从优化数据中提取设计知识：增强基于流体的热管理系统工程设计

随着机械系统日益复杂且技术进步加速，传统上对继承设计的依赖在工程实践中的有效性正在减弱。考虑到设计行业不断涌现新挑战的动态特性，需要寻求替代知识来源以指导未来设计工作。一条有前景的途径在于对设计优化数据的分析，其有潜力提供宝贵洞察并克服继承设计的局限。本文朝着使用不同分类机器学习方法从多分流基于流体的热管理系统优化数据中提取知识迈出一步，使设计者能将其用于指导未来设计工作中的决策。该方法相较传统设计继承方法具有若干优势，包括在无设计继承情形下的适用性以及推导最优设计的能力。我们通过四个复杂度递增的案例研究展示我们的框架。这些研究证明了其在增强复杂热管理系统设计中的有效性。我们的结果表明，从配置设计优化数据中提取的知识为更复杂热管理系统的通用设计提供了良好基础。研究显示，估计最优配置的目标值与真实最优配置的目标值误差小于 1%，且这是使用基于系统热负荷的基本特征实现，未涉及相应的最优开环控制（OLOC）特征。这消除了求解 OLOC 问题的需要，从而降低了计算成本。