基于强化学习智能体集群的多类型换热器正向优化设计方法及装置与流程

摘要: 本发明涉及换热器优化设计,特别涉及一种基于强化学习智能体集群的多类型换热器正向优化设计方法及装置。背景技术:1、换热器是航空发动机热管理系统中的关键部件,其设计...
基于强化学习智能体集群的多类型换热器正向优化设计方法及装置与流程

本发明涉及换热器优化设计,特别涉及一种基于强化学习智能体集群的多类型换热器正向优化设计方法及装置。

背景技术:

1、换热器是航空发动机热管理系统中的关键部件,其设计水平直接影响热管理系统的能量利用率、结构可靠性、重量体积及整机适配能力。随着航空发动机向高推重比、高功率密度、宽包线飞行及紧凑轻量化方向发展,热管理系统面临更高的散热需求和更加复杂的工作环境,对换热器的综合性能提出了更高要求。现代换热器设计已由传统单一传热性能优化逐步发展为兼顾流动传热性能、结构强度与寿命、制造工艺及装配约束等因素的多目标、多约束、多学科耦合优化问题。在这一背景下,发展高效、智能的换热器优化设计方法,对于提升航空发动机热管理水平具有重要意义。

2、现有换热器优化设计通常采用基于性能评估模型的迭代优化方法。首先,根据设计工况、性能指标要求及边界约束等设计条件确定初始结构方案;随后,利用经验关联式、数值仿真、试验数据或代理模型建立结构参数与性能之间的映射关系;最后,借助人工调参、梯度优化法或启发式优化算法进行多轮迭代寻优,最终获得较优设计参数。该类方法属于性能评估驱动的反向寻优模式,即不断评估候选方案性能并调整设计参数,直至满足设计要求。然而,上述设计过程依赖大量性能评估与迭代寻优,难以由设计条件直接生成优化方案,设计效率较低;且现有设计方法往往适用于特定工况与优化目标,泛化能力有限。

3、近年来,人工智能技术,特别是强化学习技术的发展,为复杂结构优化提供了新的解决思路。对于换热器优化设计,可将结构参数调整后的综合性能变化构建为强化学习奖励信号,并利用历史仿真及试验数据训练强化学习智能体,使其逐步学习设计条件与优化决策之间的直接映射关系,形成面向换热器优化设计的正向决策能力。相比传统迭代优化方法,基于强化学习构建的正向优化设计智能体能够直接根据设计条件生成优化方案,有望减少优化过程中的迭代计算,有效提高设计效率。

4、然而,现有强化学习在换热器设计领域的应用仍存在以下不足:一是多针对单一类型换热器分别建模,缺少适用于多类型换热器的统一参数化描述与跨类型组织方式;二是即使分别训练了多个智能体,也多停留在并列存在的层面,缺少针对设计任务的智能体匹配、调度、协同应用与统一优选机制;三是对后续新增设计验证结果的利用通常不连续,尚未形成验证结果回流—增量更新或再训练—能力提升的闭环持续进化机制。因此,亟需提出一种基于强化学习智能体集群协同与持续进化的多类型换热器正向优化设计方法,实现不同类型换热器智能体的统一搭建、管理、智能调度和协同应用,从而提高换热器设计效率与设计水平。

技术实现思路

1、有鉴于此,本发明实施例提供了一种基于强化学习智能体集群的多类型换热器正向优化设计方法,以解决现有技术中换热器优化设计效率低、不同类型换热器智能设计方法相互独立、多智能体缺乏统一调度协同与持续进化机制,以及无初始结构条件下无法自动生成设计方案的技术问题。该方法包括:

2、获取多类型换热器的历史设计数据,并进行统一参数化描述,生成各类型换热器的标准化数据集并存储至多类型换热器数据库,其中,所述统一参数化描述包括共性描述参数和特性描述参数;

