一种基于机器学习的旋流器设计优化方法和装置与流程

本发明涉及单立管排水系统领域，尤其涉及一种基于机器学习的旋流器设计优化方法和装置。

背景技术：

1、在单立管排水系统领域，旋流器可以在排水管内实现水气平横，在不导致水封破坏的前提下，增大系统的排水流量。对于旋流器的设计，一般采用模型试验的方法，即先通过三维打印或是工厂开模的方式获取旋流器模型，再通过水塔的排水测试比较不同方案的优劣。设计方案的多样性，会导致高昂的模型成本和实验成本，即便有通过计算流体力学设计以节约上述成本的方案，设计参数的选择也同样存在主观性和经验主义，致使计算成本的上升。

2、由于旋流器的结构对于排水管道内流动的影响较为复杂，且不同的设计方式和参数选择往往带来不同的效果，实际的设计过程中不存在统一的理论公式或者经验公式指导方案的选择，这往往导致以下问题：

3、从方案的优劣性来说，方案中的参数设计高度依赖于经验和主观性，所得结果很难是最优解。即便是通过在一定范围内选取若干设计参数进行比较，得到的也仅是局部最优解，而非选定范围内的全局最优解。

4、从设计的成本来说，同样的优化目标前提下，传统的设计方式会导致更高的成本，造成资源和时间的浪费。

5、从产品的适用性来说，由于旋流器的初始技术由国外引入，导致其设计工况与国内的实际运用存在偏差。

技术实现思路

1、为了解决现有技术中存在的上述技术问题，本发明提出了一种基于机器学习的旋流器设计优化方法和装置，基于高斯过程回归gpr和贝叶斯优化bo算法，其具体技术方案如下：

2、一种基于机器学习的旋流器设计优化方法，包括：

3、步骤一，通过计算机辅助绘制旋流器模型，基于计算流体力学程序获取旋流器的数据信息；

4、步骤二，将获取的数据信息作为训练集，通过高斯过程回归建立代理模型；

5、步骤三，在代理模型中，通过采样函数选取最优点；

6、步骤四，重复步骤三，直至结果收敛或是计算资源耗尽。

7、进一步的，所述步骤一的数据信息具体表示为：旋流器的n组设计参数χ*＝[χ1,χ2,…,χn]下的目标值y*＝[y1,y2,…,yn]，且符合一维高斯分布其中μi是平均值，σi是方差。

8、进一步的，所述步骤二，具体为：构建高斯过程回归在高斯过程回归中，均值函数μ(χ)取常数0，核函数选用马顿核matern kernel，表达式为：

9、

10、其中，γ(ν)为伽马函数；r为χi、χj间的欧几里得距离；i，j∈1…n；l为超参数；bv为v阶修正贝塞尔函数；ν控制输出函数的平滑性，值越大越平滑；

11、选取超参数l的策略为使边缘对数似然最大化，边缘对数似然表式为：

12、

13、将高斯过程作为先验，步骤一获得的数据(χ*,y*)作为观测点，通过贝叶斯推断和高斯联合分布的性质，得到基于观测值的后验分布的均值和协方差：

14、

15、其中，

16、进一步的，所述步骤三，具体为：在代理模型中，求采样函数的极值点，将采样函数是在均值最大的点附近寻找最优值的策略，定义为挖掘，在方差最大的点附近寻找最优值的策略，定义为探索；所述采样函数为ei函数，表达式为：

17、

18、

19、其中ymax为当前样本中目标函数的最大值，xi为决定挖掘与探索的比例，xi值越大探索的比例就越高；cdf为累积分布函数，pdf为高斯分布的概率密度函数，std为协方差函数；

20、再通过l-bfgs-b策略寻找-ei的极小值即得到ei函数最大值。

21、进一步的，所述步骤四，具体为：重复步骤三，比较当前最优点与上一个最优点之间的差值，若差值小于阈值则表示优化过程收敛，找到了最优解；若仍未收敛，则将预测的最优点代入到计算流体力学程序中获取新的观测点，以上一步的代理模型作为先验，通过贝叶斯推断得到新的后验模型。

22、一种基于机器学习的旋流器设计优化装置，包括一个或多个处理器，用于实现所述的基于机器学习的旋流器设计优化方法。

23、一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现所述的基于机器学习的旋流器设计优化方法。

24、本发明的优点：

25、(1)通过基于高斯过程回归的贝叶斯优化算法，计算得到特定范围内的一组特定设计参数，可以找到选定范围内的全局最优解。

26、(2)对实验方案的参数选择具有指导意义，节约获得最优解的成本。

27、(3)相较于其它优化算法，贝叶斯优化算法可以在梯度信息缺失、目标函数构建复杂时寻找最优解，适用于计算资源开销巨大的计算流体力学。

28、(4)这种算法可以实现多参数单目标的优化，同时考虑多个参数对目标值的影响。

29、(5)提供了一种符合国内使用需求的工程中快速设计的有效方法。

技术特征：

1.一种基于机器学习的旋流器设计优化方法，其特征在于，包括：

2.如权利要求1所述的一种基于机器学习的旋流器设计优化方法，其特征在于，所述步骤一的数据信息具体表示为：旋流器的n组设计参数χ*＝[χ1,χ2,…,χn]下的目标值y*＝[y1,y2,…,yn]，且符合一维高斯分布其中μi是平均值，σi是方差。

3.如权利要求2所述的一种基于机器学习的旋流器设计优化方法，其特征在于，所述步骤二，具体为：构建高斯过程回归在高斯过程回归中，均值函数μ(χ)取常数0，核函数选用马顿核matern kernel，表达式为：

4.如权利要求3所述的一种基于机器学习的旋流器设计优化方法，其特征在于，所述步骤三，具体为：在代理模型中，求采样函数的极值点，将采样函数是在均值最大的点附近寻找最优值的策略，定义为挖掘，在方差最大的点附近寻找最优值的策略，定义为探索；所述采样函数为ei函数，表达式为：

5.如权利要求4所述的一种基于机器学习的旋流器设计优化方法，其特征在于，所述步骤四，具体为：重复步骤三，比较当前最优点与上一个最优点之间的差值，若差值小于阈值则表示优化过程收敛，找到了最优解；若仍未收敛，则将预测的最优点代入到计算流体力学程序中获取新的观测点，以上一步的代理模型作为先验，通过贝叶斯推断得到新的后验模型。

6.一种基于机器学习的旋流器设计优化装置，其特征在于，包括一个或多个处理器，用于实现权利要求1至5中任一项所述的基于机器学习的旋流器设计优化方法。

7.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1至5中任一项所述的基于机器学习的旋流器设计优化方法。

技术总结
本发明涉及单立管排水系统领域，尤其涉及一种基于机器学习的旋流器设计优化方法和装置，该方法包括：步骤一，通过计算机辅助绘制旋流器模型，基于计算流体力学程序获取旋流器的数据信息；步骤二，将获取的数据信息作为训练集，通过高斯过程回归建立代理模型；步骤三，在代理模型中，通过采样函数选取最优点；步骤四，重复步骤三，直至结果收敛或是计算资源耗尽。本发明通过基于高斯过程回归的贝叶斯优化算法，计算得到特定范围内的一组特定设计参数，可以找到选定范围内的全局最优解，对实验方案的参数选择具有指导意义，节约获得最优解的成本，是一种符合国内使用需求的工程中快速设计的有效方法。

技术研发人员：崔家豪
受保护的技术使用者：临海伟星新型建材有限公司
技术研发日：
技术公布日：2024/1/15