机构名称：
¥ 1.0
为了降低工程设计中的计算成本，昂贵的高保真仿真模型通常用数学模型来近似，这些数学模型被称为元模型。典型的元建模方法假设昂贵的仿真模型是黑盒函数。在本文中，为了提高元模型的准确性并降低构建元模型的成本，利用有关工程设计问题的知识来帮助开发一种新的元模型，称为因果人工神经网络（causal-ANN）。利用设计问题固有的因果关系将 ANN 分解为子网络，并利用中间变量的值来训练这些子网络。通过涉及设计问题的知识，因果 ANN 的准确性高于假设黑盒函数的传统元建模方法。此外，可以利用因果 ANN 的结构和贝叶斯网络理论从因果 ANN 中识别出有吸引力的子空间。本文还讨论了因果图保真度和设计变量相关性的影响。工程案例研究表明，只需少量昂贵的模拟即可准确构建因果 ANN，并且可以直接从因果 ANN 中识别出有吸引力的设计子空间。
人工智能的工程应用
主要关键词
相关文件推荐
