一种基于Lévy分布随机配置网络的散热器性能预测方法

本发明涉及热管理与人工智能，具体涉及一种基于lévy分布增强随机配置网络（stochastic configuration network, scn）的散热器性能预测方法，用于电子设备散热器的结构参数优化与性能快速评估。

背景技术：

1、随着电子器件功率密度的持续攀升，散热问题已成为制约其性能与可靠性的关键瓶颈。强迫风冷散热器因结构紧凑、散热效率高，在航空航天、电力电子及新能源等领域应用广泛。传统的散热器性能评估主要依赖计算流体动力学（cfd）仿真，该方法虽然精度较高，但计算耗时长、迭代设计周期长，难以满足早期设计阶段的快速优化需求。因此，构建一种能够快速、准确地映射散热器结构参数与热性能指标之间复杂非线性关系的数据驱动预测模型，具有重要的工程应用价值。

2、随机配置网络（scn）是一种近年来提出的增量式单隐层前馈神经网络。与随机向量函数链网络（rvfl）或极限学习机（elm）等传统随机权网络不同，scn通过一种监督机制来约束隐层节点参数的随机生成，确保新添加的节点能有效降低网络残差，从而在理论上保证了通用逼近性，并展现出良好的泛化能力和快速学习能力。

3、现有技术中，如论文《optimal randomness for stochastic configurationnetwork (scn) with heavy-tailed distributions》（entropy, 2021）探讨了采用重尾分布（如lévy分布、柯西分布、威布尔分布）来初始化scn的输入权重和偏置，以期提升模型性能。该研究表明，在标准回归和分类数据集上，采用重尾分布的scn能够以更少的隐层节点达到与原始scn相近的性能，或在分类任务中获得更高的测试精度。然而，该技术的研究背景为通用的机器学习回归与分类问题，并未涉及复杂的工程热流体问题。特别是，在面对具有强非线性、多变量耦合特性的散热器性能预测任务时，如何针对性地设计基于lévy分布的scn参数生成策略，以及如何解决scn在训练过程中因搜索失败而提前终止、导致模型性能不达标的问题，现有技术并未给出有效的技术方案。

技术实现思路

1、本发明的目的在于解决上述问题而提供的一种可同时准确预测热阻、最高温度、对流换热系数和压降，显著提升预测精度和训练鲁棒性，为散热器的多目标优化设计提供了可靠、高效的评估的基于lévy分布随机配置网络的散热器性能预测方法。

2、为达到上述目的，本发明提供如下技术方案：

3、本发明的一种基于lévy分布随机配置网络的散热器性能预测方法，包括以下步骤：

4、步骤一、准备数据集：获取散热器的结构参数和对应的性能指标数据，构成原始数据集；所述结构参数包括基板厚度、鳍片厚度、鳍片数量、外尺寸及风量，所述性能指标包括热阻、最高温度、对流换热系数和压降；

5、步骤二、数据预处理：对原始数据集进行标准化处理，并划分为训练集和测试集；

6、步骤三、构建lévy-scn预测模型：

7、基于lévy分布随机配置网络构建散热器性能预测模型，具体包括以下子步骤：

8、（1）初始化模型超参数：设置最大隐层节点数、最大随机配置次数、容忍误差、正则化参数候选集、约束松弛度参数候选集及lévy分布的稳定性指数，并初始化网络残差和当前隐层节点数；

9、（2）开始增量构建循环，当满足循环条件时执行以下子步骤：

10、（2a）生成候选节点池：使用mantegna算法生成服从lévy分布的随机数，构造候选输入权重和候选偏置，计算候选隐层输出；

11、（2b）评估并筛选最佳候选节点：根据监督不等式约束条件计算各候选节点的监督值，选择监督值最大且满足约束条件的候选节点作为最佳候选节点；

12、（2c）添加节点：若存在有效节点，则将最佳候选节点添加至网络中；若不存在有效节点，则采用随机生成的权重和偏置作为备选节点添加至网络中；

13、（2d）更新网络参数：更新隐层节点数，计算当前隐层输出矩阵，通过最小二乘法计算输出权重，计算当前网络预测值并更新残差；

14、（3）循环终止条件判断：当达到最大隐层节点数或当前误差小于容忍误差时，终止训练，输出训练好的lévy-scn散热器性能预测模型；

15、步骤四、使用模型进行预测：

16、将待预测的散热器结构参数输入训练好的lévy-scn模型中，输出散热器性能指标的预测结果。

17、上述的一种基于lévy分布随机配置网络的散热器性能预测方法，其中步骤二中所述标准化处理采用z-score标准化方法。

18、上述的一种基于lévy分布随机配置网络的散热器性能预测方法，其中步骤三中所述lévy分布的稳定性指数β优选为1.5。

19、上述的一种基于lévy分布随机配置网络的散热器性能预测方法，其中步骤三中所述监督不等式约束中，要求至少60%的输出维度均满足约束条件。

20、上述的一种基于lévy分布随机配置网络的散热器性能预测方法，其中所述方法用于预测y形散热器的性能。

21、本发明与现有技术相比，具有明显的有益效果，从以上技术方案可知：

22、1.预测精度显著提升：本发明通过引入具有重尾特性的lévy分布来生成scn的隐层参数，增强了模型对散热器性能数据中复杂模式和非线性关系的探索与拟合能力。实验结果表明，本发明构建的模型在测试集上的平均决定系数（r²）达到0.965，相比标准scn提升8.7%，相比三层deep-scn提升11.9%。

23、2.训练鲁棒性增强：本发明通过在scn搜索失败时采用随机权重作为备选方案，有效避免了模型因无法找到满足条件的节点而过早停止训练的问题，保证了模型能够持续优化直至达到预期性能，提升了训练过程的稳定性和模型最终性能的上限。

24、3.多目标综合预测：本发明能够同时准确预测热阻、最高温度、对流换热系数和压降四个关键性能指标，为散热器的多目标优化设计提供了可靠、高效的评估工具，显著降低了依赖cfd仿真的时间成本。

1.一种基于lévy分布随机配置网络的散热器性能预测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于lévy分布随机配置网络的散热器性能预测方法，其特征在于，步骤一中所述结构参数包括基板厚度、鳍片厚度、鳍片数量、外尺寸及风量，所述性能指标包括热阻、最高温度、对流换热系数和压降。

3.如权利要求1所述的基于lévy分布随机配置网络的散热器性能预测方法，其特征在于，步骤二中所述标准化处理采用z-score标准化方法。

4.如权利要求1所述的基于lévy分布随机配置网络的散热器性能预测方法，其特征在于，步骤三中所述lévy分布的稳定性指数β为1.5。

5.如权利要求1所述的基于lévy分布随机配置网络的散热器性能预测方法，其特征在于，步骤三中所述监督不等式约束中，要求至少60%的输出维度均满足约束条件。

6.如权利要求1所述的基于lévy分布随机配置网络的散热器性能预测方法，其特征在于，所述方法用于预测y形散热器的性能。