機器學習優化
關注創建者：匿名 創建時間：2026-01-04
機器學習優化的視頻教程
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
機器學習優化的實例教程
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 優化變速箱控制系統中的部件相互影響
我們使用虛擬原型來識別一系列組件公差范圍的靈敏度。所討論的組件是設計為變速箱控制系統一部分的運動機構的運動鏈。
當涉及到提高高性能跑車的品質時，控制機構的平穩、精確運動和變速箱的換檔速度非常重要。
圖1顯示了兩個組件。黃色部件將藍色部件引向精確位置，以獲得檔位速度位置。由此產生的運動是由于換檔控制系統的子組件造成的，該子組件是由九個部件組成的運動鏈，它們之間有相對運動。
圖1. 部分和全部遮擋，以及預期軌跡
理想情況下，從第七檔換到第六檔時，藍色部件應遵循預期的軌跡。
如果藍色部件推過導軌的尖端，駕駛員可以繼續向六檔移動。這種現象被稱為“部分阻斷”。
但如果駕駛員無法將換擋桿從七檔移動到六檔，這被稱為“完全遮擋”。這是最糟糕的結果。要完成換檔，駕駛員必須稍微向后移動，以防止黃色部件阻擋藍色部件。
通過Adams和ODYSSEE CAE增強功能響應
戰略機制分析
正確的設計考慮，使運動鏈部件的公差范圍正確，對于確保運動不會導致完全遮擋至關重要。
需要一個通用的分析程序來完善運動機制，如圖2所示。
圖2. 一般分析流程
Adams軟件使我們能夠了解結構運動機制，定義設計目標，并使用Adams/Insight運行DOE研究。之后生成一個數據的矩陣，可以用作ODYSSEE CAE的輸入。ODYSSEE CAE可用于從數據中學習，并根據設計規范預測新設計變量的新結果。
此外，如果新的變量范圍包含在Adams/Insight分析中先前選擇的范圍內，則可以在系統的最后一個分析階段分配新的變量區間。一旦實現了ODYSSEE CAE的靈敏度結果，就可以創建具有新可變范圍的新DOE，以更低的成本獲得更好的功能響應解決方案。
展開 本文主要以金屬成形過程的非線性幾何優化模擬為例，介紹人工智能（AI）/機器學習（ML）工具在非線性優化中的應用方法。
對于很多非線性問題，當采用有限元模型的直接優化時，在計算上會需要很多時間，導致成本增高，采用ML技術來替代一些傳統的優化方法能顯著提高效率。ML的主要思想是用訓練數據構建預測模型，直接使用預測模型進行在線優化。由于預測模型的計算工作量通常比全有限元模型低得多，因此在線優化問題通常可以很快得到解決。
為了滿足Marc/Mentat用戶對人工智能（AI）和機器學習（ML）的需求，從Marc2021.4版本開始，在前處理器Mentat中引入了一個新的AI/ML工具彈出菜單，為Marc/Mentat用戶在ODYSSEE等軟件工具中部署AI/ML提供了一種有效的方式。
ML技術的使用大致可以分為兩個階段：離線數據訓練和在線操作（包括參數研究、預測和設計優化）。在線操作依賴于離線數據訓練，這需要足夠的數據來生成可靠的預測模型。為了獲得這種離線數據，用戶可以使用有限元模型準備和模擬許多數值實驗，這個過程通常被稱為實驗設計（DOE）。Marc/Mentat集成的AI/ML工具旨在通過提供ODYSSEE和Mentat之間的數據格式兼容性，以及以串行或并行模式啟動和監測仿真實驗的工具，簡化DOE的設置和執行。
為了使用ML技術解決此優化問題，在Marc/Mentat2023.3以前的版本需要執行以下步驟：
■ 離線數據準備：
? 生成各參數的DOE變化 。
? 使用AI/ML工具準備DOE作業。
? 以并行模式運行DOE作業。
? 提取并導出DOE結果。
? 訓練并獲得預測模型。
■ 在線操作：
? 新參數響應快速預測。
? 解決優化問題。
展開 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 
機器學習優化的相關專題、標簽、搜索
機器學習優化的最新內容
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
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
尤其歡迎以下方向參與：
AI賦能仿真 - 機器學習、AI優化、智能自動化
先進封裝與3DIC - Chiplet、HBM、熱管理
多物理場耦合 - 電熱、流固耦合等
數字孿生 - Digital Twin、實時仿真
新能源應用 - 電池、電機、儲能系統
光模塊 - 光學與光子學
評審機制
獎項設置
一等獎：價值3,500元
二等獎：
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
模型訓練通過 `Pipeline` 實現：
模型評估與可視化
訓練完成后，系統自動評估模型性能，并通過混淆矩陣進行可視化展示：
模型保存與批量預測
完成訓練后，系統自動保存模型，便于后續快速調用進行批量短信檢測：
系統優勢
高效準確：使用經典機器學習算法搭配優化的超參數，提供高效且準確的垃圾短信檢測能力。
培訓亮點
本次培訓聚焦兩大前沿方向：
輕量化設計： 掌握 Altair Inspire 軟件操作與結構優化實戰；
AI 應用： 學習 AI Studio 的機器學習建模與反向優化方法。
培訓與競賽結合，真正實現“以訓促賽、以賽促教、以教促研”，助力高校教師掌握智能設計與AI融合應用能力。
通過結合機器學習與智能優化算法，AI 能夠快速建立電磁響應預測模型，大幅減少仿真次數，實現對多目標（如增益、帶寬、方向圖等）的全局優化。同時，該方法還可以輔助探索新型天線結構，挖掘傳統方法難以發現的設計空間。
北京時間 16:00 開始
會議形式：線上直播
會議語言：英語（免費提供在線中文翻譯）
立即報名：https://hubs.ly/Q03KtFdn0
?
溫馨提示：因服務器地域問題，掃碼后需等待5秒，請耐心等待自動跳轉至報名頁哦~
會議亮點
覆蓋廣泛行業的實戰案例分享
三菱汽車將展示如何使用 romAI 加速 1D-3D 耦合熱流體建模；
勞斯萊斯如何結合機器學習與系統仿真優化發動機結構分析
AI 輔助渲染
利用機器學習優化字體輪廓的網格適配算法，自動生成針對不同分辨率的最佳渲染參數。
總結
CAD 軟件中 TrueType 字體的顯示是矢量圖形學、數字字體技術與硬件加速的深度融合。理解其原理有助于用戶合理配置字體、優化性能，并解決實際應用中的顯示問題。隨著 GPU 技術和字體格式的不斷發展，未來 CAD 中的字體顯示將在效率和質量上實現新的突破。
