iSIGHT初级培训-近似模型Approximation_第1页
iSIGHT初级培训-近似模型Approximation_第2页
iSIGHT初级培训-近似模型Approximation_第3页
iSIGHT初级培训-近似模型Approximation_第4页
iSIGHT初级培训-近似模型Approximation_第5页
已阅读5页,还剩62页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

近似模型

Approximation

Isight初级培训

大纲概述Isight中的近似模型方法响应面模型(RSM)径向基神经网络(RBF)在Isight中实现近似模型方法近似模型后处理工具练习背景介绍近似模型:模拟一系列输入参数与输出参数之间的响应关系由试验人员发明近似模型方法从1964年开始被工程人员用来辅助分析行为模型为何要使用近似模型?避免高强度仿真计算,减少迭代时间平滑设计空间的数值噪声预估输入输出参数之间的响应关系有效避免限于局部最优解,使数值优化算法也有可能找到全局解可与其他算法组成更好的优化策略:DOEOptimizationMonteCarloRobustDesignCanbeappliedatanylevelsimcode,calculationor(sub)taskMainTaskSubTask1SimCode1SimCode2Calculation1SimCode3Calculation2Approx2Approx1Isight中应用近似模型近似模型术语独立变量:

设计者控制的输入参数。响应:

被预测的性能或质量特征。近似模型(代理模型):

预测响应值的近似“metamodel”

,代替昂贵、耗时的仿真程序。近似方法:

对于开发、改善、优化过程和产品有用的统计方法和数学方法的集合。预测:

利用近似Metamodel获得估计的响应。近似模型思想OptimizationModelSimcodeOptimizationModelCAE优化方法近似模型CAE优化方法目的:建立X与Y的近似关系精确模型:Y=Y(X)近似模型:Y~=Y~(X)减少数值模拟的次数平滑设计空间的数值噪声估计最优设计XYRSM2RSM1RSM0Target:逼近全局最小点区域真实响应曲线抽样点响应面近似曲线近似模型原理流程图DOE采集数据实验数据随机选择数据采集选择模型类型拟合模型模型可以接受?使用该模型代替仿真程序验证模型YNXY响应面模型(RSM)径向基神经网络模型(RBF)误差分析1~4阶响应面模型(ResponseSurfacemodels)径向基神经网络模型(RadialBasisFunction(RBF)neuralnetmodel)克利金模型(Krigingmodel)Isight中建立近似模型的方法响应面模型函数是一个多项式是最常用的构建近似模型的方法模型初始化方法:随机采点已有的样本点数据(如DOE样本点、前次优化的db文件)Isight中近似模型初始化之后,在优化过程中可以用新的设计点去更新近似模型,不断提高近似模型可信度。响应面模型——精度问题精确性如何?选择不同的阶数,效果如何?LinearQuadraticCubicQuartic已有数据点一阶响应面一阶响应面模型需要进行N+1次精确分析一般用于模拟局部线性关系Where: Nisthenumberofmodelinputs xiisthesetofmodelinputs a,barethepolynomialcoefficients二阶响应面二阶响应面模型需要(N+1)*(N+2)/2次精确分析曲面模拟,精确度较高根据样本点拟合a,b,c,d其中: N为模型输入参数的数目

xi为模型输入参数

a,b,c.d为多项式系数一次项数目:N+1单个二次项数目:N交互二次项数目:N(N-1)/2二阶响应面三阶响应面模型模拟非线性空间三阶响应面四阶响应面模型适合于高度非线性空间的模拟四阶响应面响应面模型(总结)最高阶为4阶响应面模型:

