.png){kind=icon}
返回
A Stepwise Bayesian Optimization Algorithm Combining Analytical Solution Fitting of Transient Plane Source Method
.png){kind=icon}
PRE
AI
DOI：10.1002/htj.70034.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
理想与实际瞬态平面源（TPS）方法模型之间的差异会导致测量误差，这些误差需要通过校正来消除。为提高测量精度和反演效率，开发了一种结合实际结构的数值算法，进而提出了分步贝叶斯优化-解析解（SBO-AS）算法。SBO-AS基于传统贝叶斯优化（BO），通过整合解析解（AS）拟合和单因子循环反演。传统BO算法通过基准函数进行验证。与传统的BO算法相比，SBO-AS算法的反演迭代次数和时间分别减少了81.50%和89.31%。对于玻璃棉（GW）、聚苯乙烯泡沫（PSF）和挤塑聚苯乙烯（XPS）等材料的热导率，解析解（AS）算法的拟合误差绝对值超过20%。未引入解析解（AS）的算法，其反演误差小于未采用单因子循环的算法。单因子循环反演次数的增加可能提高了热接触电阻的反演精度。对于不同材料，SBO-AS算法的热导率和比热容反演误差绝对值均小于5%，且单因子循环次数为3次。热接触电阻的反演误差小于20%。随着初始种群数量的增加，单因子反演的实际迭代次数呈下降趋势；然而，反演时间呈上升趋势，且各参数的反演误差出现波动。传统BO算法的最大重复性为23.4%，而SBO-AS算法的反演结果重复性小于0.6%。SBO-AS算法的鲁棒性优于传统BO算法。
Keyword:
Bayesian optimization
body-fitted grid
inversion efficiency
transient plane source method
期刊
IF:
2.9
论文数:
325
被引数:
1.6K
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容