.png){kind=icon}
返回
Multifidelity Modeling Based on Numerical Eigenfunction Expansions
.png){kind=icon}
PRE
AI
DOI：10.1109/TAP.2026.3651512.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种构建适用于基于特征分析的多 fidelity (MF) 代理优化框架的低 fidelity (LF) 模型的创新方法。具体而言，所提方法利用参考特征函数展开 (EEs) 来求解适定表述的边值问题 (BVP)，从而实现任意结构特征模态解的快速计算。为确边界值问题的唯一性和适定性，采用计算高效的两维矩量法 (MoMs) 解来定义必要的边界条件。所得 LF 解通过与高 fidelity (HF) 模拟数据结合，整合到 MF 代理建模方案中。为实一致性训练并改善收敛性，特征模态解通过稳健的相关性匹配方案进行组织。该方法通过微带贴片天线的两项多目标特征模态分析进行了验证。值得注意的是，本研究结果表明，基于特征函数的 LF 模型比现有最先进的粗网格 LF 方法快三个数量级。这种加速使 MF 代理模型的总训练时间相较于传统 MF 策略减少了约两倍。
Keyword:
Machine learning
design optimization
characteristic mode analysis
method-of-moments
multi-fidelity methods
analytical models
期刊
IF:
5.8
论文数:
677
被引数:
6.8W
机构
引用论文
分享收藏Predicting the output from a complex computer code when fast approximations are available.png)
Biometrika
BiometrikaIF0
PREAI
分享收藏分享收藏Solving Combined Field Integral Equations With Physics-Informed Graph Residual Learning for EM Scattering of 3-D PEC Targets利用物理信息图残差学习求解3-D PEC目标的电磁散射组合场积分方程
PREAI
分享收藏
A Deep Learning Convolutional Neural Network for Antenna Near-Field Prediction and Surrogate ModelingIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Applications of Machine Learning and Deep Learning in Antenna Design, Optimization, and Selection: A Review机器学习和深度学习在天线设计，优化和选择中的应用: 综述IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Universal Natural Shapes: From Unifying Shape Description to Simple Methods for Shape Analysis and Boundary Value ProblemsPLoS ONE
PLoS ONEIF0
PREAI
分享收藏分享收藏
查看更多内容