基于多精度深度神经网络的汽车气动外形优化设计方法

在汽车气动外形优化设计中,往往需要大量的高精度CFD数据作为支撑。然而,高精度CFD数据获取难度大、成本高。为了缓解汽车气动优化设计中气动特性评估精度和效率之间的矛盾,根据迁移学习与数据融合的思想,提出了一种基于多精度深度神经网络(multi-fidelity deep neural network, MFDNN)的汽车外形优化设计方法,以减少优化设计中所需的高精度数据个数,从而有效提升优化速度、降低优化成本。将所发展的优化方法应用于快背式MIRA标准模型减阻优化设计中,优化结果表明,该方法能够充分融合不同精度数据所蕴含的知识,加速气动外形优化进程,提升优化效率。以收敛用时作为评价指标,在取得相近或更优优化结果的前提下,基于多精度神经网络的优化框架的收敛速度是基于单精度神经网络的离线优化框架的5.85倍,是基于单精度神经网络的在线优化框架的2.81倍。

多精度混合弹性变形及其交互模拟

固体的弹性变形模拟作为计算机物理动画领域的重要内容,如何在保证模拟真实感的同时尽可能地提高计算效率以满足交互应用,一直是其研究难点.为此,提出一种多精度混合弹性变形模型来高效地模拟固体的弹性变形及其交互.该模型通过对物体计算空间进行物理和几何区域的用户自定义比例划分,并混合处理交界面处计算结点,实现2种变形区域的稳定耦合;利用虚拟顶点算法对物理变形区域进行稳定和光滑的虚拟切割模拟;提出自适应边界粒子采样的固流耦合算法模拟固流交互.实验结果表明,文中模型通过调整2种区域计算结点的比例,控制和调整弹性变形模拟的效率和精度,可以满足虚实交互和固流交互模拟中稳定和高效的性能需求.

基于多精度代理模型的高效异型气膜孔设计优化和实验验证

为了提升燃气轮机热端部件表面的气膜冷却效果,本文发展了一套基于多精度代理模型的高效气膜孔优化方法,通过对气膜孔孔型进行优化得到最优的气膜冷却效率。与传统的代理模型优化方法相比,本文构建的多精度代理模型优化方法能有效结合实验数据与高精度数值计算,在保证准确度的同时使优化效率提升64.5%。本文针对业界广泛使用的一种气膜孔进行优化设计,选取后倾角、侧扩角和孔长径比作为三个设计变量,采用遗传算法和序列二次规划混合方法进行优化。并采用3D打印和PSP测量技术对优化孔型进行验证,发现和初始孔型相比优化孔型的面平均气膜冷却效率提升39%。本文的工作证明了多精度代理模型在气膜冷却优化方面的有效性。

基于MO^2TOS算法的航空维修业调度问题研究

与传统的制造业调度问题相比,一些复杂的特点使得航空维修企业调度问题更加难以处理,如:拆分-修理-组装的三级结构、物料匹配需求以及不确定工艺路线和工时。在对航空维修企业调度问题详细分析的基础上,本文建立以最小化期望权重延误时间为目标的混合整数线性规划模型,因为该问题是NP-hard问题,通过使用传统的优化方法很难求得最优解,本文提出基于多精度仿真模型的MO^2TOS算法对该问题求解,其中高精度模型包含随机参数,直接运行比较耗时,而低精度模型属于确定性模型,更适合用于MO^2TOS算法的序转换阶段。最后,通过基于实际背景的算例验证了模型的可行性并对比分析了MO^2TOS和其他相似算法的特点。