一种基于代理模型的变密度高真空多层绝热结构优化方法

1.本发明涉及低温绝热技术领域，特别是涉及一种基于代理模型的变密度高真空多层绝热结构优化方法。


背景技术：

2.低温液体的长期贮存依赖于容器的高效绝热，高真空多层绝热材料被广泛用于绝热层主体。随着液氢的大规模应用，特别是作为航天低温推进剂时，保证贮存容器绝热结构性能的同时，减轻其重量具有重要的工程实用价值。变密度多层绝热材料(variable－density multilayer insulation，简称“vd-mli”)可显著减轻mli重量，同时保证优秀的绝热效果，可用于航天发射任务的低温推进剂(液氢、液氧、液态甲烷等)贮箱绝热结构。对于远距离长周期的低温液体运输(如液氢船运、液氢罐车等)，采用vd-mli减轻载具自重都具有可观的经济效益和节能效果。因此对vd-mli的优化设计是本领域的关键技术亟需解决。
3.现有技术中，公开了一种基于层密度对不同间隔物位置进行插空加密的vd-mli的优化方法，首先对vd-mli所有间隔物位置进行一遍加密，找到热流密度下降最多的位置，不断对该位置间隔物进行加密，直至热流密度不再下降，再对其他位置进行此操作，直至整个vd-mli的热流密度达到最小，由此获得vd-mli的最优层密度/间隔物密度的组合。该方法采用层密度为设计参数，由于层密度耦合了厚度与层数两个设计参数，不适用于限制厚度或限定反射屏层数的mli多目标优化。
4.现有技术中还公开了一种自编码器反演的优化设计方法。该方法利用数据降维技术，生成高精度仿真样本集，通过奇异值分解将样本集分解为正交基系数及特征矩阵，再由正交基系数的最小二乘拟合获得设计目标所对应的正交基系数，由此系数实现对特征矩阵的线性叠加，从而获得设计目标所对应的设计参数。当给定一组设计目标时，由此方法可以较为高效地获得该设计目标所对应的降维逼近后的设计参数。但由于采用了最小二乘拟合，结果可能造成优化结果在原维度上，尤其是非线性特征较为明显区域内(即数据分布异常复杂的局部区域)，无法获得最佳设计结果。


技术实现要素：

5.为了克服现有技术的不足，本发明的目的是提供一种基于代理模型的变密度高真空多层绝热结构优化方法。
6.为实现上述目的，本发明提供了如下方案：
7.一种基于代理模型的变密度高真空多层绝热结构优化方法，包括：
8.将多层绝热材料的设计参数进行函数化表示，得到变密度多层绝热材料的待优化设计函数；
9.根据所述待优化设计函数，将所述变密度多层绝热材料的性能指标进行函数化表示，得到各个所述性能指标的计算函数；所述性能指标包括厚度、层数、热流密度和反射屏温度；
10.基于穷举法，获取目标层数下不同厚度的所有的所述多层绝热材料的组合的设计参数矩阵；
11.基于所述厚度的计算函数，根据所述目标层数下所有的所述多层绝热材料的组合的设计参数矩阵确定所述设计参数矩阵对应的多层绝热材料的厚度分布；
12.在所述厚度分布中选择多个厚度进行仿真，得到样本集；所述样本集中包括厚度、热流密度和所述设计参数矩阵；
13.基于所述样本集，根据本征正交分解-广义回归神经网络(pod grnn)方法对所述设计参数矩阵进行预测，得到所述热流密度的预测结果；
14.根据所述设计参数矩阵对所述热流密度的预测结果对应的搭配设计参数矩阵进行筛选，并对筛选后的数据进行仿真，得到对应的厚度和热流密度；
15.将对应的厚度和热流密度加入所述样本集，并返回步骤“基于所述样本集，根据本征正交分解-广义回归神经网络方法对所述设计参数矩阵进行预测，得到所述热流密度的预测结果”进行迭代，直到所述热流密度的预测结果对应的搭配设计参数矩阵不再更新时，得到最优搭配结果。
16.优选地，所述将多层绝热材料的设计参数进行函数化表示，得到变密度多层绝热材料的待优化设计函数，包括：
17.将所述多层绝热材料的设计参数表示为基本设计单元的重复组合；所述基本设计单元的表达公式为d1＝[r，s]，d2＝[r，s，s]，d3＝[r，s，s，s]，
…dn
＝[r，s，s，
……
s]；其中dn为第n个基本设计单元，r代表反射屏，s代表间隔物；
[0018]
根据所述基本设计单元的重复组合确定变密度多层绝热材料的待优化设计函数；所述待优化设计函数的公式为：mli(dp)＝[(d1，dp1),(d2，dp2),(d3，dp3)，
…
]；其中，mli(dp)为所述待优化设计函数；dpn为dn的重复次数。
[0019]
