本文提出了一种基于受物理约束的深度学习的代理建模方法,以替代传统的基于数值模拟的建模方法,在流体力学问题中得到了很好的应用表现。
Jun, 2019
本研究探讨了在无人水下器(UUV)的设计过程中,采用计算流体动力学(CFD)与基于深度神经网络(DNN)的代理模型相结合,通过贝叶斯优化(BO)实现高效样本及快速数据驱动的 UUV 设计优化问题,结果表明,BO LCB 算法是最具高效的优化框架,DNN 代理模型可以实现计算的极速提升与相关精度的优化。
Apr, 2023
提出了一种简单且可扩展的主动学习方法,以在学生 - 教师方式下训练替代模型,以取代使用贝叶斯框架对基于深度神经网络(DNN)的替代模型进行复杂的训练过程,从而利用深度学习的优秀能力来减少计算复杂度,在实践中验证了该方法具有可行性并可用于多个工程设计领域。
Nov, 2022
开发了基于深度学习的代理模型,用于预测渠道化地质模型中的动态地下水流。它通过深度卷积和递归神经网络结构来支持,特别是使用了长短时记忆循环网络。使用深度代理模型可以减少预测的不确定性,提高模型速度,可能在未来应用更正式的后验采样方法来解决现实问题。
Aug, 2019
通过机器学习建立替代模型来加速计算流体力学模拟,使用温度预测在车舱内的分布作为案例,并探讨预测性能与训练数据集规模的关系,结果显示可以在大大减少训练数据集的情况下保证高精度和稳定性。
May, 2022
我们引入了决策为中心的替代建模的概念,以解决实时环境下的计算困难的非线性优化问题。所提出的数据驱动框架旨在学习一个更简单的,例如凸优化模型,该模型经过训练以最小化决策预测误差,该误差定义为原始优化模型和替代优化模型的最优解之间的差异。我们将学习问题作为双层规划问题来进行建模,可以看作是一个数据驱动的逆优化问题,我们采用之前工作中的分解型解决算法进行处理。我们通过涉及常见非线性化学过程(如化学反应器、热交换网络和物料混合系统)的数值实验验证了我们的框架。我们还详细比较了以决策为中心的替代建模和标准的数据驱动替代建模方法,并证明了我们的方法在产生简单的替代模型且预测决策准确性更高方面具有显著的数据效率。
Aug, 2023
该研究提出一种新的采样技术,将主动学习方法与深度学习相结合,实现基于代理的建模在工程设计优化中的应用,并经过两个不同工程设计领域的实证评估,结果显示该新方法在样本选择方面比其他方法更准确。
Jun, 2022
基于网格的数值求解器,代理模型,预测 - 校正方法,基于图机器学习,分布式模型。
Jul, 2023
本文旨在通过多尺度建模和深度学习相结合的方法,建立中等孔隙度密闭铝泡沫的细胞形态与泡沫有效杨氏模量之间的直接联系,并通过模糊等价模型来评估模型预测模量的不确定性,进而简化 FG 多层泡沫结构的评估。
通过在工业预测性维护领域中验证基于代理神经网络的模型,本研究探索了将经验法和形式方法结合在一个验证流程中的效果,证明了该流程在减少运行时能力和高维度输入输出空间的代理模型验证方面的有效性。
Jan, 2024