基于高斯过程回归的机翼/短舱一体化气动优化

为了解决机翼/短舱一体化气动设计的高维非线性优化问题，基于高斯过程回归（GPR）模型提出新型优化设计方法.采用类别形状函数变换（CST）方法对机翼/短舱一体化构型中的翼型进行几何参数化建模；通过控制机翼形状参数、短舱形状参数和短舱安装参数实现机翼/短舱构型变形，该参数化建模过程共计包含50个设计参数.通过GPR模型构建机翼/短舱设计参数与气动性能之间的代理模型，并采用贝叶斯优化（BO）算法实现代理模型的自更新和最优气动外形的获取.结果表明：优化后一体化构型的阻力系数下降了10.95%，通过流场分析发现机翼外形和短舱外形的优化改善了表面流场结构，短舱安装位置的优化减弱了机翼和短舱间的气动干扰.     

流线型箱梁气动外形的数值优化

为改善基于风洞试验的桥梁断面气动外形优化方法所固有的人力物力耗费、搜索范围有限等缺点,提出了一套基于数值计算和数学策略的主梁气动外形优化方法。选取断面下腹板倾角和梁高作为设计变量,以计算流体力学(CFD)模拟和颤振时域法作为数值计算手段替代风洞试验,将试验设计、蚁群混合遗传算法与Kriging代理模型作为协同数学策略替代试错法,探索优化了苏通长江大桥流线型箱梁断面颤振性能最佳的参数匹配方案。结果显示,设计域内最优断面颤振临界风速比原型断面提高8%,下腹板倾角相比梁高对颤振性能影响更大,且存在交互作用。主梁断面气动外形数值优化方法能够较好地取代风洞试验进行外形寻优,研究对以后大跨度桥梁断面选型具有借鉴意义。     

斜拉桥Π型开口断面主梁气动选型风洞试验

型钢-混凝土开口Π型主梁断面是目前斜拉桥中广泛应用的一种形式,由于其钝体断面特性,容易出现风致振动问题,需要对其断面进行优化．以某主跨300 m的斜拉桥为工程背景,通过一系列节段模型风洞试验,对3种Π型结合主梁断面进行风洞试验研究,比较了它们的颤振和涡振性能,得到了一些有益结论:在很多情况下,气动外形对Π型主梁颤振和涡振性能的影响不同,在气动选型中应综合考虑;与均匀流场相比,紊流场的脉动分量抑制了漩涡的规律性脱落,使得主梁断面发生涡振的机率和涡振振幅都大大减小．     

基于Stochastic Kriging的柔性机翼稳健性优化设计

采用随机代理模型方法对柔性机翼气动外形进行稳健性优化设计。相比确定性优化设计,稳健性设计能够考虑设计变量和参数的扰动,保持设计结果在不确定性影响下的性能稳定。采用高精度的气动/结构耦合求解器(耦合Navier-Stokes方程和结构静力学方程)分析柔性机翼的变形情况和气动效率。为了提高优化效率,建立随机Kriging(Stochastic Kriging,SK)代理模型,将确定性的Kriging代理模型发展到随机空间,通过有限次输入得到数据的固有不确定性。对柔性M6机翼的气动外形进行稳健性优化设计,结果表明:相比确定性代理模型的稳健性优化结果,应用随机代理模型的优化结果的设计点阻力系数减小2.8 counts,在可变马赫数范围内阻力系数均值减小3.2 counts,优化结果具有较高的设计点气动效率和阻力发散特性,并且优化后构型的翼根弯矩有明显减小,体现随机代理模型在稳健性优化设计系统中的优势,同时也说明建立的SK代理模型具有较高的预测精度。     

基于注意力机制的数控机床热误差深度学习预测方法

为提高热误差预测精度和鲁棒性,提出一种基于注意力机制和深度学习网络的数控机床热误差预测模型。采用数据转化策略,将数控机床原始温度数据转化为温度图像,直接作为深度学习网络的输入;提出一种基于注意力机制的温度敏感点识别网络,根据温度测点与热误差关联程度,赋予各温度测点不同的权值,避免了温度测点的人为选取弊端;建立12层深度CNN学习预测网络,利用其强大的图像特征学习能力,挖掘温度图像与热误差的非线性映射关系,无需对温度关键点进行预选择,保留了更多的热误差与机床温度特征关系,显著提高了模型预测精度。为了提高热误差模型的精度与泛化能力,引入Dropout正则化方法和Adam优化算法,对深度卷积神经网络的结构与参数进行了优化。该方法在针对G460L型数控车床的热误差验证中表现出较高的预测精度。通过与BP神经网络和多元回归等传统热误差模型进行对比,深度卷积神经网络框架下的热误差模型在泛化性指标上表现更优。     

