基于 MOOSE 的先进制造模型的降阶建模与操作员学习
通过运用运算符学习方法构建 AM 模型的快速准确的降阶模型,以提高 AM 控制和优化过程的时间 / 成本,同时保持评估准确性。
Aug, 2023
本研究采用操作器学习方法来快速且准确预测液态金属喷射成型过程的成品质量,相较于基于神经网络或最近邻算法的降阶模型,操作器学习方法能够在更少的数据点上实现更广的预测泛化。
Feb, 2022
建立适当的数学模型来研究自然现象中的复杂系统不仅有助于加深对自然的理解,还可以用于状态估计和预测。然而,自然现象的极端复杂性使得发展全阶模型并将其应用于研究多个感兴趣的量非常具有挑战性。相反,适当的降阶模型由于其高计算效率和描述自然现象的关键动态和统计特性的能力而备受青睐。以粘性 Burgers 方程为例,本文构建了一个卷积自编码器 - 蓄积计算 - 归一化流算法框架,其中卷积自编码器用于构建潜空间表示,蓄积计算 - 归一化流框架用于描述潜状态变量的演化。通过这种方式,构建了一个数据驱动的随机参数降阶模型来描述复杂系统及其动态行为。
Mar, 2024
该论文介绍了一种基于强化学习(RL)和 Q-learning 的方法,用于优化金属添加制造过程中的激光功率和扫描速度组合,以获得更好的熔池深度,从而实现金属添加制造的过程优化。
Nov, 2022
提出一种基于神经网络减小秩的 ROM 新方法,在处理对流主导的现象时更好地逼近高保真模型,通过在非线性流域中超减少运算并得到适当的误差界限达到更好的效率。
Sep, 2020
本文研究了非侵入式科学机器学习(SciML)约简模型(ROMs)在非线性、混沌等离子体湍流模拟中的构建。具体而言,我们提出使用算子推断(OpInf)从数据构建基于物理学的低成本 ROMs 来模拟该类模拟。通过对平面静电漂波等离子体湍流的 Hasegawa-Wakatani(HW)方程进行代表性示例,我们考虑了 Ledig 等的研究工作以构建准确的基于 OpInf 的 ROMs 潜力的全面认识。我们通过直接数值模拟和 OpInf ROMs 进行了两组实验,结果表明 OpInf ROMs 捕捉到了湍流动力学的重要特征,并推广到新的未见的初始条件,同时在单核性能方面将高准确度模型的计算时间缩短了五个数量级。在聚变研究的更广泛背景下,这表明非侵入式的 SciML ROMs 有潜力大大加速数值研究,最终可以实现优化聚变设备的设计和实时控制等任务。
Jan, 2024
本研究采用降阶模型学习来有效建模过程工程中的动态系统,以二氧化碳甲烷化反应作为应用示例,利用操作推断技术构建降阶模型,证明其能够提供准确且简化的替代解决方案,这标志着在实现快速和可靠的数字双生体系结构方面的重要里程碑。
Feb, 2024
本文提出了一种通过深度强化学习和神经网络实现的多目标优化问题解决方案,其中采用分解思想将问题分解为一组标量优化子问题并针对每个子问题建立神经网络模型。通过邻域参数传递策略和 DRL 训练算法共同优化所有子问题的模型参数,并利用训练好的神经网络模型直接得到帕累托最优解。其中将多目标旅行商问题作为研究对象,使用 DRL-MOA 方法建模子问题为指针网络并与其他基准方法进行对比,在实验中表现出了较强的泛化能力和快速解决速度。
Jun, 2019
本研究提出一种新的有限元自适应网格细化方法,将其视为马尔可夫决策过程,并应用深度强化学习进行训练,从而解决了传统方法对瞬时误差估计的依赖问题,并通过静态函数估计和时间依赖方程等实验验证了该方法的可行性和有效性。
Mar, 2021