优选地，所述厚度的计算函数为δ＝d[mli(dp)]；其中，δ为所述多层绝热材料的厚度。
[0020]
优选地，所述层数的计算函数为n＝n[mli(dp)]；其中，n为反射屏的所述层数。
[0021]
优选地，所述热流密度的仿真函数为：q＝q[mli(dp),tc,th,p(t),k(t),e(t)]；其中，q为所述多层绝热材料的热流密度，所述热流密度是通过传热模型进行仿真获取得到的；tc为mli冷边界温度，th为热边界温度，p(t)为层间压力函数，k(t)为间隔物导热系数函数，e(t)为发射率函数。
[0022]
优选地，所述反射屏温度的仿真函数为：ti＝t[mli(dp),tc,th,p(t),k(t),e(t)]；其中，ti为所述多层绝热材料的第i个所述反射屏温度。
[0023]
优选地，所述设计参数矩阵的公式为[dp]＝{dp1＝[0，ln]，dp2＝[0，ln]，..，dpn＝[0，ln]}；其中，[dp]为所述设计参数矩阵，ln为目标层数。
[0024]
优选地，所述基于所述样本集，根据本征正交分解-广义回归神经网络方法对所述设计参数矩阵进行预测，得到所述热流密度的预测结果，包括：
[0025]
对所述样本集进行svd分解，得到特征矩阵和正交基系数矩阵；
[0026]
获取预设的设计参数，并确定所述预设的设计参数和所述设计参数矩阵的欧氏距离，并计算所述欧氏距离的高斯核权值；
[0027]
根据所述高斯核权值计算所述正交基系数矩阵的概率密度输出；
[0028]
根据所述概率密度输出和所述特征矩阵确定所述热流密度的预测结果。
[0029]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0030]
本发明利用本征正交分解-广义回归神经网络的快速预测完成大量重复的穷举过程，又通过筛选机制，每次迭代只对进化后搭配进行高精度仿真并加入样本集，从而减少了高精度仿真的次数，大幅缩短了优化时间。且由于本发明采用了正交基系数的非线性神经网络回归，并不断有进化样本的加入，实现了pod grnn在优化前沿上，尤其是对最优特征反常的设计参数的高精度预测，改善了自编码器反演优化在局部非线性区域无法找到最优设计参数的缺点，从而实现了对vd-mli在目标层数下，在整个厚度区域内的多目标的高效寻优过程。
附图说明
[0031]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0032]
图1为本发明提供vd-mli的代理优化流程图；
[0033]
图2为本发明提供的所优化的vd-mli示意图；
[0034]
图3为本发明提供的30层反射屏的vd-mli的代理优化结果与穷举优化的比较示意图；
具体实施方式
[0035]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0036]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0037]
本技术的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤，而是可选地还包括没有列出的步骤，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
[0038]
本发明的目的是提供一种基于代理模型的变密度高真空多层绝热结构优化方法及系统，实现了对vd-mli在目标层数下，在整个厚度区域内的多目标的高效寻优过程。
[0039]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0040]
图1为本发明提供的实施例中的优化方法示意图，如图1所示，一种基于代理模型
的变密度高真空多层绝热结构优化方法，包括：
[0041]
步骤100：将多层绝热材料的设计参数进行函数化表示，得到变密度多层绝热材料的待优化设计函数；
[0042]
进一步的，步骤100包括：
[0043]
将所述多层绝热材料的设计参数表示为基本设计单元的重复组合；所述基本设计单元的表达公式为d1＝[r，s]，d2＝[r，s，s]，d3＝[r，s，s，s]，
…dn
＝[r，s，s，
……
s]；其中dn为第n个基本设计单元，r代表反射屏，s代表间隔物；
[0044]
根据所述基本设计单元的重复组合确定变密度多层绝热材料的待优化设计函数；所述待优化设计函数的公式为：mli(dp)＝[(d1，dp1),(d2，dp2),(d3，dp3)，