F(x)=a0+Sbixi+Sciixi2+Scijxixj(i<j)+Sdixi3+Seixi4

近似模型初始化可以随机采样,也可以使用已有的样本文件,如DOE样本点文件、前次优化db文件一阶响应面模型需调用(N+1)次精确计算二阶响应面模型需调用(N+1)(N+2)/2次精确计算三阶响应面模型需调用[(N+1)(N+2)/2]+N次精确计算四阶响应面模型需调用[(N+1)(N+2)/2]+2N次精确计算可以在优化过程中通过使用动态文件的方式不断将新的设计点添加到文件中,自动更新近似模型。初始化时使用的样本点不保证都在拟合出来的响应面上1~4阶响应面模型(ResponseSurfacemodels)径向基神经网络模型(RadialBasisFunction(RBF)neuralnetmodel)Isight中建立近似模型的方法径向基神经网络模型(RBF)神经元网络是基于生物学的神经元网络的基本原理而建立的。构建的响应面通过所有的样本点RBF模型参照Hardy(1972)methodasdescribedbyKansa(1999)RBFusesavariablepowerspline: ||x–xj||cj where ||x–xj||为欧几里德距离

cj

为形状参数,0.2<c<3.0c值的不同,建立的RBF模型也精度不尽相同,所以需要设置合适的c值来获得最高精度的近似模型。Isight建立RBF近似模型的时候会内部做一个优化,优化的变量是c的值,目标是要使得近似模型的误差最小RBF模型的优点快速自动变换RBF形状参数c初始化时间短,一般为5分钟以内近似模型质量较高方法稳健,对数据点的要求不高可以实现预知模型错误2.RBF-神经网络与人工神经网络细胞体

轴突

轴突末端树突2.RBF-神经网络包含输入层,输出层和隐藏层最少需要2N+1个样本点RBF模型包含所有的样本点与多项式拟合(RSM)做对比Z=sin(x)*sin(y)x=[0,5],y=[0,5]

6*6=36pointsZ=sin(x)*sin(y)x=[0,5],y=[0,5],

11*11=121个点复杂函数z=sin(x)cos(3x)/(x+1)*sin(y)

31*11points误差1.84%大纲概述Isight中的近似模型方法响应面模型(RSM)径向基神经网络(RBF)在Isight中实现近似模型方法近似模型后处理工具练习1.实施方法-在子任务中添加近似模型组件1.实施方法-在Calculator中添加近似模型组件1.实施方法-独立组件近似模型可以作为一个单独的组件,前提是必须有样本点或者系数文件。2.向导式操作方式大纲概述Isight中的近似模型方法响应面模型(RSM)径向基神经网络(RBF)在Isight中实现近似模型方法近似模型后处理工具练习VDD-设计空间可视化2D、3D显示滑动条缩放、拖动、旋转对于均值、最大值,平方根方式值越小越好对于均值和平方根方式默认的下限为0.2,而对于最大值模式为0.3对于R-squared值越大越好默认的下限为0.9违反界限的显示红色误差分析Beam例子第一次抽样输入:高度、宽度输出:应力、质量、变形第一次抽样:方法:RBF样本点来源:DOE-LHC,50个误差分析CrossValidation,10个点敏度分析近似关系可视化近似模型可信度评价标准:应力、变形、质量的R^2>90%否则增加样本点,进行第二次抽样建立近似模型设置类型设置算法定义输入、输出设置拟合系数定义样本点定义抽样范围抽样点列表定义误差分析类型定义误差点近似模型建立结果误差分析对变形和应力的R^2<90%,说明近似模型对这两个响应的逼近程度未达标;因此样本点不够多,需要增加样本点,进行第二次抽样敏度分析可视化可视化可视化小结:第一次抽样输入:高度、宽度输出:应力、质量、变形第一次抽样:方法:RBF样本点来源:DOE-LHC,50个误差分析:应力的R^2=0.7389,变形R^2=0.6307,结论:应力、变形的R^2<90%,因此当前的近似模型精度还没达到标准,需要进一步增加样本点,进行第二次抽样第二次抽样输入:高度、宽度输出:应力、质量、变形第二次抽样:方法:RBF样本点来源:保留第一次抽样的50个样本点,同时运用DOE-LHC,增加30个新样本点因此,总样本点数为80个误差分析:CrossValidation,10个点可信度评价标准:所有响应R^2>90%,否则增加样本点,进行第三次抽样保留第一次抽样样本点定义新增样本点第二次抽样误差分析应力、变形都达到R^2>90%,近似模型有足够的可信度可视化可视化可视化小结:第二次抽样输入:高度、宽度输出:应力、质量、变形第二次抽样:方法:RBF样本点来源:

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论