(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110607199.4 (22)申请日 2021.06.01 (65)同一申请的已公布的文献号 申请公布号 CN 113240117 A (43)申请公布日 2021.08.10 (73)专利权人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路2号 (72)发明人 田阔　李增聪　张澍　黄蕾　王博　 (74)专利代理 机构 大连理工大 学专利中心 21200 专利代理师 李晓亮 (51)Int.Cl. G06N 3/10(2006.01) G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) 审查员 王晓时 (54)发明名称 一种变保 真度迁移学习模型建立方法 (57)摘要 一种变保真度迁移学习模型建立方法， 属于 工程设计与优化领域。 本发明针对 具体的工程问 题， 首先建立合适的高保真度模 型和低保真度模 型并进行高、 低保真度样本点抽样； 然后， 以低保 真度样本点为训练集， 训练深度神经网络得到预 训练模型； 进而， 替换深度神经网络的最后若干 层， 得到变保真度迁移学习模型。 本发明的变保 真度迁移学习模 型能够同时融合高、 低保真度信 息， 在较少的计算资源下可以得到高精度的预测 模型， 能够降低工程优化分析中的计算耗时， 可 以节省大量的时间成本 。 权利要求书1页 说明书4页 附图2页 CN 113240117 B 2022.11.18 CN 113240117 B 1.一种变保真度迁移学习模型建立方法， 其特 征在于， 包括以下几个步骤： 第一步， 建立高、 低保真度模型； 根据不同的工程问题， 分别建立高、 低保真度模型； 第二步， 进行高、 低保真度模型的样本点抽样； 根据第一步中建立的高、 低保真度模型， 在设计空间中对高保真度样本点和低保真度 样本点分别进行抽样， 分别得到m个低保真度样本点和n个高保真度样本点， 其中低保真度 样本点的数量远多于高保真度样本点的数量， m＞＞n； 对抽样得到的样本点分别计算其响 应， 得到高、 低保真度样本点的响应值； 第三步， 建立深度神经网络预训练模型； 首先， 建立一个未训练的神经网络模型； 然后以m个低保真度样本点及其响应值作为训 练集对神经网络模型进行训练， 训练的模型参数包括神经网络的权重与阈值， 训练完毕即 可得到预训练模型； 第四步， 替换深度神经网络的最后若干层； 将第三步中预训练模型的深度神经网络的最后S层替换为新层， S<K， 新层中的权重与 阈值为待训练参数； 同时， 冻结深度神经网络除了最后S层外的其余层， 使其余层的模型参 数不参与第五步的训练； 第五步， 重新训练神经网络， 进行迁移学习； 针对第四步中替换了最后S层的深度神经网络， 以n个高保真度样本点及其响应值为训 练集重新进 行训练； 本次训练的模型参数包括最后 S层神经网络的权重与阈值， 模型参数训 练完毕即可完成迁移学习， 得到融合了高、 低保真度数据信息的深度神经网络模 型， 即变保 真度迁移学习模型。 2.根据权利要求1所述的一种变保真度迁移学习模型建立方法， 其特征在于， 第一步 中， 所述的高保真度模型主要包括精细有限元模型 的数值仿真结果和实验结果； 低保真度 模型主要包括降阶模型、 简化模型和等效模型。 3.根据权利要求1所述的一种变保真度迁移学习模型建立方法， 其特征在于， 第二步 中， 所述的抽样方法包括拉丁超立方抽样、 正交采样、 均匀抽样。 4.根据权利要求1所述的一种变保真度迁移学习模型建立方法， 其特征在于， 第 三步训 练中采用的优化器包括SGD、 Momentum、 RMSprop、 Adam。 5.根据权利要求1所述的一种变保真度迁移学习模型建立方法， 其特征在于， 第五步训 练中使用的优化器包括SGD、 Momentum、 RMSprop、 Adam。权　利　要　求　书 1/1 页 2 CN 113240117 B 2一种变保真度迁移 学习模型建立方 法 技术领域 [0001]本发明属于 工程设计与优化领域， 涉及一种变保真度迁移学习模型建立方法。 背景技术 [0002]工程结构设计与 优化常需要进行大量的迭代计算， 对于复杂问题往往计算耗时较 大。 例如汽车碰撞过程的数值模拟由于结构和工况较为复杂， 通常需要几百到上千小时的 CPU计算时间。 代理模型技术通过对样本点进行拟合， 得到工程优化问题的近似模型， 从而 能大幅度提升计算效率， 在工程优化领域得到了广泛的关注与应用。 目前常用的代理模型 有Kriging模型、 多项式响应面模型、 径向基函数模型、 支持回归向量模型等。 但对于高维、 复杂且耗时长的工程问题， 构造满足精度要求的代理模型需要进行大量的样本点采样。 例 如， Tian[1]等针对多级加筋壳算例， 耗费了702小时进行样本点抽样以构建高精度代理模 型， 如此长时间的计算 耗时是优化设计中难以承受的。 [0003]近年来， 变保真度代理模型技术通过把高保真度模型和低保真度模型进行数据融 合， 能够同时具备高精度和低计算成本两个优点， 在航空航 天、 机械制造等工程优化与设计 中得到了广泛应用。 但是， 在变保真度代理模型构造过程中， 传统设计方式较为依赖桥函 数， 对于高度非线性问题容易出现精度不稳定的现象。 因此， 发明一种新的高、 低保真度模 型结合方式， 使得变保真度模型具有更高的精度和稳定性， 对于工程优化与设计具有重要 研究意义和实用价值。 [1]Tian  K,Wang B,Zhang K,et al.Tailoring  the optimal load‑ carrying  efficiency  of hierarchical  stiffened  shells by competitive  sampling [J].Thin‑Walled Structures,2018,13 3:216‑225. 发明内容 [0004]针对变保真度代理模型的建立方法， 为了克服对于桥函数的依赖问题， 本发明根 据最新的机器学习技术， 发明一种变保真度迁移学习模型建立方法， 通过深度神经网络进 行迁移学习， 进而建立变保真度代理模型， 而无需通过桥函数方式连接高、 低保真度模型， 对于工程中的复杂非线性问题具有更高精度。 [0005]为了达到上述目的， 本发明的技 术方案为： [0006]一种变保真度迁移学习模型建立方法， 针对具体 的工程问题， 首先建立合适的高 保真度模 型和低保真度模型并进 行高、 低保真度样本点抽样； 然后， 以低保真度样本点为训 练集， 训练深度神经网络得到预训练模型； 进而， 替换深度神经网络的最后若干层， 得到变 保真度迁移学习模型。 具体包括以下几个步骤： [0007]第一步， 建立高、 低保真度模型。 [0008]根据不同的工程问题， 建立其合适的高、 低保真度模型。 保真度是描述物理现象或 规律与真实情况接近程度的度量。 高保真度模型可以更加真实、 详细地描述真实模型 的响 应情况， 但计算耗时较高。 低保真度模 型对物理现象 的描述不如高保真度模型准确， 但计算 耗时相对较低。 高保真度模型主要包括精细有限元模型 的数值仿真结果和实验结果； 低保说　明　书 1/4 页 3 CN 113240117 B 3