…
]；其中，mli(dp)为所述待优化设计函数；dpn为dn的重复次数。
[0045]
步骤200：根据所述待优化设计函数，将所述变密度多层绝热材料的性能指标进行函数化表示，得到各个所述性能指标的计算函数；所述性能指标包括厚度、层数、热流密度和反射屏温度；其中，所述厚度的计算函数为δ＝d[mli(dp)]；其中，δ为所述多层绝热材料的厚度。所述层数的计算函数为n＝n[mli(dp)]；其中，n为反射屏的所述层数。所述热流密度的仿真函数为：q＝q[mli(dp),tc,th,p(t),k(t),e(t)]；其中，q为所述多层绝热材料的热流密度，且热流密度是通过传热模型进行获取得到的；tc为mli冷边界温度，th为热边界温度，p(t)为层间压力函数，k(t)为间隔物导热系数函数，e(t)为发射率函数。反射屏温度的仿真函数为：ti＝t[mli(dp),tc,th,p(t),k(t),e(t)]；其中，ti为所述多层绝热材料的第i个所述反射屏温度。
[0046]
步骤300：基于穷举法，获取目标层数下不同厚度的所有的所述多层绝热材料的组合的设计参数矩阵；在本发明实施例中，设计参数矩阵的公式为[dp]＝{dp1＝[0，ln]，dp2＝[0，ln]，..，dpn＝[0，ln]}；其中，[dp]为所述设计参数矩阵，ln为目标层数。
[0047]
步骤400：基于所述厚度的计算函数，根据所述目标层数下所有的所述多层绝热材料的组合的设计参数矩阵确定所述设计参数矩阵对应的多层绝热材料的厚度分布；
[0048]
步骤500：在所述厚度分布中选择多个厚度进行仿真，得到样本集；所述样本集中包括厚度、热流密度和所述设计参数矩阵；
[0049]
步骤600：基于所述样本集，根据本征正交分解-广义回归神经网络方法对所述设计参数矩阵进行预测，得到所述热流密度的预测结果；
[0050]
进一步的，所述步骤600包括：
[0051]
对所述样本集进行svd分解，得到特征矩阵和正交基系数矩阵；
[0052]
获取预设的设计参数，并确定所述预设的设计参数和所述设计参数矩阵的欧氏距离，并计算所述欧氏距离的高斯核权值；
[0053]
根据所述高斯核权值计算所述正交基系数矩阵的概率密度输出；
[0054]
根据所述概率密度输出和所述特征矩阵确定所述热流密度的预测结果。
[0055]
步骤700：根据所述设计参数矩阵对所述热流密度的预测结果对应的搭配设计参数矩阵进行筛选，并对筛选后的数据进行仿真，得到对应的厚度和热流密度；
[0056]
步骤800：将对应的厚度和热流密度加入所述样本集，并返回步骤600进行迭代，直到所述热流密度的预测结果对应的搭配设计参数矩阵不再更新时，得到最优搭配结果。
[0057]
下面结合具体的实际场景对本发明的优化过程做进一步的描述：
[0058]
对于一个用于液氢容器的变密度高真空多层绝热结构，即冷边界温度为20k、限制反射屏层数为30层，有3个密度区的vd-mli，优化方法如下：
[0059]
第一步，将vd-mli的设计参数表示为基本设计单元的重复组合：
[0060]
d1＝[r,s]，d2＝[r,s,s]，d3＝[r,s,s,s] (1)
[0061]
其中，“r”代表反射屏，“s”代表间隔物，如图2所示，基本设计单元反射屏与间隔物组合比例分别为1:1、1:2和1:3。根据vd-mli在不同密度区域间隔物的占比不同，将vd-mli的设计可表示为以下函数：
[0062]
mli(dp)＝[(d1,dp1),(d2,dp2),(d3,dp3)] (2)
[0063]
其中dp1,dp2,dp3分别为各基本设计单元d1,d2,d3的重复次数，即为待优化设计参数；
[0064]
第二步，将vd-mli的性能计算整理成函数形式；
[0065]
thickness＝d[mli(dp)]
[0066]
ln＝n[mli(dp)]
[0067]
hf＝q[mli(dp),tc,th,p(t),k(t),e(t)]
[0068]
temperature＝t[mli(dp),tc,th,p(t),k(t),e(t)]
[0069]
其中thickness为mli厚度,可通过每层反射屏及玻纤纸的厚度及对应数量进行计算；ln为mli的层数,在本实施例中为30，即dp1+dp2+dp3＝30；hf为mli的热流密度，可通过layer-by-layer传热模型获得；temperature为mli每个反射屏的温度；tc为mli冷边界温度，th为热边界温度，p(t)为层间压力函数，k(t)为间隔物导热系数函数，e(t)为反射屏发射率函数；
