铝基板散热结构多目标优化方法及系统与流程
本发明涉及散热结构优化,尤其涉及铝基板散热结构多目标优化方法及系统。
背景技术:
1、铝基板散热结构作为电子设备热管理的关键组件,其设计参数直接影响散热效率、温度均匀性与结构紧凑性等相互冲突的性能指标。现有技术中,针对此类多目标优化问题,通常采用基于计算流体动力学或有限元法的数值仿真进行参数扫描分析,或借助代理模型替代高成本仿真以加速优化过程。这些代理模型一般基于抽样设计点与相应仿真结果之间的纯数据驱动关系进行训练,通过插值或回归方法拟合输入输出映射。
2、常规做法存在两个显著缺陷。其一,纯数据驱动的代理模型在远离采样点的设计空间区域预测能力有限,往往需要密集的初始样本分布才能保证建模精度,这导致仿真验证成本居高不下,尤其在涉及多设计变量和复杂物理场耦合时,采样成本呈指数级增长。其二,这些代理模型在训练过程中未融入传热学基本物理规律,因而预测结果违背能量守恒或传热机制,使得优化迭代中生成的候选解虽在统计误差范围内却物理不可靠,进而误导后续寻优方向。尽管部分研究尝试通过增加样本量或采用高阶响应面来缓解精度问题,但上述根本缺陷并未解决,限制了铝基板散热结构优化过程的效率与可信度。
技术实现思路
1、本发明实施例提供铝基板散热结构多目标优化方法及系统,能够解决现有技术中的问题。
2、本发明实施例的第一方面,提供铝基板散热结构多目标优化方法,包括:
3、获取铝基板散热结构的设计参数空间及对应的多目标性能指标,构建嵌入物理规律的代理预测模型,通过将散热结构的传热学控制方程作为网络训练过程中的物理一致性约束条件,对所述设计参数空间与所述多目标性能指标之间的非线性映射关系进行学习建模;
4、基于主动学习机制,计算所述代理预测模型在当前设计空间中各候选设计点的预测不确定度,选取预测不确定度超过可信度阈值的设计点进行物理仿真验证,获得验证样本数据;
5、利用所述验证样本数据对所述代理预测模型进行增量更新,并根据更新后模型的预测误差动态调整所述可信度阈值;
6、在所述代理预测模型的预测可信域内,对所述铝基板散热结构的几何构型参数、材料分布参数进行寻优求解,得到满足散热效率、温度均匀性与结构紧凑性综合要求的帕累托最优解集。
7、构建嵌入物理规律的代理预测模型,通过将散热结构的传热学控制方程作为网络训练过程中的物理一致性约束条件,对所述设计参数空间与所述多目标性能指标之间的非线性映射关系进行学习建模包括:
8、将传热学控制方程表达为神经网络输出关于设计参数空间的偏微分算子作用形式,构建物理约束残差泛函;
9、利用自动微分技术计算神经网络输出对所述设计参数空间中各参数维度的梯度及导数项,将所述梯度及所述导数项代入所述物理约束残差泛函,得到可反向传播的物理一致性损失;
10、在所述设计参数空间内选取配置点集合,在所述配置点集合上计算所述物理一致性损失,并结合已知样本点上神经网络对多目标性能指标的预测误差,构建数据拟合损失与物理约束损失的加权联合目标函数;
11、通过梯度下降方法优化所述加权联合目标函数,驱动神经网络参数同步满足样本数据拟合精度与所述传热学控制方程的物理一致性要求,使网络在稀疏样本区域通过所述物理约束残差泛函的引导学习符合传热机理的非线性映射规律;
12、在训练收敛后,在所述设计参数空间任意输入处的输出均满足所述传热学控制方程约束,完成对所述设计参数空间与所述多目标性能指标之间非线性映射关系的学习建模。
13、利用自动微分技术计算神经网络输出对所述设计参数空间中各参数维度的梯度及导数项,将所述梯度及所述导数项代入所述物理约束残差泛函,得到可反向传播的物理一致性损失包括:
14、构建神经网络的前向计算图,记录设计参数空间中各参数维度作为输入经过网络各层运算至输出的完整计算路径,并在所述完整计算路径中标记每个运算节点的中间变量与运算类型;
