-
公开(公告)号：CN118940612B
公开(公告)日：2025-02-25
申请号：CN202410944676.X
申请日：2024-07-15
Applicant: 华中科技大学
IPC: G06F30/27 , G06F30/10 , G06F30/23 , G06N3/0499 , G06N3/084 , G06N3/0985
Abstract: 本发明提出了一种基于参数优化神经网络的适配器优化设计方法，属于适配器设计领域，包括：S1、采用拉丁超立方采样法生成适配器构型样本，通过有限元模型获取应变场数据，将适配器构型样本输入参数和应变场分布作为训练集训练不确定性量化模型；S2、将训练后的不确定性量化模型作为近似代理模型，用于计算目标函数；S3、构建参数优化神经网络，并使用训练集和训练后的不确定性量化模型对参数优化神经网络进行训练，得到训练后的参数优化神经网络，所述训练后的参数优化神经网络的输出为适配器的最优设计参数。本申请利用训练好的不确定性量化模型对参数优化神经网络进行性能评估和参数优化，并确定最优权重参数，进而确定适配器的最优设计参数，提高适配器优化设计效率及准确率。
-
公开(公告)号：CN118941739B
公开(公告)日：2025-04-08
申请号：CN202410944280.5
申请日：2024-07-15
Applicant: 华中科技大学
Abstract: 本发明提出了一种适配器的数字孪生模型可视化方法，属于可视化领域，包括：S1、设定适配器模型在屏幕上的目标成像尺寸；S2、计算目标成像尺寸与待可视化适配器模型的实际物理宽度尺寸的比例，得到缩放比例因子，根据缩放比例因子对待可视化适配器模型进行等比例缩放，得到缩放后待可视化适配器模型，并测量缩放后待可视化适配器模型的表面积；S3、构建待可视化适配器模型的离散点云网格，并根据离散点云网格生成待可视化适配器模型的数字孪生模型；S4、编写待可视化适配器模型的数字孪生模型的着色器进行数字孪生模型渲染，并将渲染后的数字孪生模型进行可视化展示。本申请利用点云网格捕捉物理对象细节，将数字孪生模型与实际的物理信息进行融合，并通过着色器渲染提高可视化效果，提高数字孪生模型的可视化表达力。
-
公开(公告)号：CN118940613A
公开(公告)日：2024-11-12
申请号：CN202410944880.1
申请日：2024-07-15
Applicant: 华中科技大学
IPC: G06F30/27 , G06N3/045 , G06N3/08 , G06F17/18 , G06F111/08 , G06F119/14
Abstract: 本发明提出了一种基于条件标准化流的适配器应变场预测不确定性量化方法,属于预测结果的不确定性量化领域，包括：S1、使用信息融合平衡神经算子网络从适配器结构中提取隐式特征向量；S2、构建标准化流模型；S3、根据所述隐式特征向量和标准化流模型构建并训练基于条件标准化流的不确定性量化模型；S4、将隐式特征向量输入至基于条件标准化流的不确定性量化模型中，得到适配器应变场的近似应变分布；S5、使用前向传播对近似应变分布进行计算，得到适配器应变场的不确定性量化结果。本申请利用基于条件标准化流的不确定性量化模型，根据隐式特征向量和标准化流模型预测适配器各点的应变分布，给出准确的均值和方差结果,量化应变场的不确定性，提高不确定性量化的精度。
-
公开(公告)号：CN118940560B
公开(公告)日：2025-02-25
申请号：CN202410944530.5
申请日：2024-07-15
Applicant: 华中科技大学
IPC: G06F30/23 , G06F30/10 , G06F30/27 , G06N3/045 , G06N3/082 , G06F119/14 , G06F111/10
Abstract: 本发明提出了一种基于信息融合特征均衡算子的适配器应变场预测方法，属于适配器领域，包括：S1、获取适配器的几何特征、设计变量、设计变量变化范围，应变场信息为待预测值；S2、根据适配器的设计变量建立适配器几何模型，并以适配器几何模型为基础构建超材料静力学有限元模型，采用拉丁超立方采样法获取样本点，利用超材料静力学有限元模型根据仿真生成训练数据集；S3、构建基于信息融合特征均衡算子神经网络模型，并使用训练数据集对基于信息融合特征均衡算子神经网络模型进行训练，得到训练后的基于信息融合特征均衡算子神经网络模型；S4、使用训练后的基于信息融合特征均衡算子神经网络模型对待预测应变场信息进行预测，得到适配器应的应变场分布。本申请增强对几何特征的提取能力和建模能力，使基于信息融合特征均衡算子神经网络模型能够快速预测不同几何构型的的适配器应变场分布。
-
公开(公告)号：CN118940612A
公开(公告)日：2024-11-12
申请号：CN202410944676.X
申请日：2024-07-15
Applicant: 华中科技大学
IPC: G06F30/27 , G06F30/10 , G06F30/23 , G06N3/0499 , G06N3/084 , G06N3/0985
Abstract: 本发明提出了一种基于参数优化神经网络的适配器优化设计方法，属于适配器设计领域，包括：S1、采用拉丁超立方采样法生成适配器构型样本，通过有限元模型获取应变场数据，将适配器构型样本输入参数和应变场分布作为训练集训练不确定性量化模型；S2、将训练后的不确定性量化模型作为近似代理模型，用于计算目标函数；S3、构建参数优化神经网络，并使用训练集和训练后的不确定性量化模型对参数优化神经网络进行训练，得到训练后的参数优化神经网络，所述训练后的参数优化神经网络的输出为适配器的最优设计参数。本申请利用训练好的不确定性量化模型对参数优化神经网络进行性能评估和参数优化，并确定最优权重参数，进而确定适配器的最优设计参数，提高适配器优化设计效率及准确率。
-
Patent Agency Ranking