[0070]
第三步，通过穷举法获得目标层数下所有mli的组合；
[0071]
[dp]＝{dp1＝[0,ln],dp2＝[0,ln],dp3＝[0,ln]} (3)
[0072]
其中ln为目标层数,所有设计参数的矩阵[dp]可以通过循环遍历法获得，即输出dp1+dp2+dp3即可得到ln的所有搭配；
[0073]
第四步，基于厚度计算函数d，对目标层数下所有mli的组合矩阵[dp]，计算获得[dp]对应的mli的厚度分布[thickness]；
[0074]
第五步，在厚度分布[thickness]中随机挑选出25个厚度进行高精度仿真，获得由[thickness],[hf],[dp]所组成样本集[dataset]；
[0075]
第六步，基于样本集[dataset]，采用本征正交分解-广义回归神经网络(pod grnn)实现正交基系数的非线性回归，并对[dp]进行快速预测，获得热流密度的预测结果[hf
pod
]。其中，pod grnn算法可按照以下方法实现:
[0076]
1.pod部分：对样本集[dataset]进行svd分解:
[0077]
[u,s,v]＝svd([dataset]) (4)
[0078]
其中，u为正交基系数矩阵，sv’为特征矩阵；
[0079]
2.grnn部分：给定一组设计参数dp,计算dp与[dp]的欧氏距离[dist]；
[0080]
3.计算[dist]的高斯核权值，kdis＝，其中spread为高斯平滑指数，可通过一维寻优获得。
[0081]
4.采用公式(5)计算正交基系数的矩阵的概率密度输出：
[0082]
5.采用公式(6)计算预测结果：
[0083]
第七步，筛选获得每个厚度下的热流密度[hf
pod
]最小值所对应的的搭配[dpo]，与[dp]进行比较，剔除未进化的最优搭配获得[dpo]；
[0084]
第八步，对[dpo]进行高精度仿真，获得对应的[thicknesso],[hfo]，将其并入[dataset]。
[0085]
第八步，返回第六步进行迭代，直到[dpo]不再更新时，即可认为优化已经完成。本发明实施例中vd-mli组合代理优化的输入参数根据表1取值后，得到最终的优化结果如表2所示。
[0086]
表1实施例中vd-mli组合代理优化的输入参数
[0087][0088][0089]
表2实施例中的最优vd-mli的组合及绝热性能
[0090][0091][0092]
由图3及表2可知，在间隔取厚度的情况下，16个厚度中，13个达到最优，最优率为81.25％；2个为次最优，分别对应厚度为25.69mm，31.25mm；1个为次次最优，对应厚度为27.08mm。
[0093]
本发明公开了一种基于代理模型的变密度高真空多层绝热结构优化方法，包括：将vd-mli以基本设计单元的重复次数的组合作为待优化设计参数，基于穷举法，获得目标层数下不同厚度的所有vd-mli组合的设计参数，随机选择n组厚度所对应的设计参数，通过性能仿真函数，获得对应vd-mli组合的漏热热流密度、绝热层厚度等响应参数并组成样本集。采用pod grnn算法对所有设计参数的热流密度进行快速预测，筛选出每个厚度下的最优搭配，并与现有样本集中的最优搭配进行比较，剔除未进化的最优搭配，只对进化后的最优搭配进行高精度仿真，并将结果加入样本集，如此迭代直至所有的厚度下的搭配均达到最优。与现有技术相比，本发明每次迭代只对进化后的搭配进行高精度仿真并加入样本集，可以减少高精度仿真的次数，大幅缩短了优化时间。且本发明由于采用了正交基系数的非
线性神经网络回归，并不断有进化样本的加入，实现了pod grnn在优化前沿上，尤其是对最优特征反常的设计参数的高精度预测，改善了自编码器反演优化在局部非线性区域无法找到最优设计参数的缺点，从而实现了对vd-mli在目标层数下，在整个厚度区域内的多目标的高效寻优过程。
[0094]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法而言，由于其与实施例公开的装置相对应，所以描述的比较简单，相关之处参见装置部分说明即可。
[0095]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。