复杂底部结构下的重型载货汽车气动阻力

针对具有复杂底部结构的五轴重型载货汽车气动阻力进行研究,建立了与实车外形结构一致的车辆模型,利用基于格子玻尔兹曼方法的计算流体动力学软件XFlow,模拟了模型外流场流体的宏观行为。进行了模型的格子尺度优化试验,得到整车模型的空气阻力系数以及底部结构对整车气动阻力的影响。对模型底部压力分布、旋转车轮的表面速度分布、模型底部外流场速度分布、湍流强度分布以及车辆模型底部粒子轨迹线进行了分析,根据分析结果对车辆模型底部进行结构优化。仿真结果表明:车辆模型的空气阻力系数误差在6%以内,对模型底部结构进行优化可以降低整车空气阻力系数23%。     

参数化艇身阻力特性的全局敏感度及设计空间

为有效降低飞艇艇身外形设计参数的维度、提高设计效率,并给予飞艇艇身初期设计一定的参考和指导.结合PARSEC(parametric section)参数化方法、计算流体力学(Computational fluid dynamics, CFD)方法和基于方差的Sobol全局敏感度分析方法,形成了一套艇身外形参数关于阻力系数敏感度的评价体系.首先,采用物理意义明确的PARSEC方法描述飞艇艇身外形轮廓线.然后,由拉丁超立方抽样(Latin hypercube sampling, LHS)所产生样本艇身的阻力系数通过二维轴对称模型的CFD数值方法得到,CFD数值方法求解精度通过6个典型流线型旋成体的实验数据得到了验证,在保证雷诺数一致的情况下,计算和实验所得艇身阻力系数的平均相对误差为1.5%.最后,通过Sobol全局敏感度分析方法对艇身外形参数进行了敏感度排序.研究结果表明,与艇身阻力系数最敏感的3个参数分别为头部半径r_h、最大半径r_d和最大半径位置x_d.在此工作基础上形成了飞艇艇身外形的设计空间,所得设计空间对提高飞艇外形设计效率、降低飞艇气动阻力系数具有积极意义.     

基于遗传算法的微型飞行器翼型优化设计

采用遗传算法对微型飞行器翼型进行优化设计,在优化过程中翼型由解析函数线性叠加法表示,通过计算流体力学(computational fluid dynamics,CFD)软件Fluent对设计的翼型进行了升力系数和阻力系数的气动计算,然后应用遗传算法,以最大升阻比为目标,得到了一组优化的翼型外形参数,并用Isight软件集成实现了计算过程的自动化.     

基于智能算法的汽车气动外形参数多目标优化

为了对汽车外形进行优化设计,利用CFD软件与智能算法相结合的方法,以在天窗微开高速行驶状态下的汽车为优化的对象,选取气动阻力最小、气动升力为0、天窗后缘压强最小为`优化目标,以汽车关键外形参数为设计变量,对汽车气动外形进行多目标优化设计.同时,应用了数据挖掘技术评价设计变量与3个目标函数的影响关系,选取优化后的最佳关键参数制作汽车模型并进行风洞试验验证.研究结果表明:通过遗传算法优化的车身外形,在其他设计目标满足要求的条件下成功地将阻力系数降低了9.5%,并通过风洞试验验证了该智能算法结果的准确性.基于智能算法的汽车气动外形设计具有指导意义与实际应用价值,为汽车气动外形的多目标优化设计提供了一种高效、精确、可靠的先进优化方法.     

襟翼偏转翼伞气动性能数值模拟分析

为研究襟翼偏转对翼伞气动性能的影响,对不同襟翼偏转情况分别建立CFD模型,通过有限体积法进行空间离散并求解RANS方程,模拟翼伞在转向与雀降阶段的气动性能,进而结合最小二乘法进行参数辨识,实现翼伞气动模型的修正.模拟结果表明:襟翼偏转会引起翼伞压强分布改变,失速迎角减小,升阻力系数突增,对翼伞气动性能造成复杂的影响;修正的翼伞气动模型可以较好描述翼伞气动性能与襟翼偏转的变化规律,相比传统气动模型有效地提高了计算精度,为翼伞在转向与雀降阶段的精确建模提供参考.     

