自动编码器在流场降阶中的应用

自动编码器作为一种压缩算法,在数据降维和去噪等方面有着广泛实践,有条件作为一种降阶方法在流场识别与数据处理方面得到应用。文章中以圆柱绕流为例,首先对圆柱后速度场建立了编码模型,用来对原始数据进行降维和特征提取,之后将编码后的数据与流场特征量相关联,建立了由流场编码回归圆柱表面压力系数的神经网络,探索了降维后数据的应用。结果表明,自动编码得到的结果能够承载原始速度场的主要信息,解码后速度场与原速度场测试均方根误差小于0.02,压力回归测试均方根误差可小于0.1。说明自动编码器能够作为一种流场的特征提取和降阶方法,在未来得到更广泛的应用。     

材料基因工程加速新材料设计与研发

在未知材料化学成分和性能关系的情况下,通过传统的“试错-纠错”方法研发具有特定功能的新材料成本高且经常失败。随着人工智能和数据驱动的第四科学范式的发展,材料基因工程(MGE)已经成为材料设计与研发的新模式。综述了材料基因工程中高通量计算、材料数据库和人工智能方法的研究进展。介绍了材料高通量计算常用的框架和方法;阐述了材料数据库在材料数据类型和数据标准两方面的发展现状和有待解决的难题;总结了人工智能方法在材料关键基础问题中的应用。从高通量可视化计算方法、材料多类型数据库和可视化机器学习框架三方面重点证述了自主开发的多尺度集成可视化的高通量自动计算和数据管理智能平台ALKEMIE。展望了材料基因工程未来的发展趋势。     

基于聚类的多标记选择性集成

多标记学习和选择性集成是机器学习中的两个热点研究问题。本文利用聚类思想探究多标记学习中的选择性集成, 提出了两种具体的多标记选择性集成算法：基于最小距离的簇中心选择算法（Minimum distance based cluster center selection,MDCCS）和基于K-means的簇中心选择算法（K-means based cluster center selection, KMCCS）。在所提出的算法中,如何度量学习器之间的距离是其能否成功的关键因素。本文首先基于学习器的分类结果对其进行重新表示,在此基础上给出了学习器之间距离的计算方式。此外, 对于算法中的空簇问题给出了两种解决方法。基于Mulan数据库中的多标记数据集和5种评价指标对所提算法进行了详细的分析,实验结果表明了所提算法的有效性。     

基于机器学习的航行通告文本分类研究

航行通告是与航空飞行有关人员必须及时知道的,影响民航飞机使用服务,关于设施、空域、资料的通知,对航行通告进行文本分类处理可以提升飞行运行效率、助力飞行正常、落实相关法律规章。以国内某大型航空公司为例,日均接收处理航行通告约2 600条,大部分需人工进行分类处理,且航行通告的数量在稳步增长,故机器学习文本处理极具应用前景。本文使用航空公司收取的航行通告为文本原料,使用词袋模型以及TF-IDF模型,借助朴素贝叶斯分类器,结果表明词袋模型朴素贝叶斯分类器以88.41%的准确率优于TF-IDF模型朴素贝叶斯分类器,具有较好的生产推广价值。     

基于XGBoost的航空器动态滑行时间预测方法研究

对航空器进港和离港滑行时间进行精确的动态预测,可以有效提升机场的运行效率。首次提出基于XGBoost 的航空器动态滑行时间预测方法,该方法首先通过分析影响机场滑行时间的各类因素,构建可变滑行时间预测的关键特征指标;然后选取XGBoost 算法建立可变滑行时间预测模型,对模型的关键输入参数进行测试调整;最后将XGBoos...     

航空发动机风扇宽频噪声预测技术发展研究

综述了风扇宽频噪声预测技术在航空发动机噪声控制领域的研究进展和应用,包括经验模型、分析模型、计算气动声学和机器学习等方法。对这些方法的发展现状进行了回顾,并对国内外情况进行了对比分析。研究发现,不同的预测模型适用于不同阶段的设计过程,如经验模型适用于概念设计阶段,分析模型适用于通流设计阶段,计算气动声学适用于详细设计阶段。此外,基于机器学习的风扇尾迹湍流预测是一个重要的研究方向,提高训练效率和预测精度将显著提升机器学习的适用性。最后,对风扇宽频噪声预测方法进行了简要总结和展望。     

磁控形状记忆合金动态建模及仿真研究

磁控形状记忆合金是一种新型功能材料,准确实用的动态模型的建立必然会为其进一步的应用奠定基础.然而由于其变形机理的复杂性,难以从其物理特性出发建模.因此以实验数据为基础,用最小二乘支持向量机回归建立动态模型,可以把磁控形状记忆合金动态建模问题转换为一个非线性小样本函数回归估计问题,并与BP神经网络在估计精度和泛化能力两方面进行了性能对比分析.仿真结果表明,最小二乘支持向量机在精度和泛化功能方面做到了最好的折衷,是用于磁控形状记忆合金回归分析建立其动态模型的一种很有效的方法.     

机器学习在湍流模型构建中的应用进展

借助于高性能计算机和数据共享平台的发展,研究者可以获取大量的高分辨率湍流计算数据。近年来,随着深度神经网络等人工智能技术的发展,数据驱动的机器学习方法也开始应用于湍流模型中不确定度的量化以及模型的改进和构建中。湍流大数据与人工智能相结合是湍流研究的一个新领域。研究者在取得一定成果的同时也面临着诸多困难和挑战,例如模型的泛化能力和鲁棒性等。模型构建过程包含了数据处理、特征选择以及模型框架的选取与优化等诸多方面,这些方面在不同程度上影响模型的性能。本文从机器学习在湍流建模过程中的实现方法和模型的不同作用两方面分析总结了目前主要的研究工作进展,并对这类问题面临的挑战和未来的研究展望进行了阐述。