基于气动反问题的风力机翼型优化设计

翼型气动优化设计的核心在于快速、准确的流动性能分析与快速、可靠的寻优算法。本文提出通过控制翼型表面预期流动分布,应用气动反问题方法,求解性能优化的翼型气动设计新方法。本文的翼型流动分析是基于位势流动与边界层积分方程的迭代解法。气动参数寻优采用了基于多变量搜索的加速POWELL算法,在确定的参数空间内,遍历搜索最佳性能点,可以保证最终优化解的全局性。气动反问题求解采用了壁面喷吸气模型。计算案例表明,本文方法的计算时间少,在流动不分离时具有与RANS同等计算精度,为快速开发低速风力机翼型提供了一个有效的设计方法。     

裂缝性介质多尺度深度学习模型

结合人工神经网络建立裂缝介质多尺度深度学习流动模型.基于一套粗网格和一套细网格,通过在粗网格上训练数据,多尺度神经网络能够以较少的自由度训练出准确的神经网络.并在粗网格上通过求解局部流动问题获得多尺度基函数,结合神经网络进一步得到精细网格的解.基于离散裂缝的流动方程可视为多层网络,网络层数依赖于求解时间步数.阐述裂缝介质多尺度机器学习数值计算格式的建立,介绍如何使用多尺度算法构建离散裂缝模型的多尺度基函数,并采用超样本技术进一步提高计算准确性.数值结果表明,多尺度有限元算法与机器学习结合是一种有效的流体流动模拟算法.     

基于BP神经网络的多传感器信息融合研究

BP网络是应用最广的一种人工神经网络,将BP神经网络应用到压力检测领域的温度等非线性补偿,具有重要的实用价值,对压力检测精度的改进效果显著。从传感器信息融合的角度看,神经网络就是一个融合系统。通过对神经网络基本理论的阐述,针对研究对象将BP神经网络原理与多传感器信息融合技术有机集合起来,提出了基于BP神经网络的二传感器信息融合模型及改进算法,建立了BP神经网络训练标准样本库,并对该网络模型进行主要技术指标的测试和仿真工作,测试结果表明构建的模型及其改进算法能很好地满足了高精度压力检测仪的指标要求。     

基于波动与扩散物理系统的机器学习

物理学在机器学习中的应用以及两者的交叉融合正引起广泛关注,尤其是在波动系统和扩散系统中.本文重点关注波动与扩散物理系统和机器学习之间的内在联系以及对机器学习算法和物理实现的推进作用,综述了波动系统和扩散系统中的机器学习研究,介绍了部分最新研究成果.文中首先讨论了监督学习的波动系统实现,包括神经网络的波动光学实现、量子搜索的波动实现、基于波动系统的递归神经网络以及神经形态的非线性波动计算.接着,文中继续讨论了受扩散系统启发的机器学习算法,如基于扩散动力学的分类算法,基于热扩散的数据挖掘和信息过滤,以及基于群体扩散的搜索优化等.波动系统以其天然的并行性、高效、低能耗等优势,通过丰富的波动力学和波动物理现象进行计算或算法模拟,正成为机器学习的新型物理载体.扩散系统中的物理机制可以启发构建高效的机器学习算法,用于复杂系统和物理学研究中的分类、优化等问题.期望通过对波动、扩散物理系统与机器学习内在联系的讨论,能够为开发物理启发的新算法和硬件实现甚至软硬一体化带来抛砖引玉的启示.     

