用于形状优化中异常检测与设计空间降维的生成模型
机器学习
2023-12-01 v2 机器学习
最优化与控制
数据分析、统计与概率
流体动力学
摘要
我们的工作提出了一种形状优化的新方法，其双重目标是提高全局优化算法的效率，同时在优化过程中促进生成无几何异常的高质量设计。这是通过减少原始设计变量的数量来定义一个新的约化子空间（其中几何方差被最大化），并通过概率线性潜变量模型（如因子分析和概率主成分分析）对数据的底层生成过程进行建模来实现的。我们表明，当形状修改方法是线性的且设计变量均匀随机采样时，由于中心极限定理的直接应用，数据近似服从高斯分布。异常程度以马氏距离度量，本文证明异常设计往往表现出该度量的高值。这使得能够定义一种新的优化模型，其中异常几何在优化循环中被惩罚并因此被避免。该过程在 DTMB 5415 模型的船体形状优化中进行了演示，该模型被广泛用作形状优化问题的国际基准。全局优化例程使用贝叶斯优化和 DIRECT 算法执行。从数值结果来看，新框架改善了全局优化算法的收敛性，同时通过优化例程仅生成具有高质量几何特征的设计，从而避免了宝贵且计算昂贵的仿真资源的浪费。
引用
@article{arxiv.2308.04051,
title = {Generative Models for Anomaly Detection and Design-Space Dimensionality Reduction in Shape Optimization},
author = {Danny D'Agostino},
journal= {arXiv preprint arXiv:2308.04051},
year = {2023}
}
备注
Accepted in Engineering Applications of Artificial Intelligence, Elsevier