用于气动性能预测的轻量精确神经网络的贝叶斯优化
机器学习
2025-03-26 v1 最优化与控制
机器学习
摘要
在航空航天工业中，确保预测模型的高精度和效率至关重要，特别是在多学科设计与优化过程中。这些过程通常需要对复杂目标函数进行大量评估，这可能计算成本高昂且耗时。为了构建高效且准确的预测模型，我们提出了一种新方法，利用贝叶斯优化（BO）来优化用于气动性能预测的轻量精确神经网络（NN）的超参数。为了清晰描述设计变量之间的相互作用，在BO公式中使用了层次核和分类核。我们通过两个综合案例研究证明了我们方法的效率，其中优化后的NN在精度和参数效率方面显著优于基线模型和其他公开可用的NN。对于阻力系数预测任务，我们优化模型的平均绝对百分比误差（MAPE）从0.1433%下降到0.0163%，比基线模型提高了近一个数量级。此外，我们的模型在基准飞机自噪声预测问题上实现了0.82%的MAPE，显著优于现有模型（其MAPE值约为2%至3%），同时所需计算资源更少。结果突显了我们的框架在增强大规模MDO问题中NN的可扩展性和性能方面的潜力，为航空航天工业提供了一种有前景的解决方案。
引用
@article{arxiv.2503.19479,
title = {Bayesian Optimization of a Lightweight and Accurate Neural Network for Aerodynamic Performance Prediction},
author = {James M. Shihua and Paul Saves and Rhea P. Liem and Joseph Morlier},
journal= {arXiv preprint arXiv:2503.19479},
year = {2025}
}