基于人工神经网络在线学习方法优化磁屏蔽特性参数

磁屏蔽在磁场敏感的装置如原子钟、原子干涉仪等精密设备中发挥重要的作用,在变化外磁场下的某个磁屏蔽内部剩余磁场,可以通过Jiles-Atherton磁滞模型和磁屏蔽系数计算得出,根据计算结果可以进行主动补偿来抵消内部磁场的改变.然而实际应用中磁滞模型中五个与磁屏蔽相关的参数以及磁场衰减的两个参数的准确值的获得是比较困难的,通常根据实测磁滞回线人工匹配调节参数会花费大量时间且很难确保最终参数是全局最优值.基于人工神经网络的机器学习方法已经成为一种对复杂模型进行参数优化的有效手段,得益于现代计算机强大的运算能力,该过程通常远远快于人工参数调节,并有更大概率找到全局最优值,获得优于手工调节的参数值.本文利用人工神经网络在线机器学习的方法,对磁滞模型的五个参数与磁屏蔽的另外两个屏蔽相关参数进行优化测定,并对模拟卫星磁场环境下磁屏蔽内剩余磁场进行预测.通过实际测量屏蔽筒内剩余磁场与预测值比对,发现通过机器学习方法得到的磁屏蔽特性参数优于手动找到的参数,且所用时间大大缩短.该结果不仅有助于更好地进行磁场补偿,用于冷原子系统参数优化调整,更重要的是验证了神经网络在多参数物理系统中的应用,可以使其他多参数共同作用的物理实验进行最优参数的快速确定.     

涂料颜色配方预测的人工神经网络模型实验研究

人工神经网络技术近年来在颜色空间变换或色域映射的研究中显示了特有的效果。人工神经网络用于粉末涂料配方的预测,其特点是用BP算法神经网络建立粉末涂料反射样品的标准色度参数与配方浓度参数之间的映射关系。通过对典型颜色样本训练和预测,结果表明基于多隐层BP网的模型可以实现粉末涂料样品的配方浓度空间与标准三刺激值颜色空间的相互映射,即用BP网络实现粉末涂料的配方预测。     

Kriging与响应面方法在气动优化设计中的应用

近似模型方法在工程优化设计中开始得到重视。本文分别应用Kriging方法和响应面方法进行了翼型气动优化设计。结果表明,Kriging方法的设计结果,升阻比较参考翼型提高了81%;在初始设计空间,响应面方法的结果很差,通过不断缩减设计空间,设计得到了有效的改善,升阻比提高了70%,但需要的计算量远远高于Kriging模型。     

量子生成模型

近年来,很多基于生成模型的机器学习算法,如生成对抗网络、玻尔兹曼机、自编码器等,在数据生成、概率模拟等方面有广泛的应用.另一方面,融合量子计算和经典机器学习的量子机器学习算法也不断被提出.特别地,量子生成模型作为量子机器学习的分支,目前已有很多进展.量子生成算法是一类量子-经典混合算法,算法中引入参数量子线路,通过执行参数线路得到损失函数及其梯度,然后通过经典的优化算法来优化求解,从而完成对应的生成任务.与经典生成模型相比,量子生成模型通过参数线路将数据流映射到高维希尔伯特空间,在高维空间中学习数据的特征,从而在一些特定问题上超越经典生成模型.在中等规模含噪声的量子体系下,量子生成模型是一类有潜力实现量子优势的量子机器学习算法.     

非球形颗粒系粒径分布的机器学习反演算法

动态光散射技术在微米与亚微米级颗粒系粒径分析领域中具有广泛应用,但缺乏非球形颗粒系粒径分布（PSD）的反演模型和算法,限制了其在生物医疗等领域中的应用。基于机器学习方法,设计了基于广义回归神经网络（GRNN）的PSD反演模型和算法,可应用于多角度动态光散射法的粒径分析场景中。以生物医疗领域中的双凹圆饼形和椭球形血红细胞作为典型的非球形颗粒物模型,通过仿真实验测试了所设计的算法。实验结果表明,与传统的正则化Tikhonov算法相比,所设计的反演算法粒径分析准确性更好且耗时更短。对多角度动态光散射法中的散射角度数量进行了仿真实验。结果表明,仅使用2个散射角度处获得的数据依然能实现非球形颗粒系粒径分布的准确反演。     