公开(公告)号：CN118940560A
公开(公告)日：2024-11-12
申请号：CN202410944530.5
申请日：2024-07-15
Applicant: 华中科技大学
IPC: G06F30/23 , G06F30/10 , G06F30/27 , G06N3/045 , G06N3/082 , G06F119/14 , G06F111/10
Abstract: 本发明提出了一种基于信息融合特征均衡算子的适配器应变场预测方法，属于适配器领域，包括：S1、获取适配器的几何特征、设计变量、设计变量变化范围，应变场信息为待预测值；S2、根据适配器的设计变量建立适配器几何模型，并以适配器几何模型为基础构建超材料静力学有限元模型，采用拉丁超立方采样法获取样本点，利用超材料静力学有限元模型根据仿真生成训练数据集；S3、构建基于信息融合特征均衡算子神经网络模型，并使用训练数据集对基于信息融合特征均衡算子神经网络模型进行训练，得到训练后的基于信息融合特征均衡算子神经网络模型；S4、使用训练后的基于信息融合特征均衡算子神经网络模型对待预测应变场信息进行预测，得到适配器应的应变场分布。本申请增强对几何特征的提取能力和建模能力，使基于信息融合特征均衡算子神经网络模型能够快速预测不同几何构型的的适配器应变场分布。
-
公开(公告)号：CN117313478A
公开(公告)日：2023-12-29
申请号：CN202311287498.X
申请日：2023-10-08
Applicant: 华中科技大学
IPC: G06F30/23 , G06F30/10 , G16C10/00 , G16C60/00 , G06F111/06 , G06F119/14
Abstract: 本发明提供一种基于代理模型的超构材料适配器优化设计方法，涉及超构材料适配器设计技术领域，包括：建立聚氨酯超构材料适配器的有限元模型；构建参数化建模与有限元分析模型仿真的一体化流程；通过有限元模型的网格一致性分析获得高精度分析模型和低精度分析模型；在设计变量的约束范围内采样生成嵌套的高精度样本点和低精度样本点，并得到高精度的样本数据和低精度的样本数据；通过高精度的样本数据和低精度的样本数据进行建模，构建变可信度预测模型；建立聚氨酯超构材料适配器的力学性能的优化问题，通过变可信度预测模型结合全局优化算法输出聚氨酯超构材料适配器优化问题的最优解。本发明能够兼顾模型的预测精度和优化设计的效率。
-
公开(公告)号：CN118940613B
公开(公告)日：2025-04-08
申请号：CN202410944880.1
申请日：2024-07-15
Applicant: 华中科技大学
IPC: G06F30/27 , G06N3/045 , G06N3/08 , G06F17/18 , G06F111/08 , G06F119/14
Abstract: 本发明提出了一种基于条件标准化流的适配器应变场预测不确定性量化方法,属于预测结果的不确定性量化领域，包括：S1、使用信息融合平衡神经算子网络从适配器结构中提取隐式特征向量；S2、构建标准化流模型；S3、根据所述隐式特征向量和标准化流模型构建并训练基于条件标准化流的不确定性量化模型；S4、将隐式特征向量输入至基于条件标准化流的不确定性量化模型中，得到适配器应变场的近似应变分布；S5、使用前向传播对近似应变分布进行计算，得到适配器应变场的不确定性量化结果。本申请利用基于条件标准化流的不确定性量化模型，根据隐式特征向量和标准化流模型预测适配器各点的应变分布，给出准确的均值和方差结果,量化应变场的不确定性，提高不确定性量化的精度。
-
公开(公告)号：CN118941739A
公开(公告)日：2024-11-12
申请号：CN202410944280.5
申请日：2024-07-15
Applicant: 华中科技大学
Abstract: 本发明提出了一种适配器的数字孪生模型可视化方法，属于可视化领域，包括：S1、设定适配器模型在屏幕上的目标成像尺寸；S2、计算目标成像尺寸与待可视化适配器模型的实际物理宽度尺寸的比例，得到缩放比例因子，根据缩放比例因子对待可视化适配器模型进行等比例缩放，得到缩放后待可视化适配器模型，并测量缩放后待可视化适配器模型的表面积；S3、构建待可视化适配器模型的离散点云网格，并根据离散点云网格生成待可视化适配器模型的数字孪生模型；S4、编写待可视化适配器模型的数字孪生模型的着色器进行数字孪生模型渲染，并将渲染后的数字孪生模型进行可视化展示。本申请利用点云网格捕捉物理对象细节，将数字孪生模型与实际的物理信息进行融合，并通过着色器渲染提高可视化效果，提高数字孪生模型的可视化表达力。
-
公开(公告)号：CN117494320A
公开(公告)日：2024-02-02
申请号：CN202311565432.2
申请日：2023-11-22
Applicant: 华中科技大学
IPC: G06F30/15 , G06F30/28 , G06F30/23 , G06F113/08 , G06F119/14
Abstract: 本发明提供一种基于高维组合代理模型的复杂船型阻力快速预报方法，涉及船型阻力预测领域，包括：获取设计变量及变化范围；根据设计变量及变化范围，均匀采集样本点；建立待阻力预测船型的静水有限元模型，获取各样本点的船型阻力值，对船型阻力值进行验证处理，得到更新后的样本点；根据更新后的样本点，构建每个维度的近似函数，根据近似函数进行建模，得到近似函数代理模型，将所有维度的近似函数代理模型统一组合形成最终的阻力预测模型；获取不同船型的阻力预测点，利用最终的阻力预测模型对不同船型的阻力预测点进行阻力快速预报。本发明提高了在面对高维度复杂船型的阻力预报效率，保证了高维度复杂船型阻力预报的稳定性。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.021 seconds)