起重机主梁截面风力系数预测及结构优化设计

为解决传统计算流体力学(computational fluid dynamics, CFD)方法获取港口起重机主梁截面风力系数过程繁琐、难以实现结构快速优化设计的关键技术难题，提出了一种基于卷积神经网络的起重机主梁截面风力系数快速预测模型。本研究所提出的风力系数快速预测模型利用自由几何变形方法处理基础截面形状以获取具有丰富几何特征的起重机主梁截面图形集，并采用CFD方法计算各主梁截面图形对应的风力系数生成数据集。在此基础上，基于数据集训练预测模型并对其网络结构进行优化，建立了主梁截面与风力系数之间的非线性映射关系。此外，进一步将该预测模型与遗传算法结合建立了一种主梁截面优化设计方法，并以数据集内F₁₁截面为例将防风性能作为优化目标测试了该优化方法的准确性和效率。算例测试结果表明，所提出的风力系数快速预测模型在预测各主梁截面的风力系数时平均相对误差为1.87%,预测时间为毫秒量级，比传统CFD方法计算效率有数量级地提升；应用本研究所发展的起重机主梁截面优化设计方法优化后的F₁₁截面较优化前风力系数降低了15.89%,能够极大地提高主梁截面的防风...     

基于深度学习的变压器图像识别系统

针对变压器型号多、图像复杂,以及传统基于机器学习的人工设计特征的方法不能对大规模变压器图像准确分类等问题提出了基于深度学习的变压器图像识别系统直接对原始图像进行"端对端"的学习。为实现变压器图像的准确分类,提出了改进VGG-16卷积神经网络的变压器图像识别模型。在VGG-16模型的基础上,重新构建了全连接层,针对原有的SoftMax分类器,采用3标签的SoftMax分类器进行替换,以实现网络结构优化,并通过迁移学习共享V GG-16模型卷积层和降采样层的权值参数。通过构建变压器图像的训练集和测试集对改进模型进行了训练,并进行性能测试。结果表明,与深度神经网络、卷积神经网络模型相比,改进VGG-16模型具有更好的效果,识别误差达到了9.17%,并实现了对3种变压器的准确区分。     

基于深度学习的空管语音识别

文章在分析空中交通管制业务的基础上,研究一种适用于我国民航管制通话的端到端语音识别算法。文章设计了基于卷积神经网络和循环神经网络的深度学习模型,以CTC作为损失函数使用已标注数据进行迭代训练,从而优化模型参数。以空中交通管理中的管制通话语音作为模型的输入,最终输出中文汉字和空管专有名词。使用真实采集的管制通话语音数据进行实验,在10 h的训练数据上词错误率为9.49%。实验结果表明,与传统的语音识别算法比较,该算法有更优异的识别效果。     

基于样本均衡与特征交互的通信网络故障预测方法

通信网络故障预测数据集样本不均衡,影响故障预测的准确性,对此,提出了基于样本均衡与特征交互的通信网络故障预测方法. 首先,将基于Wasserstein距离的梯度惩罚生成对抗网络(WGAN-GP)用于生成新的少数类样本,解决了告警数据集中存在的样本不均衡问题,并提出了嵌入记忆向量的特征生成卷积神经网络(M-FGCNN)模型. 利用多层感知器和卷积神经网络加强特征间的交互,将告警领域专家经验与因子分解机模型结合生成新的告警特征;在模型的嵌入矩阵中加入记忆向量并改进了模型的损失函数,增强了模型的记忆性. 在样本不均衡的公开数据集上进行实验的结果表明,引入WGAN-GP模型的方法比已有的样本均衡方法能生成质量更好的新数据. M-FGCNN模型比其他深度学习模型具有更好的通信网络故障预测性能.     