机器学习辅助高性能化学信息数据库促进金属有机框架材料基气体吸附材料筛选

基于数据库化学结构搜索和机器学习快速筛选特定功能材料是近年的研究热点. 本文建立了基于MYSQL的高性能化学结构数据库,即MYDB. 数据库利用新的检索算法收集和存储了超过16万个金属有机框架材料,可以实现了高效检索和推荐. 测试结果显示MYDB能够在百万数量级的材料中实现快速高效的关键词搜索,并对相似结构提供实时推荐. 结合机器学习方法和材料数据库,训练了气体吸附模型,以确定一定热力学条件下金属有机框架材料对氩气和氢气的吸附能力. 结合MYDB数据库和机器学习算法训练出的模型能够支持大规模、低成本且方便快捷的结构筛选,从而推进计算材料研究领域中特定功能材料的发现.     

随机粗糙度对风力机翼型气动性能影响

建立人工神经网络、径向基函数网络和支持向量回归机三种近似模型,结合蒙特卡洛方法与表征粗糙度参数随机特性的概率模型对风力机翼型气动性能进行不确定性分析。结果表明,支持向量回归机具有最佳预测精度。对于风力机翼型FX 63-137,最大升力系数对吸力面前缘粗糙度的敏感性明显高于压力面;对于吸力面或压力面,前缘粗糙带厚度对最大升力系数的影响稍大于其覆盖长度的影响。研究工作为风力机翼型的鲁棒性设计优化奠定了理论基础。     

基于进化算法和复合参数化方法的低速翼型优化

针对设计工况为Re=1×106的翼型在2°和8°两种迎角下的气动性能进行综合优化, 提升其在巡航与起飞着陆时的性能。利用气动估算软件Xfoil结合NACA 4位数参数化方法进行翼型初步优化, 缩小优化空间, 减少计算量。通过求解Reynolds平均Navier-Stokes方程的方式进行精确优化, 最后利用Hicks-Henne形函数法对翼型表面施加扰动进行细节优化, 弥补NACA 4位数参数化方法细节表现不足的缺点。实现了2°和8°两种迎角下气动性能普遍提升20%以上的效果, 并发展了一种复合参数化方法下基于改进进化算法的多目标、多步骤气动优化方法。      

Aerodynamic design optimization by using a continuous adjoint method

This paper presents the fundamentals of a continuous adjoint method and the applications of this method to the aerodynamic design optimization of both external and internal flows.General formulation of the continuous adjoint equations and the corresponding boundary conditions are derived.With the adjoint method,the complete gradient information needed in the design optimization can be obtained by solving the governing flow equations and the corresponding adjoint equations only once for each cost function,regardless of the number of design parameters.An inverse design of airfoil is firstly performed to study the accuracy of the adjoint gradient and the effectiveness of the adjoint method as an inverse design method.Then the method is used to perform a series of single and multiple point design optimization problems involving the drag reduction of airfoil,wing,and wing-body configuration,and the aerodynamic performance improvement of turbine and compressor blade rows.The results demonstrate that the continuous adjoint method can efficiently and significantly improve the aerodynamic performance of the design in a shape optimization problem.     

基于深度学习的粒子场数字全息成像研究进展

粒子场的数字全息成像中,由一幅粒子场全息图重建出高精度的三维粒子场分布,是数字全息技术领域的经典问题之一。相比于传统反向重建算法,深度学习算法可以从单个全息图直接重建出三维粒子场来简化算法复杂度,提高计算效率和准确率。介绍国内外研究团队将深度学习算法结合数字全息技术实现粒子场数字全息成像的研究进展,从不同粒子表征方法入手,叙述了支持向量机、全连接神经网络、全卷积网络、U-Net网络、深度神经网络在粒子场数字全息成像中粒子表征及粒子场反向重建过程中的应用原理、实现途径和准确率。最后指出了深度学习算法在这一研究领域的优势及目前基于深度学习算法的不足,并对如何进一步提高该方法的准确率进行了展望。     