3、针对每一类型换热器,从所述多类型换热器数据库中提取对应的标准化数据集,构建强化学习智能体并进行离线训练,将训练完成的各类型换热器智能体进行封装和注册,生成面向多类型换热器的强化学习智能体集群;

4、接收换热器优化设计任务,判断是否包含初始结构,若包含所述初始结构,则识别目标换热器类型并基于所述共性描述参数和所述特性描述参数的构造状态,匹配调用对应类型的强化学习智能体,将输出的优化后的几何结构参数作为候选优化方案,若不包含所述初始结构,则针对每一类型换热器,基于所述共性描述参数和所述特性描述参数生成候选初始结构方案,分别调用对应类型的智能体输出优化后的几何结构参数,生成多个候选优化方案;

5、对候选优化方案进行性能评估,当存在多个候选优化方案时,对多个候选优化方案的评估结果进行排序,将评分最高的候选优化方案作为最终推荐设计结果输出;

6、反复进行优化设计和验证,将生成的验证数据补充至所述多类型换热器数据库中,并对智能体进行再训练,当再训练的新智能体的优化效果优于训练前的旧智能体时,在所述强化学习智能体集群中利用所述新智能体替换所述旧智能体并记录版本更新信息。

7、本发明实施例还提供了一种基于强化学习智能体集群的多类型换热器正向优化设计装置,以解决现有技术中换热器优化设计效率低、不同类型换热器智能设计方法相互独立、多智能体缺乏统一调度协同与持续进化机制的技术问题。该装置包括:

8、数据标准化模块,用于获取多类型换热器的历史设计数据,并进行统一参数化描述,生成各类型换热器的标准化数据集并存储至多类型换热器数据库,其中,所述统一参数化描述包括共性描述参数和特性描述参数;

9、智能体集群构建模块,用于针对每一类型换热器,从所述多类型换热器数据库中提取对应的标准化数据集,构建强化学习智能体并进行离线训练,将训练完成的各类型换热器智能体进行封装和注册,生成面向多类型换热器的强化学习智能体集群;

10、任务决策模块,用于接收换热器优化设计任务,判断是否包含初始结构,若包含所述初始结构,则识别目标换热器类型并基于所述共性描述参数和所述特性描述参数的构造状态,匹配调用对应类型的强化学习智能体,将输出的优化后的几何结构参数作为候选优化方案,若不包含所述初始结构,则针对每一类型换热器,基于所述共性描述参数和所述特性描述参数生成候选初始结构方案,分别调用对应类型的智能体输出优化后的几何结构参数,生成多个候选优化方案;

11、方案评估模块,用于对候选优化方案进行性能评估,当存在多个候选优化方案时,对多个候选优化方案的评估结果进行排序,将评分最高的候选优化方案作为最终推荐设计结果输出;

12、版本更新模块,用于反复进行优化设计和验证,将生成的验证数据补充至所述多类型换热器数据库中,并对智能体进行再训练,当再训练的新智能体的优化效果优于训练前的旧智能体时,在所述强化学习智能体集群中利用所述新智能体替换所述旧智能体并记录版本更新信息。

13、与现有技术相比,本说明书实施例采用的上述至少一个技术方案能够达到的有益效果至少包括:

14、通过建立包含共性描述参数和特性描述参数的统一参数化描述框架对多类型换热器进行标准化描述,并构建面向多类型换热器的强化学习智能体集群,使不同类型换热器能够在统一框架下实现智能体的统一封装、注册、匹配调用和协同优选,同时支持有初始结构时直接调用对应智能体输出优化方案以及无初始结构时自动生成多类型候选初始结构方案并经统一性能评估排序优选,从而实现由设计条件到优化结构方案的快速正向输出,建立了训练数据补充和智能体再训练机制,有助于智能体集群性能随设计轮次增加而提升,有效解决了现有技术中换热器优化设计效率低、多类型换热器智能设计相互独立、多智能体缺乏统一调度协同与持续进化机制的技术问题。