-
公开(公告)号：CN110222828B
公开(公告)日：2021-01-15
申请号：CN201910506931.1
申请日：2019-06-12
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于混合深度神经网络的非定常流场预测方法，该方法包括生成深度学习网络输入数据；基于该输入数据，构建用于非定常流场快速预测的混合深度神经网络结构；对该深度学习网络进行训练，以得到非定常流场预测神经网络模型；该混合深度神将网络结构由卷积深度神经网络、长短时记忆神经网络及反卷积深度神经网络组成，卷积深度神经网络被用于提取流场中的结构特征，长短时记忆神经网络的作用是引入时间效应，反卷积深度神经网络被用于重现流场信息，三者结合即形成能够预测未知时刻流场信息的闭环网络；测试结果表明这种神经网络结构能够准确地捕捉到流场信息的底层结构特性和时间特性，并能准确地重现出未知时刻整个流畅信息。
-
Patent Agency Ranking
公开(公告)号：CN110222828A
公开(公告)日：2019-09-10
申请号：CN201910506931.1
申请日：2019-06-12
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于混合深度神经网络的非定常流场快速预测方法，该方法包括生成深度学习网络输入数据；基于该输入数据，构建用于非定常流场快速预测的混合深度神经网络结构；对该深度学习网络进行训练，以得到非定常流场预测神经网络模型；该混合深度神将网络结构由卷积深度神经网络、长短时记忆神经网络及反卷积深度神经网络组成，卷积深度神经网络被用于提取流场中的结构特征，长短时记忆神经网络的作用是引入时间效应，反卷积深度神经网络被用于重现流场信息，三者结合即形成能够预测未知时刻流场信息的闭环网络；测试结果表明这种神经网络结构能够准确地捕捉到流场信息的底层结构特性和时间特性，并能准确地重现出未知时刻整个流畅信息。
-
公开(公告)号：CN111553118B
公开(公告)日：2023-10-27
申请号：CN202010340933.0
申请日：2020-04-26
Applicant: 西安交通大学
IPC: G06F30/27 , G06F18/2415 , G06N3/092 , G06F111/06
Abstract: 本发明公开了一种基于强化学习的多维连续型优化变量全局优化方法，该方法包括：强化学习环境的建立；利用强化学习方法在指定优化变量集中选择指定个数的优化变量，然后再对其取值利用连续型优化变量优化算法进行优化的顺序优化策略；优化总体流程以及约束的引入方法。该方法针对多维连续型优化变量全局优化问题，实现了智能优化的目的，并且可以突破传统全局优化方法对优化变量个数的限制，使人工智能技术在优化方面的广泛应用成为了可能。可以应用于具有极大规模设计变量的工业设计、制造加工、控制优化、投资决策、系统工程等场合；并且得益于深度强化学习强大的智能组合优化能力，对于变量间存在复杂耦合关系的系统也有很好的全局优化效果。
-
公开(公告)号：CN111553118A
公开(公告)日：2020-08-18
申请号：CN202010340933.0
申请日：2020-04-26
Applicant: 西安交通大学
IPC: G06F30/27 , G06K9/62 , G06F111/06
Abstract: 本发明公开了一种基于强化学习的多维连续型优化变量全局优化方法，该方法包括：强化学习环境的建立；利用强化学习方法在指定优化变量集中选择指定个数的优化变量，然后再对其取值利用连续型优化变量优化算法进行优化的顺序优化策略；优化总体流程以及约束的引入方法。该方法针对多维连续型优化变量全局优化问题，实现了智能优化的目的，并且可以突破传统全局优化方法对优化变量个数的限制，使人工智能技术在优化方面的广泛应用成为了可能。可以应用于具有极大规模设计变量的工业设计、制造加工、控制优化、投资决策、系统工程等场合；并且得益于深度强化学习强大的智能组合优化能力，对于变量间存在复杂耦合关系的系统也有很好的全局优化效果。
-
公开(公告)号：CN108763718B
公开(公告)日：2020-08-14
申请号：CN201810499129.X
申请日：2018-05-23
Applicant: 西安交通大学
Abstract: 本发明公开了一种绕流物体和工况改变时流场特征量的快速预测方法，该方法包括：生成深度学习网络输入数据，该生成方法适用于任何二维或三维几何模型；基于该输入数据及流场初始条件和工况条件，构建用于流场预测的深度学习网络结构；对该深度学习网络进行训练，以得到流场预测模型；该方法实现了深度学习对任意的复杂几何物体进行流场预测的要求，并且可以同时考虑到不同工况条件的影响，使深度学习在流场方面的广泛应用成为了可能；并且可以应用于流固耦合系统降阶模型的建立等场合中。
-
公开(公告)号：CN108763718A
公开(公告)日：2018-11-06
申请号：CN201810499129.X
申请日：2018-05-23
Applicant: 西安交通大学
Abstract: 本发明公开了一种绕流物体和工况改变时流场特征量的快速预测方法，该方法包括：生成深度学习网络输入数据，该生成方法适用于任何二维或三维几何模型；基于该输入数据及流场初始条件和工况条件，构建用于流场预测的深度学习网络结构；对该深度学习网络进行训练，以得到流场预测模型；该方法实现了深度学习对任意的复杂几何物体进行流场预测的要求，并且可以同时考虑到不同工况条件的影响，使深度学习在流场方面的广泛应用成为了可能；并且可以应用于流固耦合系统降阶模型的建立等场合中。
-
-
-
-
-
Search Results
6
records
(took 0.024 seconds)
