機器學習與參數優化
關注創建者：海克斯康設計與仿真 創建時間：2021-02-26
機器學習與參數優化的視頻教程
化工新能源中的機理和機器學習建模—從燃料電池的系統到部件的機理及機器學習建模案例介紹
化工新能源中的機理和機器學習建模—從燃料電池的系統到部件的機理及機器學習建模案例介紹 直播時間：3月12日 19:30 課時章節：第1節課（共1節） 適用人群：想要了解學習機理和機器學習建模在化工新能源中的應用 背景： 很多的新能源尤其是燃料電池系統其實也算一個小型的化工系統，這個系統可能使用氫氣或者天然氣作為燃料來發電驅動汽車或者向電網輸送，也可能是在逆向運行采用電網的電來分解水制氫。
￥19.9 46分鐘 47播放
查看
水下機器人殼體（壓力容器）結構仿真演示、《仿真報告》編撰以及優化建議、優化方向引導
以某個水下機器人殼體為例，對壓力容器內外壓力差形成的結構變形、應力分布進行結構仿真計算。視頻包括多個場景環境變化引起的邊界條件分析境、位移約束和邊界條件分配講解，同步演示操作過程，語音講解。
￥136 1小時 148播放
查看
機器學習與參數優化的實例教程
靈敏度分析主要進行設計空間縮減，這與機器學習的降維的目標是一樣的。如機器學習的主成分分析，因子分析等。
通過建立的高精度的代理模型或機器學習模型可以進行后續的參數優化分析。
本文通過Python環境進行以上分析。主要包括以下內容：
1.通過doepy庫進行DOE創建，如拉丁方DOE；
2.通過pyNastran庫對nastran求解文件進行模型更新；
3.通過sklearn庫進行機器學習模型訓練，如支持向量機模型、貝葉斯嶺回歸模型；
4.通過smt庫進行代理模型創建，如Kriging模型；
5.通過SALib庫進行靈敏度分析。
展開 機器學習中的優化算法 ￥2
<p>1 機器學習中的優化算法</p><p><span style="color: rgb(62, 62, 62);">Optimization Algorithms in Machine Learning,機器學習中的優化算法。</span></p><p>優化算法是機器學習模型的支柱，因為它們使建模過程能夠從給定的數據集中學習。這些算法用于查找目標函數的最小值或最大值，該函數在機器學習上下文中代表誤差或損失。<strong><em>在本文中，討論了不同的優化方法以及它們在機器學習中的用途及其意義。</em></strong></p><p><strong>目錄</strong></p><ul><li>了解機器學習中的優化</li><li>機器學習中的優化算法類型</li><li class="ql-indent-1">1. 一階算法</li><li class="ql-indent-1">2. 二階算法</li><li>針對特定機器學習任務的優化</li><li class="ql-indent-1">1. 分類任務：Logistic 回歸優化</li><li class="ql-indent-1">2. 回歸任務：線性回歸優化</li><li>優化算法的挑戰和局限性</li></ul><p><strong>了解機器學習中的優化</strong></p><p>優化是從各種可用的可行解決方案中選擇最佳解決方案的過程。換句話說，優化可以定義為獲得給定函數的最佳值或最小值的一種方式。在大多數問題中，目標函數 f（x） 是受約束的，目的是確定最小化或最大化 f（x） 的 ？x 值。
展開 但與處理從互聯網上抓取的 JPEG 或文本片段不同，CFD 計算可能需要數小時，因此我們需要機器學習算法以盡可能少的輸入提供結果 - 我們談論的是具有數十個輸入的模型，而不是數十億個參數。話雖如此，尋找最佳設計的自動化、人工智能/機器學習加速流程仍然比手動調整所有內容快幾個數量級。
自動化設計優化取代了手動對 CAD 模型和流動條件進行小幅修改以尋求更好設計的費力過程。與許多其他技術一樣，它不會取代工程師，而是讓工程師能夠騰出時間來完成其他任務。在這種情況下，設計工程師的重點和精力從設置和運行模擬轉移到理解和分析設計空間。由于 CFD 計算非常耗時，因此開發快速找到最佳值的高效設計空間探索方法對于使自動化設計優化成為渦輪機械部件設計的可行技術至關重要。在本文中，
