- 形状优化设计空间维度缩减方法调查
工程设计中的功能表面维度缩减技术对形状优化进行了详尽的回顾,从经典的线性方法(如主成分分析)到非线性方法(如自动编码器),再到集成物理数据的创新物理感知方法,探讨了这些技术的光谱。通过将这些方法整合到优化框架中,显示它们显著减轻了维度的困扰 - 从概念到制造:评估用于工程设计的视觉语言模型
利用 GPT-4V 模型进行了一项广泛评估,涵盖概念设计、系统级和详细设计、制造和检验以及工程教育等四个主要领域的工程设计任务,在分析中发现了该模型在处理复杂设计和制造挑战方面的能力,并确定了其在复杂工程设计应用中的局限性。
- 混合变量全局敏感性分析用于知识发现与高效组合材料设计
本文介绍了一种基于 Latent Variable Gaussian Process 的混合变量全局敏感性分析方法,通过数值案例研究验证和证明了该方法的有效性,并将其与多目标贝叶斯优化集成,应用于金属有机骨架材料的敏感性感知设计框架,极大地 - 加速科学模拟与设计的神经运算器
基于神经操作符的人工智能框架为连续域函数之间的映射学习提供了一个原则性框架,通过零样本超分辨率等功能,可以为科学发现和工程设计的模拟和设计提供快速的数据驱动代替,进而带来快速的研究与开发。
- 设计优化和基于深度学习的反向设计的性能比较
比较传统设计优化方法和基于深度学习的反向设计方法在各种场景下的性能,并提供指南以增强后者在实际工程设计问题中的实用性。
- 基于拖曳引导的车辆图像生成扩散模型
本文提出了基于物理学的指导,通过优化预测模型的性能指标来生成图像,并在 Stable Diffusion 中添加了阻力引导,以生成具有最小预测阻力系数的新型车辆图像。
- 工程设计应用的合成数据集创建指南
本研究提出了用于生成、注释和验证合成数据集的全面指南,着重于感知数据集大小、多样性、实用性和现实性的方法。此外,还通过创造一个涡轮压缩机数据集来说明这些指南的实际应用中的重要性。
- 机器学习中的不确定性量化 - 工程设计与健康预测教程
本篇研究论文重点介绍了机器学习模型中的不确定性量化方法,特别关注神经网络以及在工程设计和医疗领域的应用。通过介绍多种不确定性量化方法和计量标准,本篇论文旨在帮助提高机器学习模型的安全性和可靠性,同时提供两个具体案例:锂离子电池寿命预测和涡轮 - 基于机器学习的柔性盘元件多目标设计探索
本文展示了应用人工神经网络和遗传算法在工程设计过程中探索和识别改进设计解决方案的能力,并将其与传统响应面法进行比较。
- 跨多个特征空间进行数据聚类的一致概念识别理解
提出将概念识别视为一种具有广泛应用前景的聚类算法,并引入互信息度量以评估解决方案在相关子集上的一致性。在工程设计问题中应用此算法,能够找到更具解释性的聚类结果。
- AAAI利用物理学有支持的深度学习进行动态系统的时空超分辨率
本文提出了一种物理知识驱动的深度学习超分辨率框架,用于增强时间依赖型偏微分方程 (PDE) 的空时分辨率。该框架包含两个可训练模块,先进行空间超分辨率再进行时间超分辨率,实现高分辨率输出,同时满足物理约束条件,应用于工程设计中以减少计算复杂 - 从随机 “Minecraft” 系统中逼近三维电子系统的温度全场演变
利用卷积神经网络设计了具有随机位置和物理属性的三维系统,测试了在 'Minecraft' 系统下进行神经网络训练,以实现对电子系统中热扩散传导的预测。
- 使用贝叶斯优化设计 MacPherson 悬挂架构
本文提出了一种基于 Bayesian 优化的自动化工程设计方法,该方法可优化符合设计要求的设计参数,避免了传统设计方案测试的耗时成本,并且该方法具有普适性,可扩展性和高效性。
- 有限元方法的八十年:诞生、演化与未来
本文从历史的角度出发,主要侧重于分析有限元方法在固体和结构力学方面的应用及其相关发展,以及有限元方法在流体力学、传热和流体 - 结构相互作用等领域中的重要影响。该论文将 FEM 的发展划分为四个时期:I.(1941-1965)FEM 的早期