-
公开(公告)号：CN118761012B
公开(公告)日：2024-12-27
申请号：CN202411237627.9
申请日：2024-09-05
Applicant: 南昌大学
IPC: G06F18/2433 , G06F18/22 , G16C60/00 , G06N20/00
Abstract: 本发明公开了基于机器学习的IN718镍基合金成形缺失数据生成与预测方法，包括：构造IN718镍基合金成形核心数据集并进行数据预处理；基于数据相似性筛选准则与分布特性剔除异常数据；针对核心工艺参数完整数据集构造机器学习模型；根据核心工艺参数不完整数据集构造核心工艺参数缺失数据矩阵；以最小化均方误差为优化目标，采用梯度优化生成核心工艺参数缺失数据的最优填补值，形成核心工艺参数的填补数据集；合并填补数据集与完整数据集来构造机器学习模型，根据留一验证法评估机器学习模型精度，输出机器学习模型。本发明能够对IN718镍基合金成形的核心性能指标预测与核心工艺参数缺失数据填补，实现缺失数据的最优化填补，显著提高预测能力。
-
Patent Agency Ranking
公开(公告)号：CN119337752A
公开(公告)日：2025-01-21
申请号：CN202411906948.3
申请日：2024-12-24
Applicant: 南昌大学
Abstract: 本发明公开了一种基于信息融合的机翼升阻比机器学习优化设计方法，包括：（1）分别在Xfoil与Abaqus中构建机翼升阻比与刚度仿真模型；（2）迭代优化机翼夹层参数个体向量间的相关性以建立种群；（3）使用DE/current/0对种群进行扩展，并融合三种差分进化生成1500个机翼夹层参数向量；（4）融合角度与距离信息构建径向基函数机器学习预测模型；（5）评估机翼升阻比与刚度；（6）基于适应度函数，筛选最佳机翼夹层参数向量，更新种群并转至步骤（3），直到优化结构达到要求。本发明通过种群扩展改善子代的分布、通过角度与距离信息融合的径向基函数机器学习预测模型提供准确的预测、通过适应度函数平衡机翼升阻比与刚度的优化，从而提高机翼升阻比优化性能。
-
公开(公告)号：CN118761012A
公开(公告)日：2024-10-11
申请号：CN202411237627.9
申请日：2024-09-05
Applicant: 南昌大学
IPC: G06F18/2433 , G06F18/22 , G16C60/00 , G06N20/00
Abstract: 本发明公开了基于机器学习的IN718镍基合金成形缺失数据生成与预测方法，包括：构造IN718镍基合金成形核心数据集并进行数据预处理；基于数据相似性筛选准则与分布特性剔除异常数据；针对核心工艺参数完整数据集构造机器学习模型；根据核心工艺参数不完整数据集构造核心工艺参数缺失数据矩阵；以最小化均方误差为优化目标，采用梯度优化生成核心工艺参数缺失数据的最优填补值，形成核心工艺参数的填补数据集；合并填补数据集与完整数据集来构造机器学习模型，根据留一验证法评估机器学习模型精度，输出机器学习模型。本发明能够对IN718镍基合金成形的核心性能指标预测与核心工艺参数缺失数据填补，实现缺失数据的最优化填补，显著提高预测能力。
-
公开(公告)号：CN119337752B
公开(公告)日：2025-05-02
申请号：CN202411906948.3
申请日：2024-12-24
Applicant: 南昌大学
Abstract: 本发明公开了一种基于信息融合的机翼升阻比机器学习优化设计方法，包括：（1）分别在Xfoil与Abaqus中构建机翼升阻比与刚度仿真模型；（2）迭代优化机翼夹层参数个体向量间的相关性以建立种群；（3）使用DE/current/0对种群进行扩展，并融合三种差分进化生成1500个机翼夹层参数向量；（4）融合角度与距离信息构建径向基函数机器学习预测模型；（5）评估机翼升阻比与刚度；（6）基于适应度函数，筛选最佳机翼夹层参数向量，更新种群并转至步骤（3），直到优化结构达到要求。本发明通过种群扩展改善子代的分布、通过角度与距离信息融合的径向基函数机器学习预测模型提供准确的预测、通过适应度函数平衡机翼升阻比与刚度的优化，从而提高机翼升阻比优化性能。
-
公开(公告)号：CN119312645B
公开(公告)日：2025-05-02
申请号：CN202411854261.X
申请日：2024-12-17
Applicant: 南昌大学
IPC: G06F30/23 , G06F30/27 , G06F30/15 , G06N3/126 , G06F111/04 , G06F111/10 , G06F113/28
Abstract: 本发明公开了一种基于机器学习的翼形结构轻量化设计方法，包括：（1）导入载荷及边界约束以获得翼形结构重量与刚度指标，并推导对应数学优化模型；（2）考虑空间填充特性构建优化种群；（3）评估种群可行性状态，并设计子种群进化操作来产生候选个体；（4）基于种群的更新率构造全局或局部径向基机器学习预测模型；（5）根据父代个体可行性设计两种筛选策略；（6）对选出的最佳候选个体采用翼形结构刚度与重量仿真模型进行评估，更新种群并转至步骤（3），直至优化结构满足要求。本发明根据在优化过程中反馈的信息动态分配进化策略，自适应建模预测模型以及合理选择筛选策略，提高针对翼形结构轻量化设计问题的优化效率。
-
公开(公告)号：CN119312645A
公开(公告)日：2025-01-14
申请号：CN202411854261.X
申请日：2024-12-17
Applicant: 南昌大学
IPC: G06F30/23 , G06F30/27 , G06F30/15 , G06N3/126 , G06F111/04 , G06F111/10 , G06F113/28
Abstract: 本发明公开了一种基于机器学习的翼形结构轻量化设计方法，包括：（1）导入载荷及边界约束以获得翼形结构重量与刚度指标，并推导对应数学优化模型；（2）考虑空间填充特性构建优化种群；（3）评估种群可行性状态，并设计子种群进化操作来产生候选个体；（4）基于种群的更新率构造全局或局部径向基机器学习预测模型；（5）根据父代个体可行性设计两种筛选策略；（6）对选出的最佳候选个体采用翼形结构刚度与重量仿真模型进行评估，更新种群并转至步骤（3），直至优化结构满足要求。本发明根据在优化过程中反馈的信息动态分配进化策略，自适应建模预测模型以及合理选择筛选策略，提高针对翼形结构轻量化设计问题的优化效率。
-
-
-
-
-
Search Results
6
records
(took 0.015 seconds)
