×
安德烈亚·塞拉尼;马蒂奥·迪兹

参数化模型嵌入。 （英语） Zbl 07644849号

计算。方法应用。机械。工程师。 404，文章ID 115776，19 p.（2023）.
小结：最近基于无监督机器学习方法开发了形状优化中降低设计空间维数的方法。这些方法提供了设计空间的降维表示，能够保持一定程度的原始设计可变性。然而，它们通常不允许直接使用原始的参数化方法，这限制了它们在工业领域的广泛应用，因为工业领域的设计参数通常属于成熟的参数化模型，例如CAD（计算机辅助设计）模型。本文介绍了如何在设计空间的降维表示中嵌入参数模型原始参数。该方法利用了新引入的广义特征空间的定义，作为概念证明，用于2D Bezier曲线和3D自由变形设计空间的重新参数化，以及模拟驱动的静水中亚音速翼型和海军驱逐舰设计优化问题的后续解决方案。

MSC公司：

76G25型 一般空气动力学和亚音速流动
2010年第49季度 优化最小曲面以外的形状
65二氧化碳 蒙特卡罗方法

关键词：

降维;表征学习;Karhunen-Loève扩建;参数化模型嵌入;模拟驱动优化;形状优化

软件：

XFOIL公司
PDF格式BibTeX公司 XML格式引用
\textit{A.Serani}和\textit{M.Diez}，计算。方法应用。机械。Eng.404，文章ID 115776，19 p.（2023；Zbl 07644849）
全文： 内政部 arXiv公司

