.png){kind=icon}
返回
Sobolev Learning for Bayesian Neural Network Assisted Aerodynamic Shape Optimization
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-11115-9_32.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种适用于气动外形优化（ASO）的Sobolev自适应贝叶斯神经网络（BNN）框架，该框架在贝叶斯优化（BO）背景下构建。通过Sobolev训练整合梯度信息，所提出的梯度增强BNN（GEBNN）能够高效利用一阶信息来提升非平稳设计空间中的数据效率和适应性。基准测试表明GEBNN在ASO场景中的有效性，展示了其作为复杂、受约束、非线性优化问题的灵活且稳健代理模型的潜力。
Keyword:
bayesian optimization
bayesian neural networks
sobolev learning
surrogate modeling
aerodynamics
期刊
机构
引用论文
B-PINNs: Bayesian physics-informed neural networks for forward and inverse PDE problems with noisy dataB-pinns: 贝叶斯物理通知神经网络，用于带噪声数据的正向和反向PDE问题
OAAI
OAAI分享收藏
SU2: An Open-Source Suite for Multiphysics Simulation and DesignSU2: 多物理场仿真和设计的开源套件.png)
AIAA Journal
AIAA JournalIF0
PREAI
分享收藏分享收藏
查看更多内容