基于板块效应的深度学习股价走势预测方法

股票价格预测作为金融预测领域中一项重要的研究方向,准确预测股票价格的涨跌可以帮助投资者盈利或及时止损. 经研究发现,某些因素(如政策、社会突发事件等)会对同板块下的多只股票价格产生影响,导致同板块的多只股票在某个时间段内出现相似的走势,即板块效应. 因此,同板块下多只股票的价格走势对于股票预测具有参考作用. 针对这一现象,提出了一种基于板块效应的深度学习股价走势预测方法. 首先,使用皮尔森(Pearson)相关系数和XGBoost算法对同板块下多只股票的收盘价进行分析,以筛选出与预测股票相关性高的多只股票,并使用自编码器对这些股票的收盘价进行降维,以提取股票的价格走势; 其次,构建了一个基于卷积神经网络(convolutional neural networks,CNN)与长短期记忆(long short-term memory,LSTM)网络的混合深度学习预测模型,使用一维卷积神经网络提取输入数据的特征,使用LSTM网络对股票价格进行预测. 该模型使用银行、医药、酒业、娱乐传媒4个板块的股票作为实验数据集. 为了提高模型的预测效果,通过随机搜索对LSTM网络的神经元个数进行简单的分析,以选择较优的神经元个数. 最后,通过实验分析,基于同板块数据集的深度学习预测模型具有良好的预测效果.     

基于C-LSTM的短期用电预测模型和应用

基于深度学习下的长短期记忆循环神经网络对家庭短期用电预测进行研究。本研究引入卷积神经网络(convolutional neural network, CNN)和长短期记忆(long short term memory, LSTM)模型结合的混合深度神经网络模型C-LSTM,并在此模型基础上提出多步预测策略。根据对5个真实家庭日常用电数据集的研究,C-LSTM实现了以5 min为单位的家庭电力需求预测。通过不断修改模型参数、完善模型,从本研究提供的3种误差指标的分析来看,C-LSTM预测准确性高于自回归集成移动平均模型、支持向量回归模型和LSTM模型。本研究评价模型预测效果的主要依据是平均绝对百分比误差值(mean absolute percentage error, MAPE), 从试验结果可得C-LSTM 模型在5 min的家庭需求电力预测,比支持向量回归模型提升4.63%,比 LSTM提升22.8%,比自回归集成移动平均模型提升 34.74%。因此,C-LSTM模型为智能电网对家庭层面电需求的准确及时预测提供了保障,对推动个性化用电套餐的广泛普及、减少能源浪费产生重要影响。     

用于文本情感极性分析的动态卷积神经网络超限学习算法

为改善动态卷积神经网络在文本情感分类方法中的泛化能力,提出了一种动态卷积超限学习算法.对动态卷积神经网络的输出层加以改进,使用浅层随机神经网络替代全连接层,利用参数随机生成的扰动性能,降低分类端对训练样本的依赖,避免过拟合,提升分类性能.在公共数据集上的实验证明:相对改进前的动态卷积学习算法以及超限学习机,所提出的方法在准确率、F1测度等多个标准指标上均体现了更优的分类性能.     

索力振动法测量神经网络赋泛研究

索的受力状态关系着索体系桥梁的安全,而索力值是衡量索的力学状态的重要指标。目前,索的边界条件难以判别是影响索力识别结果准确性的重要因素。为此,利用ANSYS对拉索振动进行数值模拟,并借助已有索力计算公式对建模方式的可靠性进行验证并生成模拟数据,然后以索长、线密度、抗弯刚度、一阶频率、二阶频率、三阶频率为输入参数,以索力值为输出参数结合振动模拟数据分别建立BP神经网络和广义回归神经网络索力预测模型,并将两种神经网络索力预测模型和已有索力计算公式应用于实际工程中进行对比验证。结果表明：BP神经网络索力预测模型的神经网络结构为6-13-13-1,输入层与隐含层1、隐含层1与隐含层2、隐含层2与输出层之间的激励函数分别为tansig、tansig、purelin,训练算法为L-M优化算法trainlm,学习速率为0.1,网络迭代次数为1000,显示间隔为100,均方误差为0.001,索力预测模型的预测效果良好,但还有进一步优化的空间;广义回归神经网络索力预测模型的最佳spread值为0.00215,索力预测模型的预测效果优于BP神经网络和已有索力计算公式,且预测误差基本控制在5%以内。利用广义回归神经网络对桥梁索力进行预测,避免了索的边界条件判别错误对索力识别结果准确性的影响,提高了索力的识别精度,具有良好的工程应用价值。