参考文献：

[1] Harries，S。；Abt，C.，《功能表面设计和优化的更快周转时间》，海洋工程，193年，第106470条，pp.（2019）
[2] Bellman，R.E.（《动态编程》，《动态编程博士》，《剑桥语言科学与传播研究》（1957年），普林斯顿大学出版社：普林斯顿大学出版公司）·Zbl 0077.13605号
[3] 塞拉尼，A。；斯特恩，F。；坎帕纳，E.F。；Diez，M.，通过计算成本降低方法进行船体形状随机优化，工程计算。，38, 3, 2245-2269 (2022)
[4] 蒙哥马利特区。；Weatherby，G.，《计算机模拟实验技术中的因子筛选方法》。代表（1979），电气和电子工程师协会（IEEE）
[5] Sobol，I.M.，非线性数学模型的全局敏感性指数及其蒙特卡罗估计，数学。计算。模拟，55，1-3，271-280（2001）·Zbl 1005.65004号
[6] Y.本吉奥。；科尔维尔，A。；Vincent，P.，《表征学习：回顾与新视角》，IEEE Trans。模式分析。机器。智力。，35, 8, 1798-1828 (2013)
[7] Diez，M。；坎帕纳，E.F。；Stern，F.，通过Karhunen-Loève展开在形状优化中减少设计空间维数，计算。方法应用。机械。工程师，2831525-1544（2015）·Zbl 1423.74743号
[8] 李，J。；杜，X。；Martins，J.R.，空气动力学形状优化中的机器学习，Prog。Aerosp.航空公司。科学。，134，第100849条pp.（2022）
[9] 普尔，D。；艾伦，C。；Rendall，T.，使用高效正交模态设计变量和约束全局优化器进行高精度气动外形优化，计算与流体，143，附录C，1-15（2017）·Zbl 1390.76260号
[10] Cinquegrana，D。；Iuliano，E.，《气动形状优化降维中自适应设计变量界限的研究》，计算与流体，174，89-109（2018）·Zbl 1410.76132号
[11] Q.Yasong。；B.俊强。；Nan，L。；陈伟，基于数据降维的全球气动设计优化，中国。J.Aeronaut。，31, 4, 643-659 (2018)
[12] 艾伦，C.B。；普尔，D.J。；Rendall，T.，使用高效数学提取的模态设计变量进行机翼气动优化，Opt。工程师，19，2，453-477（2018）·Zbl 1397.74159号
[13] Yanhui，D。；Wenhua，W。；张，P。；富林，T。；赵林，F。；桂玉，Z。；Jiaqi，L.，通过基于POD的数据挖掘提高优化解决方案的性能，中国。J.Aeronaut。，32, 4, 826-838 (2019)
[14] Gaggero，S。；Vernengo，G。；维拉，D。；Bonfiglio，L.，高效船用螺旋桨优化设计的降阶方法，《海上结构船舶》。，15, 2, 200-214 (2020)
[15] 马萨诸塞州马苏德。；Khan，S。；钱，L.，基于机器学习的代理模型，用于加速水力转桨式水轮机的模拟驱动优化，更新。能源，173827-848（2021）
[16] 特泽勒，M。；Salmoiraghi，F。；Mola，A。；Rozza，G.，异构参数空间中的降维及其在海军工程形状设计问题中的应用，高级模型。模拟。工程科学。，5, 1, 1-19 (2018)
[17] 达戈斯蒂诺博士。；塞拉尼，A。；Diez，M.，《设计空间评估和降维：基于仿真优化中形状重参数化的离线方法》，海洋工程，197，第106852页，（2020）
[18] Harries，S。；Uharek，S.，《径向基函数在双体船快速水动力优化的部分参数建模和主成分分析中的应用》，J.Mar.Sci。工程师，9，10，1069（2021）
[19] 刘，X。；赵伟。；Wan，D.，船体形状优化中设计空间降维和流场学习的线性降阶方法，海洋工程，237，第109680页，（2021）
[20] 切利克，C。；丹·斯曼，D.B。；Khan，S。；Kaklis，P.，《船体叶片阻力预测和形状优化的降阶数据驱动方法》，海洋工程，235，第109406条，pp.（2021）
[21] 梅拉蒂，D。；格林伯格，Y。；Kamandar Dezfouli，M。；Janz，S。；Cheben，P。；施密德，J.H。；Sánchez-Postigo，A。；Xu，D.-X.，使用机器学习模式识别映射纳米光子元件的全球设计空间，《自然通讯》。，10, 1, 1-9 (2019)
[22] 托里霍斯·莫兰，L。；García-Rupérez，J.，使用降维技术设计慢光增强双模干涉仪，Opt。快递，29，21，33962-33975（2021）
[23] M.Diez，A.Serani，E.F.Campana，S.Volpi，F.Stern，《单多学科形状优化的设计空间降维》，载于：第17届AIAA/ISSMO多学科分析与优化，MA&O，2016年航空工业，美国华盛顿特区，2016年6月13-17日。
[24] Gaudrie，D。；勒里奇，R。；皮奇尼，V。；埃诺，B。；Herbert，V.，简化特征基中高斯过程的建模与优化，结构。多磁盘。最佳。，61, 6, 2343-2361 (2020)
