نقش یادگیری ماشین در بهینه سازی Aerodynamic

دستگاه های آسانسور بالا، از جمله شیب، فلپ ها و افزونه های پیشرو، برای تولید آسانسور اضافی مورد نیاز در طول خروج و فرود حیاتی هستند. هندسه آنها به طور مستقیم بر ویژگی های غرفه، کشیدن و سر و صدا تأثیر می گذارد، بهینه سازی این اشکال بر آزمایش های تونل باد و شبیه سازی مایع محاسباتی (CFD) - هر دو زمان- زمان و ماشین یادگیری گران (ML) ارائه می دهد الگوهای جستجوی نوآورانه تر، و استخراج از مجموعه داده های نوآورانه تر، و ساده تر از نمونه های طراحی داده شده است.

مدل های ML می توانند روابط پیچیده و غیر خطی بین پارامترهای شکل و معیارهای عملکردی آیرودینامیک مانند ضریب آسانسور، ضریب کشیدن و ضریب لحظه را یاد بگیرند.این توانایی به مهندسان اجازه می دهد تا به سرعت هزاران طرح کاندیدا را نمایش دهند، مناطق امیدوار کننده فضای طراحی را شناسایی کنند و حتی پیکربندی های جدیدی را تولید کنند که به صورت دستی دشوار خواهد بود.

چگونه یادگیری ماشین متناسب با فرآیند طراحی

در یک گردش کاری معمولی ML-based aerodynamic، مجموعه ای از طرح های اولیه با استفاده از CFD یا داده های تجربی ارزیابی می شود، این داده ها یک مدل سورروgate را آموزش می دهد – یک تقریب ریاضی از فیزیک واقعی است.[۱] مدل سورروgate برای پیش بینی عملکرد طرح های جدید در یک بخش از الگوریتم های بهینه سازی هزینه محاسباتی استفاده می شود، مانند بهینه سازی zi یا الگوریتم های ژنتیکی، امیدوار کننده است.

رویکرد دیگر طراحی معکوس با استفاده از ML است.به جای بهینه سازی از یک پایه، یک مدل ML یاد می گیرد به طور مستقیم نقشه خواص آیرودینامیک (به عنوان مثال، توزیع هدف آسانسور) را به پارامترهای شکل لازم هدایت کند.این جریان کار سنتی را معکوس می کند و می تواند طرح های غیرمتعارف اما موثر تولید کند، شبکه های عصبی آموزش دیده شده در یک پایگاه داده فشار هوا یا می توانند یک توزیع نفوذ را ایجاد کنند.

انواع تکنیک های یادگیری ماشین استفاده شده

آرایه گسترده ای از تکنیک های ML اجازه می دهد تا مهندسان رویکرد بهینه سازی را به مشکل خاص تنظیم کنند.در زیر رایج ترین دسته های اعمال شده برای بهینه سازی شکل دستگاه آسانسور بالا است.

آموزش عالی

مدل های یادگیری فوق العاده، مانند شبکه های عصبی، ماشین های بردار یا جنگل های تصادفی، بر روی مجموعه داده های برچسب آموزش داده می شوند که در آن هر طراحی با عملکرد آیرودینامیکی آن جفت می شود، این مدل ها نقشه برداری از ورودی ( پارامترهایshape، شرایط جریان) را به خروجی (شششکم آموزش داده) یاد می گیرند، هنگامی که آموزش دیده می توانند عملکرد برای طرح های ناشناخته را تقریبا بلافاصله پیش بینی کنند کیفیت پیش بینی دقیق آموزش و دقیق تر از پردازش داده ها، به استفاده از پردازش دقیق ترین روش های پردازش داده ها، به حداکثر استفاده از داده ها، و استفاده از جزئیات دقیق و استفاده از دقت دقیق و استفاده از داده ها، به حداکثر استفاده از جزئیات دقیق تر، به حداکثر استفاده از داده ها، به حداکثر استفاده از جزئیات دقیق تر از داده ها، به حداکثر استفاده از جزئیات دقیق تر از داده ها، به حداکثر استفاده از جزئیات دقیق تر از داده ها، به حداکثر استفاده از جزئیات دقیق تر، پردازش داده ها، به حداکثر استفاده از جزئیات دقیق تر از جزئیات دقیق و جزئیات دقیق، به حداکثر استفاده از روش های پردازش داده ها، به حداکثر استفاده از داده ها، پردازش داده ها بستگی دارد.

آموزش تقویت

یادگیری تقویت (RL) بهینه سازی شکل را به عنوان یک مشکل تصمیم گیری متوالی انجام می دهد.یک عامل اقدامات (تغییرات تدریجی به شکل) را انجام می دهد و پاداش ها را بر اساس عملکرد آئرودینامیک حاصل از طریق محاکمه و خطا دریافت می کند، عامل می آموزد که یک سیاست است که به حداکثر رساندن پاداش تجمعی - منجر به اشکال مطلوب است. RLS به ویژه هنگامی که فضای طراحی بزرگ است و مداوم، به طور موثر می تواند بدون نیاز به حل مجموعه داده های عمیق و یا تنظیم کند.