15、基于所述中间变量与所述运算类型,采用链式法则从神经网络的输出节点反向遍历至输入节点,逐层累积每个运算节点对其前驱节点的局部导数,计算所述神经网络输出对所述设计参数空间中各参数维度的一阶偏导数,得到梯度向量;
16、对所述梯度向量中的各分量沿所述完整计算路径再次应用所述链式法则进行反向微分,利用已标记的运算类型计算二阶局部导数的累积,得到所述神经网络输出对所述设计参数空间中各参数维度的二阶混合偏导数作为导数项;
17、将所述梯度向量与所述导数项按照物理约束残差泛函中传热学控制方程的微分算子结构进行组合运算,代入所述设计参数空间配置点处的坐标值,计算所述物理约束残差泛函在所述配置点上的残差值;
18、对所述残差值在所述配置点上进行求和运算,得到标量形式的物理一致性损失。
19、基于主动学习机制,计算所述代理预测模型在当前设计空间中各候选设计点的预测不确定度,选取预测不确定度超过可信度阈值的设计点进行物理仿真验证,获得验证样本数据包括:
20、在当前设计空间中采样生成候选设计点集合,对所述候选设计点集合中的每个候选设计点,通过多次前向传播或集成预测方式获得代理预测模型输出的预测分布,基于所述预测分布计算所述候选设计点对应的多目标性能指标预测值的方差作为预测不确定度;
21、计算所述候选设计点集合中每个候选设计点在设计参数空间中与已有训练样本之间的欧氏距离,选取最小欧氏距离作为所述候选设计点的空间不确定度,将所述预测不确定度与所述空间不确定度进行加权求和,得到综合不确定度指标;
22、将所述综合不确定度指标与可信度阈值进行比较,筛选出综合不确定度指标超过所述可信度阈值的候选设计点,构成待验证设计点子集;
23、通过主动学习机制,对所述待验证设计点子集中的设计点按照综合不确定度指标的数值大小进行降序排列,依次选取排序位置最靠前的设计点,执行散热结构传热学仿真计算,获得多目标性能指标的仿真数值;
24、将所述待验证设计点子集中已完成仿真的设计点及其对应的多目标性能指标仿真数值进行组合,形成验证样本数据。
25、利用所述验证样本数据对所述代理预测模型进行增量更新,并根据更新后模型的预测误差动态调整所述可信度阈值包括:
26、将验证样本数据添加至代理预测模型的训练数据集,基于扩充后的训练数据集对所述代理预测模型的网络参数进行增量训练,得到更新后的代理预测模型;
27、利用所述更新后的代理预测模型对所述验证样本数据中的设计点进行预测,计算预测值与对应仿真数值之间的误差,基于所述误差的统计分布特征确定所述更新后的代理预测模型在当前设计空间中的预测误差水平;
28、根据所述预测误差水平与预设的目标预测精度之间的偏差,按照预设调整规则对可信度阈值进行数值修正。
29、在所述代理预测模型的预测可信域内,对所述铝基板散热结构的几何构型参数、材料分布参数进行寻优求解,得到满足散热效率、温度均匀性与结构紧凑性综合要求的帕累托最优解集包括:
30、基于代理预测模型在当前设计空间中各设计点的综合不确定度指标,筛选综合不确定度指标低于预测可信度阈值的设计点,将所述设计点在设计参数空间中构成的连续区域确定为预测可信域;
31、在所述预测可信域内构建多目标优化问题,将散热效率量化为单位体积散热功率,将温度均匀性量化为温度场标准差,将结构紧凑性量化为散热结构总体积,建立以所述单位体积散热功率最大化、所述温度场标准差最小化与所述散热结构总体积最小化为目标的多目标优化函数;
32、调用所述代理预测模型对所述预测可信域内的候选设计点进行性能预测,获得每个候选设计点对应的单位体积散热功率预测值、温度场标准差预测值与散热结构总体积预测值,将各预测值代入所述多目标优化函数进行目标函数评估;