該優化項目的目標是通過新設計對該級進行改造，以提高系統的功率。由于情況是我們正在用新的動力改造舊機器，因此原始機器的幾何形狀提出了新設計中必須遵守的基本約束和要求。因此，定子腔、軸承和噴嘴葉片是固定的，而葉輪葉片和轉子尖端泄漏腔是優化的目標。
設計空間概覽
Cadence 的 Fidelity 軟件套件包括與 Concepts NREC 合作的設計工具 Fine Agile，這是一種用于渦輪機械的設計、分析和幾何生成工具。使用 Fine Agile，我們可以適當地參數化設計空間并施加約束。表 1 顯示了如何對葉尖泄漏腔進行參數化，而表 2 顯示了葉片形狀的值。優化運行期間總共調整了八個參數。
展開 從兩個分子的描述符中創建特征，學習與相互作用參數 χ 的關系
目標和方法
使用 J-OCTA 機器學習功能（MI-Suite）來估計 χ 參數。使用的數據來自 Flory-Huggins Chi 數據庫。獲取的數據包括兩個化合物 A 和 B 的名稱以及它們之間的 χ 參數值。數據量為 263。學習/預測 χ 參數的過程如下：
χ 參數學習/預測過程
1. 從公共化合物數據庫 PubChem 獲取每種化合物的 SMILES 表示法。 使用 MI-Suite 的數據獲取功能 DB-Explorer 獲取。使用 MI-Suite 的數據采集功能 DB-Explorer 獲取數據。只有同時獲得 A 和 B 的 SMILES 表達式的化合物對（169 個）才會被使用。
2. 使用描述符計算功能 ChemDC 計算每個化合物的描述符值和 AutoCorr2D。
3. 根據原始數據中對化合物的描述，將計算出的描述符值進行混合，以創建單一特征。
4. 使用的混合方案是定量地理學中使用的混合方案，因為描述符（AutoCorr2D）可視為空間自相關量。
5. 訓練以混合計算的特征為輸入值，以每對化合物的 χ 參數為目標值。
學習的設置如下：
l 在 MI-Suite 的學習功能所支持的學習方法中，我們使用了 XGBoost，這是一種基于提升的學習方法。XGBoost 的超參數設置基于 GP（高斯過程），以獲得最佳參數設置。
l 離群點的去除是在第 90 個百分點（兩側）進行的。
l 在訓練過程中，訓練集和測試集的數據比例為 8:2。
結果
以下是訓練結果。
對于通過訓練獲得的預測模型（即學得的模型），使用訓練集時的預測準確率為 R^2=0.937，而使用測試集時的預測準確率為 R^2=0.778。
展開 結構拓撲優化可以幫助工程師在沒有先驗知識的情況下，獲得具有創新性的產品/結構設計，目前已成為了數字化設計平臺不可缺少的重要支撐工具。而實現實時拓撲優化設計（即在給定設計區域，外荷載以及約束條件后即可馬上得到最優結構形式）更是工程師們長久追尋的終極夢想。近日，大連理工大學工程力學系郭旭教授團隊將機器學習與基于可移動變形組件(MMC)的拓撲優化方法相結合，利用顯式的MMC方法生成數據集，通過機器學習中的SVR和KNN模型建立起最優結構設計參數與外載荷之間的映射關系，對實現實時拓撲優化設計開展了探索性研究。由于MMC方法以結構顯式幾何參數作為設計變量，優化問題設計變量極少，因此相比已有方法（如基于像素學習的方法），該方法大大減少了機器學習訓練集的數據量及相應參數空間的維度，并且通過學習過程得到的"知識"有助于建立最優結構與對應載荷的工程直覺。目前相關論文已被期刊《Journal of Applied Mechanics-Transactions of the ASME》接收。
（原文下載鏈接: https://www.researchgate.net/publication/327140607_Machine_Learning_Driven_Real_Time_Topology_Optimization_under_Moving_Morphable_Component_MMC Bas Based_Framework）
