matlab集成c代码-ML-Enhanced-Robust-Design:机器学习增强的风险缓解策略的项目源代码和数据

Matlab集成的c代码使用机器学习的有效风险缓解策略 1.突出显示 鉴于不同的鲁棒性设计任务，这项工作提出并确定了各种降低燃烧不稳定性风险的策略的基准。 我们训练了高斯过程模型以近似昂贵的物理模拟，从而实现了即时风险计算。 我们将训练有素的机器学习模型集成到全局优化例程中，这使我们能够有效地确定对不确定的运行条件具有鲁棒性的最佳设计参数。 这项工作最初发表于，后来发表在期刊上： 郭S.，席尔瓦CF，Polifke W。，。 燃气轮机与动力工程学报， 2020，142（3），第031026页。 2.动机 在设计阶段有效减轻燃烧不稳定性风险对于消除昂贵的设计迭代并推广总体上更可靠和更具竞争力的燃气轮机产品至关重要。 减轻风险需要找到对各种不确定性源都具有鲁棒性的设计参数。 为此，通常需要集成风险分析和全局优化，在每次优化迭代中，将一组新的设计参数输入到风险分析模块中，以计算相关的不稳定风险值。 3.方法论 为了解决上述“不确定性下的优化”问题，我们首先训练了高斯过程模型来近似昂贵的物理模拟。 随后，我们将训练有素的GP模型集成到全局优化例程中。 结果，在每个优化迭代中，所涉及的风险分析的