基于深度架构网络的矮新星自动分类研究

矮新星是一类特殊而稀少的半相接双星。发现更多的矮新星对于深入研究物质转移理论、理解密近双星演化过程意义深远。利用深度学习技术提取天体光谱特征并进而分类是天文数据处理领域的研究热点。传统的自编码器是仅包含一个隐层的经典神经网络模型,编码能力有限,数据表征学习能力不足。模块化拓宽神经网络的深度能够驱使网络继承地学习到天体光谱的特征,通过对底层特征的逐渐抽象学习获得高层特征,进而提高光谱的分类准确率。以自编码器为基础构建了由输入层、若干隐藏层和输出层组成的基于多层感知器架构的深度前馈堆栈式自编码器网络,用于处理海量的光谱数据集,挖掘隐藏在光谱内部具有区分度的深度结构特征,实现对矮新星光谱的准确分类。鉴于深度架构网络的参数设置会严重影响所构建网络的性能,将网络参数的优化分为逐层训练和反向传播两个过程。预处理后的光谱数据先由输入层进入网络,再经自编码器算法和权值共享实现对网络参数的逐层训练。反向传播阶段将初始样本数据再次输入网络,以逐层训练所得的权值对网络初始化,再把网络各层的局部优化训练结果融合起来,根据所设置的输出误差代价函数调整网络参数。反复地逐层训练和反向传播,直到获得全局最优的网络参数。最后由末隐层作为重构层搭建支持向量机分类器,实现对矮新星的特征提取与分类。网络参数优化过程中利用均值网络思想使网络隐层单元输出按照dropout系数衰减,并由反向传播算法微调整个网络,从而防止发生深度过拟合现象,减少因隐层神经元间的相互节制而学习到重复的数据表征,提高网络的泛化能力。该网络分布式的多层次架构能够提供有效的数据抽象和表征学习能力,其特征检测层可从无标注数据中隐式地学习到深度结构特征,有效刻画光谱数据的非线性和随机波动性,避免了光谱特征的显式提取,体现出较强的数据拟合和泛化能力。不同层之间的权值共享能够减少冗余信息的干扰,有效化解传统多层次架构网络易陷入权值局部最小化的风险。实验表明,该深度架构网络在矮新星分类任务中能达到95.81%的准确率,超过了经典的LM-BP网络。     

深度学习的亚波长窄带陷波滤光片设计

亚波长光栅结构表现出优异的陷波滤光特性,其经典设计是设定亚波长的几何结构参数,求解麦克斯韦方程组,设定优化算法求解出最优解,需要消耗大量的时间和计算资源.提出一种基于深度学习的逆向设计方法,搭建了可以同时实现正向模拟与逆向设计的串联神经网络.基于python语言的Tensorflow库进行网络搭建;优化均匀波导层的高度...     

An inverse design method for 2D airfoil

The computational method for aerodynamic design of aircraft is applied more universally than before, in which the design of an airfoil is a hot problem. The forward problem is discussed by most relative papers, but inverse method is more useful in practical designs. In this paper, the inverse design of 2D airfoil was investigated. A finite element method based on the variational principle was used for carrying out. Through the simulation, it was shown that the method was fit for the design.     

Representations of hypergraph states with neural networks

The quantum many-body problem(QMBP) has become a hot topic in high-energy physics and condensed-matter physics. With an exponential increase in the dimensions of Hilbert space, it becomes very challenging to solve the QMBP, even with the most powerful computers. With the rapid development of machine learning, artificial neural networks provide a powerful tool that can represent or approximate quantum many-body states. In this paper, we aim to explicitly construct the neural network representations of hypergraph states. We construct the neural network representations for any k-uniform hypergraph state and any hypergraph state,respectively, without stochastic optimization of the network parameters. Our method constructively shows that all hypergraph states can be represented precisely by the appropriate neural networks introduced in [Science 355(2017) 602] and formulated in [Sci. China-Phys.Mech. Astron. 63(2020) 210312].