采用知识迁移加速的智能气动设计优化方法
为缩短精细气动形状设计优化所需的最少性能评估次数与任务周期内所能容许的最大性能评估次数之间的差距,基于机器学习领域迁移学习理念,开展了采用知识迁移加速的智能气动设计优化方法研究.首先,搭建了翼型变分自编码器模型,利用其解码器实现了气动形状的智能参数化,同时借助其编码器将已完成任务样本统一至目标任务参数化空间;其次结合单保真度和多保真度代理模型,建立了贝叶斯迁移优化算法;然后,将翼型变分自编码器模型与贝叶斯迁移优化算法相结合,搭建了智能气动形状迁移优化框架;最后,通过任务相关性分析对知识迁移加速优化过程的机理进行了讨论.研究结果表明:通过开展翼型设计优化,智能气动形状迁移优化框架所获得的最优解中位数相较于无知识迁移的变分自编码器优化方法,性能提升了 4.8%,比其他各参比方法提升了 19.9%以上,验证了该知识迁移策略的有效性.
气动形状设计优化、知识迁移、变分自编码器、贝叶斯优化、多保真度代理模型
57
TK421.4(内燃机)
国家科技重大专项;秦创原引用高层次创新创业人才项目
2023-11-06(万方平台首次上网日期,不代表论文的发表时间)
共11页
53-63