[25] E.Bergmann，C.Fütterer，S.Harries，J.Palluch，《大规模参数简化以实现形状的更快流体动力学优化》，载于：《国际CAE会议和展览论文集》，意大利维琴察，2018年，第8-9页。
[26] T.W.Sederberg，S.R.Parry，固体几何模型的自由变形，摘自：《第13届计算机图形与交互技术年会论文集》，1986年，第151-160页。
[27] 何，X。；李，J。；马德尔，C.A。；Yildirim，A。；Martins，J.R.，《稳健的空气动力学形状优化——从圆形到机翼》，Aerosp。科学。技术。，87, 48-61 (2019)
[28] 格里戈罗普洛斯，G。；坎帕纳，E。；Diez，M。；塞拉尼，A。；葛兰，O。；Sariöz，K。；丹尼斯曼博士。；Visionneau先生。；Queutey，P。；Abdel-Maksoud，M。；Stern，F.，为在海洋环境中实现最佳性能而对横艉驱逐舰进行基于任务的船型和螺旋桨优化，（MARINE VII:第七届国际海洋工程计算方法会议论文集（2017），CIMNE），83-94
[29] 莫赫比，F。；Sellier，M.，基于车身网格生成的空气动力学最佳形状设计，数学。问题。工程，2014（2014）·Zbl 1407.76052号
[30] Drela，M.，XFOIL:低雷诺数翼型的分析和设计系统，（Mueller，T.J.，《低雷诺数空气动力学：圣母院会议论文集》，低雷诺数气体动力学：美国印第安纳州圣母院大会论文集，1989年6月5日至7日（1989），施普林格-柏林-海德堡：施普林格–柏林-海德堡-柏林，海德堡），1-12
[31] P.S.Beran、D.Bryson、A.S.Thelen、M.Diez、A.Serani，军用车辆设计的多保真度方法比较，载于：AIAA航空2020论坛，2020年，第3158页。
[32] 巴萨尼尼，P。；Bulgarelli，美国。；坎帕纳，E.F。；Lalli，F.，边界积分公式中的波阻问题，Surv。数学。Ind.，4151-194（1994）·Zbl 0812.76048号
[33] C.Dawson，《解决船舶波浪问题的实用计算机方法》，载于：《第二届船舶数值流体动力学国际会议论文集》，伯克利，1977年，第30-38页。
[34] Diez，M。；Serani，A.，《从不确定性量化到形状优化：降维方法的交叉验证》，（Vasile，M.；Quagliarella，D.，《航空航天应用中不确定性量化和不确定性优化的进展》（2021年），Springer国际出版：Springer International Publishing Cham），3-19
[35] 塞拉尼，A。；Diez，M。；坎帕纳，E.F。；法萨诺，G。；佩里，D。；Iemma，U.，《使用基于线搜索的无导数技术的粒子群优化的全球收敛杂交》，（Yang，X.-S.，《swarm Intelligence and Evolutional Computation的最新进展》，swarm智能和进化计算的最新发展，计算智能研究，第585卷（2015），施普林格国际出版公司），25-47
[36] 塞拉尼，A。；利奥塔迪，C。；美国耶玛。；坎帕纳，E.F。；法萨诺，G。；Diez，M.，船舶水动力学问题同步和异步确定性粒子群优化中的参数选择，应用。软计算。，49, 313-334 (2016)
[37] M.Diez，A.Serani，F.Stern，E.F.Campana，《基于几何和物理的组合方法在流体动力形状优化中减少设计空间尺寸》，载于：《第31届海军流体动力学研讨会论文集》，美国加利福尼亚州蒙特雷，2016年。
[38] A.Serani，E.F.Campana，M.Diez，F.Stern，《通过基于几何和物理的Karhunen-Loève扩展实现增强设计空间探索》，载于：第18届AIAA/ISSMO多学科分析和优化会议，2017年6月5日至9日，美国丹佛，航空航天局。
[39] D.D’Agostino，A.Serani，E.F.Campana，M.Diez，形状优化中设计空间降维的非线性方法，收录于：第三届机器学习、优化和大数据国际会议，2017年，MOD，意大利沃尔特拉，2017年。
[40] 塞拉尼，A。；达戈斯蒂诺博士。；坎帕纳，E.F。；Diez，M.，《利用无监督非线性降维方法评估形状和物理参数的相互作用》，《船舶研究杂志》，64，04，313-327（2020）
[41] Khan，S。；Kaklis，P。；塞拉尼，A。；Diez，M.，《无模拟数据的几何力矩相关全局灵敏度分析：在船体形状优化中的应用》，计算。辅助设计。，第103339条pp.（2022）
[42] Khan，S。；Kaklis，P。；塞拉尼，A。；Diez，M。；Kostas，K.，《形状监督降维：用几何矩提取几何和物理相关特征》，计算。辅助设计。，第103327条pp.（2022）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。