Определены лучшие алгоритмы для оптимизации характеристик функционально классифицированных материалов

Прочитано: 68 раз(а)


Исследование из Японии , опубликованное в Международном журнале компьютерной техники и технологий, раскрывает способ оптимизации состава функционально градуированных материалов (FGM). FGM — это современные композитные материалы с постепенным изменением состава и свойств по всему объему, предназначенные для оптимизации характеристик в конкретных условиях нагрузки.

Эту работу можно использовать для смягчения остаточных термических напряжений в равномерно охлаждаемых многослойных пластинах FGM, что позволит им лучше справляться со значительными термическими циклами, наблюдаемыми в аэрокосмической отрасли и энергетической промышленности.

Рёичи Тиба с факультета машиностроения городского университета Саньо-Онода применил для проведения расследования так называемые методы оптимизации черного ящика (BBO) в рамках платформы с открытым исходным кодом Optuna. Optuna известна как удобный интерфейс, идеально подходящий для сложных задач оптимизации.

Чиба использовал три алгоритма Optuna: древовидную оценку Парцена (TPE), эволюционную стратегию адаптации ковариационной матрицы (CMA-ES) и генетический алгоритм сортировки без доминирования II (NSGA-II). Каждый из этих алгоритмов предлагает уникальный подход к оптимизации: TPE ориентирован на быструю сходимость, а CMA-ES и NSGA-II — на эволюционные стратегии.

Оптимизация FGM всегда оказывалась сложной задачей, поскольку при их проектировании и производстве задействовано очень много переменных, каждая из которых может оказать значительное положительное или отрицательное влияние на их свойства.

Чиба объясняет, что алгоритм CMA-ES сработал лучше всего. Хотя TPE быстро нашел решение, качество его оптимизации было не таким высоким, как у более тщательных эволюционных подходов CMA-ES и NSGA-II. Как показывает работа, при попытке учесть взаимодействия между переменными проектирования могут возникнуть проблемы, которые иногда оказываются контрпродуктивными и приводят к более сложной оптимизации, а не к расширению процесса.

Подход машинного обучения позволяет получить представление о целом классе материалов, используемых для твердотельных аккумуляторов



Новости партнеров