.png){kind=icon}
返回
Improved collaborative optimization design method based on ensemble surrogate model
.png){kind=icon}
PRE
AI
DOI：10.1108/EC-02-2025-0149.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目的本研究旨在解决传统多学科设计优化（MDO）方法在处理结构参数与性能响应之间的隐式关系，以及多个性能响应之间的复杂耦合关系方面的不足，特别是在智能大型设备优化中。设计/方法/途径通过两项关键创新开发了一种改进的协同优化（CO）框架。（1）通过线性加权开发了一种结合径向基函数（RBF）、克里金（Kriging）和支持向量回归（SVR）模型的集成代理模型，以提高近似精度。（2）提出了一种结合动态惩罚函数的改进CO算法（ICO-DP），以有效管理多个耦合性能响应，如质量最小化、疲劳寿命最大化和一阶模态频率最大化。该方法通过以土压平衡盾构机刀盘作为工程案例研究进行验证。发现优化结果表明，基于集成代理模型的ICO-DP方法较传统方法具有明显优势，质量降低了3.2%，一阶模态频率提高了21.9%，疲劳寿命提高了90%，显著提升了刀盘性能。原创性/价值本研究做出了三项原创贡献：（1）将集成代理模型应用于刀盘的设计优化。（2）将动态惩罚函数与CO框架结合以处理耦合性能。（3）构建了一个完整的方法学框架，弥合了理论MDO研究与实际大型设备设计应用之间的差距。
Keyword:
Ensemble model
Collaborative optimization
Multidisciplinary design optimization
Intelligent large-scale equipment
期刊
E
IF:
1.9
论文数:
214
被引数:
3.1K
机构
引用论文
A novel hybrid adaptive Kriging and water cycle algorithm for reliability-based design and optimization strategy: Application in offshore wind turbine monopile用于可靠性设计和优化策略的新型混合自适应Kriging和水循环算法: 在海上风力发电机单桩中的应用
PREAI
分享收藏A deep-learning-assisted versatile electret sensor for moving object detection.png)
NANO ENERGY
NANO ENERGYIF17.1
PREAI
分享收藏Multi-objective multidisciplinary design optimization of liquid-propellant engines thrust chamber based on a surrogate model基于代理模型的多目标多学科设计优化方法在液体推进剂发动机推力室中的应用
PREAI
分享收藏Ensemble of surrogates combining Kriging and Artificial Neural Networks for reliability analysis with local goodness measurement结合Kriging和人工神经网络的代理集成，用于可靠性分析和局部优度测量STRUCTURAL SAFETY
OAAI
STRUCTURAL SAFETYIF6.3
OAAI分享收藏
查看更多内容