文章全文如下:
來源：結構優化理論與應用 作者劉暢
展開 
機器學習與參數優化的相關專題、標簽、搜索
機器學習與參數優化的最新內容
文章推薦：《Reduced-order representations of crystallographic texture for application to surrogate modelling of austenitic stainless steel》
晶體塑性有限元（CPFE）模型在預測多晶材料宏觀性能與微觀晶體學織構的相互作用中扮演著核心角色 。然而，極其龐大的計算成本成為了將其推廣至宏觀工程部件
摘要
光纖是現代光學中最通用的組件之一。它們最具價值的特性之一是能夠以極低的損耗在極遠的距離(甚至幾公里)傳輸光能。另一方面，以盡可能高效率地將光耦合到光纖中往往是一項非常微妙的工作:在其他方面，光纖耦合透鏡必須精心設計，以確保焦點與光纖的傳播模式盡可能緊密地匹配。通過快速物理光學模擬VirtualLab Fusion中的參數優化，我們設計了一個圓錐表面的平凸透鏡，用于將光耦合到單模光纖中
光纖耦合透鏡的參數優化11天前
摘要
光纖是現代光學中最通用的組件之一。它們最具價值的特性之一是能夠以極低的損耗在極遠的距離(甚至幾公里)傳輸光能。另一方面，以盡可能高效率地將光耦合到光纖中往往是一項非常微妙的工作:在其他方面，光纖耦合透鏡必須精心設計，以確保焦點與光纖的傳播模式盡可能緊密地匹配。通過快速物理光學模擬VirtualLab Fusion中的參數優化，我們設計了一個圓錐表面的平凸透鏡，用于將光耦合到單模光纖中
Workbench 里直接用 optiSLang 做參數優化（懸臂梁實例）-技術鄰
參考前面的文章，有詳細的操作說明，這個附件為操作案例，供大家參考學習
Workbench 里直接用 optiSLang 做參數優化（懸臂梁實例）
OptisLang優化案例
懸架靈敏度分析及參數點優化21天前
本文以弗遜懸架系統為例，優化懸架的前束，外傾角，非常詳細介紹例采用Adams/car insight對硬點坐標的調整進行優化的整個過程
傾斜光柵的參數優化及公差分析1個月前
對于背光系統、光內連器和近眼顯示器等許多應用來說，將光高效地耦合到引導結構中是一個重要的問題。對于這種應用，傾斜光柵以能夠高效地耦合單色光而聞名。在本例中，提出了利用嚴格傅里葉模態方法（FMM，也稱為RCWA）對傾斜光柵的優化方法。優化后的光柵的衍射效率超過90%。此外，還研究了其對光柵的傾角偏差和圓角邊緣的影響。
摘要
終極DevOps到MLOps訓練營：構建機器學習CI/CD流水線 Ultimate DevOps to MLOps Bootcamp - Build ML CI/CD Pipelines 發布時間：2025年 課程時長：12小時 課程大小：6.7GB 語言：英文 課程
藥物發現與化學信息學中的機器學習應用 發布時間：2026年 時長：3小時 大小：1.1GB 語言：英語 課程內容 學習將Python、人工智能與機器學習技術應用于化學信息學領域，掌握藥物發現的計算方法與實操項目開發，從零搭建相關預測模型并完成部署。 學習目標
視頻格式：MP4 | 視頻編碼：h264，分辨率1920×1080 | 音頻編碼：AAC，采樣率44.1 KHz，雙聲道
- 難度級別：所有級別 | 類別：電子學習 | 語言：英語 | 時長：25講（3小時14分鐘） | 大小：2.5 GB
- 課程簡介：一份適合初學者的Python人工智能與機器學習入門指南
- 學習內容：
- Python編程入門
<p>一、 核心痛點與解決方案（圖文介紹）</p><p><strong>1. 痛點：Excel模型很完美，但“規劃求解”太拉胯</strong> 很多工程與科研人員（特別是土木、化工、金融領域）習慣用Excel構建復雜的計算模型，里面包含了大量的Sheet關聯、VBA自定義函數。當需要對這些模型進行參數反演或優化時，Excel自帶的Solver（規劃求解）往往表現極差：<strong>容易陷入局部最優
