.png){kind=icon}
返回
Robust parameter design for rocket boosters using deep Gaussian process
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ast.2025.110143.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在航空航天工程优化中，通常会生成多个相关的非平稳响应（NSRs）。忽略数据的非平稳特性可能会影响响应面模型的预测精度和优化解的可靠性。传统的平稳高斯过程模型难以处理小样本下的非平稳数据。近年来，深度高斯过程（DGP）因其能够处理快速变化的数据，在非平稳模型中获得了广泛应用。然而，高效推断DGP的后验分布仍然是一个重大挑战。本文采用基于贝叶斯推断的DGP代理模型来模拟非平稳响应面，并提出链式规则哈密顿蒙特卡洛（CRHMC）算法以高效准确地采样后验分布。此外，引入了一种新的多变量质量损失函数（MQLF），用于优化多个相关的非平稳响应，并确保最优设计参数的鲁棒性。数值算例和一个真实的火箭助推器工程案例表明，所提出的方法在快速计算和鲁棒优化方面优于其他竞争方法。
Keyword:
Non-stationary responses
Deep gaussian process
Robust parameter design
Rocket boosters
Quality design
Hamiltonian monte carlo
期刊
IF:
5.8
论文数:
1.0W
被引数:
3.0W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容