

非线性随机响应单侧尾部分布的代理模型算法

对于大型复杂结构的非线性随机响应,随机模拟法是较为实用的工程分析方法。然而对于需要大量样本的尾部概率估计,高昂的计算成本限制了该类方法的应用。为了降低计算成本,开发了基于主动学习的高斯过程代理模型算法,但其主动学习优化策略仍需进一步完善,以满足工程中对单侧尾部概率分布估计精度的需求。为此提出了一种具有智能关注功能的搜索函数,构建了针对工程中事故风险极高的单侧尾部的算法。以地铁隧道环梁和衬砌间复杂粘结滑移行为为例,验证了该算法的有效性。相比原有算法,本文算法对单侧尾部概率的估计误差降低了30%。本文算法能更精确地估计复杂结构随机响应分布的单侧尾部概率,进而估计极端事故的发生概率,为风险测度和防灾管理决策提供量化分析依据。

基于水动力学模型和代理模型的水库动库容精细化计算

山区河道型水库存在较大动库容,库容计算不准确使得制定水库调度计划时出现较大偏差。根据水库水面线变化特点引入分段法将水库分段,并结合水动力学模型计算出水库动库容,实现水库动库容的精细化计算。同时针对水动力学模型在调度计划制定的实时计算中所面临的计算效率瓶颈,建立了基于RSMGU和RSLSTM的代理模型。以三峡水库为例,对基于水位—库容曲线所算得的静库容模型,水库动库容与之相比增大了约12%。以2020年汛期#4洪水为例,采用动库容法计算库容,可减小部分下泄流量,进一步发挥水库的防洪兴利能力;发现RSMGU更适合作为水动力学模型的代理模型。