.png){kind=icon}
返回
Reduced-data neural network framework with PSO-based optimization for efficient aerodynamic design
.png){kind=icon}
PRE
AI
DOI：10.1007/s40430-025-06155-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
优化工程设计问题（如气动设计）计算量大，因数值模拟成本高、耗时多。本研究介绍了一种创新方法，通过结合机器学习与优化算法加速该过程。开发了一种减量数据神经网络模型，用于预测关键性能系数，具体针对俯仰力矩和法向力系数。通过策略性地应用数据集缩减技术和噪声注入，实现了训练所需数值模拟次数超过58%的减少。该优化神经网络随后集成到设计优化框架中。粒子群优化（PSO）算法探索设计空间并高效寻找最优解。减量数据神经网络与PSO的联合使用显著降低了计算成本和时间，同时保持高精度。模型预测误差与高保真数值模拟相比低于1%。本研究强调了融合机器学习与优化方法在提高复杂工程设计任务计算效率方面的有效性，使设计选项的探索更快、更有效。
Keyword:
Multi-Fidelity
Transfer learning
Multilayer perceptron
Hyperparameter tuning
Noise injection
PSO
期刊
IF:
2.1
论文数:
625
被引数:
9.5K
机构
引用论文
Application of deep learning based multi-fidelity surrogate model to robust aerodynamic design optimization基于深度学习的多保真代理模型在鲁棒气动设计优化中的应用
PREAI
分享收藏Performance prediction and design optimization of turbine blade profile with deep learning method.png)
ENERGY
ENERGYIF9.4
PREAI
分享收藏
查看更多内容