.png){kind=icon}
返回
A robust one-shot method based on adjoint surrogate model for PDE-constrained optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jcp.2025.114562.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对于PDE约束优化，直接伴随循环（DAL）分别求解状态方程和伴随方程直至收敛，以实现每次设计变量更新的梯度精度和优化鲁棒性。单次求解法（one-shot method）将状态方程、伴随方程和设计方程在完全耦合系统中同时求解，仅需O(1)次前向PDE求解，显著降低仿真成本。然而，单次求解系统通常具有高条件数，可能导致收敛缓慢或数值发散。本研究提出了一种基于伴随代理模型的鲁棒单次求解优化框架，其中代理模型近似伴随变量并嵌入耦合优化过程。在包括参数识别和气动外形优化在内的三个PDE约束基准问题上的数值实验表明，该方法相比DAL实现了超过一个数量级的加速。本研究突出了使用伴随系统代理模型对单次求解优化效率和鲁棒性的影响，为加速PDE约束设计问题提供了一条通用且实用的途径。
期刊
IF:
3.8
论文数:
1.6W
被引数:
7.4W
机构
引用论文
Robust preconditioned one-shot methods and direct-adjoint-looping for optimizing Reynolds-averaged turbulent flows鲁棒预优的单次方法与直接-伴随循环用于优化雷诺平均湍流流场
PREAI
分享收藏
A convolutional strategy on unstructured mesh for the adjoint vector modeling.png)
PHYSICS OF FLUIDS
PHYSICS OF FLUIDSIF4.3
PREAI
分享收藏
查看更多内容