基于KPCA-ICFSFDP-MOGP的拱坝多测点变形数据预处理及预测方法

为更高效地对高拱坝的多测点变形数据进行分析,引入了核主成分分析(KPCA)算法重构误差以识别多测点序列中的异常值;为解决用于测点聚类的密度峰值聚类(CFSFDP)算法高维表现较差的问题,利用KPCA算法对其进行降维操作,并提出了自动选取聚类中心与截断距离的改进CFSFDP(ICFSFDP)算法;基于KPCA-ICFSFDP和多输出高斯过程(MOGP)算法,按分区建立了多测点变形MOGP回归模型。实例验证结果表明,对于簇内点数量较少的类,相较于不分区的MOGP模型,预测效果得到了一定的提升,同时在整体MOGP模型表现良好的测点,分区后仍然保持较高的预测精度,且与单输出高斯过程模型对比均有所提升。

基于多输出高斯过程的超临界翼型优化

提出了一种基于多输出高斯过程(MOGP)回归模型和模拟退火算法相结合的翼型优化方法。采用拉丁超立方抽样方法在设计空间内构造一系列样本点,其中优化设计采用CST参数化方法对翼型的几何外形进行参数化表示。通过CFD流体计算得到其响应值来建立初始的MOGP代理模型。以阻力最小化为设计目标,考虑面积、升力等约束条件。通过单点优化和多点优化试验表明,发展的翼型优化设计方法达到了优化设计的目的,同时也说明基于MOGP模型的优化设计方法在气动优化设计中的应用是可行的。

超临界翼型设计中的多响应代理模型

为考虑超临界翼型设计中代理模型多响应之间的相关性,研究了基于多输出高斯过程回归的代理模型。通过实验数据验证了升力系数、阻力系数及力矩系数之间显著的相关性,建立了超临界翼型设计中的基于多输出高斯过程的多响应代理模型,并与kriging模型、BP和RBF两种人工神经网络模型进行了对比。结果表明,当超临界翼型设计中多输出端口之间存在显著的相关性时,多输出高斯过程相比kriging、BP和RBF能有效显著提高预测精度,并获得更加稳定的预测性能。