不同保真度之间的个体损失。他们展示了这些改进对几个基本的多尺度材料建模挑战的影响,包括二维传热、相变和枝晶生长问题。在这些问题上,与没有此类约束的网络相比,所提出的多保真度、基于物理的约束将预测误差降低了一个数量级。这实现了与底层方程的直接数值解相当的精度。Sarkar 等人在题为“高维工程设计和校准的多保真度和多尺度贝叶斯框架”的论文中提出了一种用于优化的多保真度建模和信息论顺序采样策略。该方法基于通过高斯过程对各种保真度信息源进行建模,并增强了有效的主动学习策略,该策略涉及在多尺度架构中顺序选择最佳点。该策略通过压缩机转子的设计和微结构预测模型的校准得到了演示。在题为《深度强化学习在工程设计中的案例研究:在流动雕刻微流体装置中的应用》的论文中,Lee 等人讨论了如何通过克服基于进化优化的方法的一些关键弱点(即样本效率差和优化收敛速度慢)来设计微流体流动雕刻装置。本文将深度强化学习 (DRL) 技术应用于流动雕刻任务,并研究了迁移学习在加速目标流形设计方面的有效性。本文证明,DRL 能够使用比同类 GA 模型少得多的雕刻柱来匹配 90% 的目标流形,并且提供了一种解释学习模型的方法(使用主成分),而现有的流体雕刻方法并不提供这种方法。 Lynch 等人在其论文《机器学习辅助拓扑优化中的数值参数调整》中提出了一种基于 ML 的元学习框架来确定拓扑优化中的调整参数。这些参数是从过去进行的类似优化问题中学习到的,并根据当前的问题进行调整。这有助于避免手动参数调整中代价高昂的反复试验。在论文《数据驱动的设计空间探索和利用增材制造设计》中,Xiong 等人提出了一种数据驱动的方法,用于设计过程的连续阶段的设计搜索和优化。他们在具体设计阶段使用贝叶斯网络分类器,在详细设计阶段使用高斯过程回归。该方法通过定制踝关节支架的设计进行了说明。Odonkor 和 Lewis 将数据驱动设计应用于复杂系统的操作策略设计,特别是分布式能源资源。这篇论文的标题是“分布式能源系统控制策略的数据驱动设计”。最大化套利价值的问题被表述为一个优化问题,并使用重新求解
主要关键词