33、基于所述目标函数评估的结果,对所述预测可信域内的候选设计点进行帕累托层级划分,筛选出不被其他候选设计点在所有目标维度上同时支配的设计点,构成帕累托最优解集。
34、调用所述代理预测模型对所述预测可信域内的候选设计点进行性能预测,获得每个候选设计点对应的单位体积散热功率预测值、温度场标准差预测值与散热结构总体积预测值,将各预测值代入所述多目标优化函数进行目标函数评估包括:
35、提取预测可信域内每个候选设计点对应的几何构型参数与材料分布参数,将所述几何构型参数与所述材料分布参数编码为特征向量,将所述特征向量输入代理预测模型的输入层进行前向传播计算;
36、通过所述代理预测模型的前向传播计算,在输出层获得所述候选设计点对应的单位体积散热功率预测值、温度场标准差预测值与散热结构总体积预测值;
37、针对所述预测可信域内的所有候选设计点,重复执行特征向量编码与所述前向传播计算,获得所有候选设计点各自对应的单位体积散热功率预测值、温度场标准差预测值与散热结构总体积预测值;
38、将每个候选设计点的单位体积散热功率预测值代入多目标优化函数中的散热效率目标项,将温度场标准差预测值代入所述多目标优化函数中的温度均匀性目标项,将散热结构总体积预测值代入所述多目标优化函数中的结构紧凑性目标项,计算所述候选设计点的目标函数值完成目标函数评估。
39、本发明实施例的第二方面,提供一种铝基板散热结构多目标优化系统,包括:
40、模型构建单元,用于获取铝基板散热结构的设计参数空间及对应的多目标性能指标,构建嵌入物理规律的代理预测模型,通过将散热结构的传热学控制方程作为网络训练过程中的物理一致性约束条件,对所述设计参数空间与所述多目标性能指标之间的非线性映射关系进行学习建模;
41、主动学习单元,用于基于主动学习机制,计算所述代理预测模型在当前设计空间中各候选设计点的预测不确定度,选取预测不确定度超过可信度阈值的设计点进行物理仿真验证,获得验证样本数据;
42、增量更新单元,用于利用所述验证样本数据对所述代理预测模型进行增量更新,并根据更新后模型的预测误差动态调整所述可信度阈值;
43、寻优求解单元,用于在所述代理预测模型的预测可信域内,对所述铝基板散热结构的几何构型参数、材料分布参数进行寻优求解,得到满足散热效率、温度均匀性与结构紧凑性综合要求的帕累托最优解集。
44、本发明实施例的第三方面,提供一种电子设备,包括:
45、处理器;
46、用于存储处理器可执行指令的存储器;
47、其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
48、本发明实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
49、代理预测模型通过嵌入物理规律将传热学控制方程作为网络训练过程中的物理一致性约束条件,显著提升了其对铝基板散热结构设计参数与性能指标之间非线性映射关系的预测精度和泛化能力,在保证高准确度的同时大幅减少了对物理仿真的依赖,降低了计算资源消耗和优化时间成本
50、主动学习机制通过计算各候选设计点的预测不确定度并设置可信度阈值,自动筛选出模型置信度较低的高价值设计点进行物理仿真验证,以最少的仿真样本获取最大的信息增益,避免了在整个设计空间内均匀采样的低效性,有效提高了样本利用效率和优化过程的针对性
51、利用验证样本对代理模型进行增量更新,并根据预测误差动态调整可信度阈值,使模型能够自适应地修正预测偏差,持续提升在关键设计区域的预测精度,同时避免了过度仿真验证,实现了资源投入与模型性能的平衡,确保代理模型在迭代过程中逐步收敛到高精度预测区域
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com