iSIGHT初级培训-近似模型Approximation综述.pptVIP

基于近似模型的优化 使用近似模型替代仿真程序 优化结果 联系我们 tech@ 0102/5 010A Q Q U E S T I O N S A N S W E R S * 下面来为大家介绍一下近似模型，也称为代理模型。 * * * Courtesy Wataru Taneda of Subaru, Satoshi Miyata and Keiji Kudo of Engineous Japan * * 主要是神经网的解算，在建立过程中包括训练和预测，训练是至关重要的。 输入是径向基函数，非线性的，而输出为线性函数。 只有一个隐含层。 * 三种方式均可使用。 1，鼠标托拽 2，点击右键 3，点击图标 * * * * * * 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^290% 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^290%，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^290%，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^290%，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： 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： 应力、质量、变形所有响应R^290% 结论： 近似模型已经足够可信，可用于替代原仿真模型 * 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: DOE Optimization Monte Carlo Robust Design Can be applied at any level ? simcode, calculation or (sub)task Main Task SubTask1 SimCode1 SimCode2 Calculation1 SimCode3 Calculation2 Approx2 Approx1 Isight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