排序方式: 共有3条查询结果,搜索用时 31 毫秒
1
1.
2.
以伊利诺伊大学香槟分校UIUC的工程翼型库为研究对象,首先通过几何数据直接对比以及基于型函数/类函数变换(CST)的参数化方法实现了重复翼型和数据异常翼型的清洗;接着,对CST参数的取值分布规律进行分析发现其近似呈正态分布,对CST参数之间的关联规律进行挖掘得到翼型参数之间的相关性,并对CST参数进行聚类分析,其结果基本与工程翼型的分类一致;进一步,采用级差分析方法、SOM自组织映射方法和Apriori方法分析了CST参数与典型工况翼型气动特性之间的关系.其中,级差分析方法给出了各CST参数对气动特性影响的显著程度,SOM和Apriori方法则分析了CST参数和气动特性之间的相关性;最后,分别使用支持向量机(SVM)和深度神经网络(DNN)构建了CST参数与典型工况下气动特性之间的预测模型,在拟合和泛化能力方面,深度神经网络模型明显优于SVM模型.本文所得到的数据挖掘及建模结果可为工程翼型气动特性分析与设计提供支撑. 相似文献
3.
建立了一种基于内嵌物理机理神经网络(PINN)的热传导方程的正问题及逆问题求解方法.该方法利用自动微分技术将一维热传导方程嵌入到深度网络的损失函数中,通过以损失函数最小为目标来优化深度网络,求解一维热传导方程以及对方程中的未知导热系数进行辨识.随后,分析了基于PINN求解正问题的收敛精度以及参数辨识的鲁棒性,并得出以下结论:在给定网络结构的情况下,基于PINN求解一维热传导方程的收敛误差在样本点数较少时主要由采样误差主导,而当样本点数较多时,收敛误差由优化误差主导;由于损失函数中包含了方程相关的正则化项,以及采用了自动微分技术,因此,基于PINN的参数辨识方法噪声标签数据具有较强的鲁棒性. 相似文献
1