论文部分内容阅读
传统的工程优化设计分析研究通常利用物理实验获得少量实验数据,探究系统运行规律,存在设计周期长、实验成本高等不可忽视的缺点。随着数值计算方法飞速发展,计算机技术显著提高进步,数值仿真技术被逐渐应用到工程实际中,且因其强大的计算推导能力、可靠性、准确性,将逐步替代物理实验。但为了保证工程优化设计优化与分析结果的可靠性与准确性,仿真模型更为精细化,模型的保真度与复杂度同步提升,导致快速发展的计算机技术仍不能满足优化设计与分析时高昂计算成本的要求。因此,基于少量数据的数值分析计算方法——代理模型（Surrogatemodel,SM）应运而生,且因其耗时短、响应快、成本低等优势被广泛应用到工程实际中。代理模型是一种通用的监督学习方法,建模过程中仍然存在若干基础问题,主要集中在序列取样（Sequential sampling,SS）方法、组合代理（Hybrid surrogate,HS）模型、多保真度代理（Multi-fidelity surrogate,MFS）模型三个方面。本文围绕这三方面亟需解决的基础问题,针对现有组合代理模型鲁棒性弱、预测精度差、计算复杂等问题提出了一种自适应权重系数组合代理模型;为了进一步提高单保真度代理模型预测性能和节省成本,针对现有序列取样方法取样精度差、效率低、无法有效平衡局部开发与全局探索等问题,建立了一种可有效权衡局部开发与全局探索的组合序列取样策略;为了解决多保真度模型问题,充分利用多保真度模型信息,建立了多保真度代理模型,同时探讨了高/低保真度模型成本比、高/低保真度训练点配比等关键因素对模型性能的影响。主要研究内容如下:（1）研究与分析现有单保真度代理模型（包括经典单一代理模型和组合代理模型）技术,在此基础上提出一种鲁棒性较强、预测精度较好的二阶段自适应组合代理模型,建模过程主要包括建立代理模型库、计算权重与组合模型等两个阶段。通过40个标准测试函数,与若干组分单一代理模型和基准组合代理模型进行对比研究,结果显示该模型在预测精度和鲁棒性方面明显优于其他代理模型。除此之外,该模型建模简单,可比其他基准组合代理模型节省约82%的计算时间。（2）为了进一步提高单保真度代理模型预测精度,并节省计算成本,研究试验设计基本理论,分析试验设计中存在的问题,针对现有试验设计方法无法较好权衡局部开发与全局探索、取样精度差、效率低等缺点,提出了一种围棋启发式组合序列取样策略。该策略建模流程主要包括建立序列取样策略库、类树结构构建阶段、子树总决策值计算阶段。研究了组分序列取样方法的数量（简称组分数量）和树深对该策略性能的影响,发现组分数量比树深对策略影响更大,同时该策略的性能不会随着组分数量增加而持续提升。分析结果可知该策略侧重于对感兴趣区域进行探索,局部开发到一定程度时,可跳出当前感兴趣区域,识别下一个感兴趣区域,完成全局探索任务,可实现“局部”—“全局”—“局部”这一完整的设计空间局部开发与全局探索任务链,且可比其他基准序列取样方法节省约16%-3 1%的计算时间。（3）针对经典代理模型和组合代理模型等单保真度代理模型技术无法处理多保真度数据的缺陷,且现有MFS模型在建模阶段没有考虑到高保真度（High-fidelity,HF）和低保真度（Low-fidelity,LF）模型之间的总体相关性,导致HF和LF样本信息不能得到充分使用。因此,为了评估HF和LF模型之间的关联关系,利用典型相关分析（Canonical correlation analysis,CCA）方法根据少量的HF和LF训练点估计HF和LF模型之间的相关性,基于此相关性利用RBF模型构建HF和LF模型之间的差异函数,使用最小二乘法寻优目标函数优化比例因子和差异函数中的超参数,提出一种拟合的MFS模型,称为CCA-MFS模型。通过20个测试函数与基准MFS模型进行对比,研究不同HF训练量下模型性能,结果显示该模型在全局预测精度和鲁棒性方面优于其它基准模型,且当HF训练量较少时,MFS模型不适用。此外,研究了关键因素对该模型性能的影响,结果显示该模型对HF/LF模型间的相关性较不敏感,但HF与LF模型的成本比对预测性能有很大影响,并且当成本比在一定范围内增加时,该模型的性能会不断提高,这意味着更多的LF信息对改善MFS模型的预测性能有很大的帮助。（4）在安全阀分析应用中进一步验证所提出的组合序列取样策略、二阶段自适应组合代理模型、多保真度代理模型的性能。以安全阀二维流体动力学（Computational fliud dynamics,CFD）模型为研究对象,研究组合序列取样策略性能,结果显示:该组合序列取样策略有助于快速构建较高精度的代理模型,可节省平均约37%的计算成本;二阶段自适应组合代理模型比大部分组合代理模型和所有单一代理模型预测精度高、鲁棒性强。以安全阀流体力测试实验作为HF模型,以二维CFD模型作为LF模型,利用CCA-MFS模型融合高、低保真度模型信息,研究显示CCA-MFS模型在预测精度上优于所对比的代理模型,且当HF训练点较少时,MFS模型并不适用。