一种基于机器学习优化的高速列车气动头部外形设计方法技术

本发明专利技术涉及高速列车头部外形设计领域，具体涉及一种基于机器学习优化的高速列车气动头部外形设计方法。包括：获取高速列车气动性能数据和外形设计参数变量作样本数据；采用基于皮尔森相关系数的聚类方法和最大互信息系数获取参数变量之间的关联程度，并筛选优化参数；将样本数据随机拆分为训练集和测试集；采用蜻蜓算法对神经网络模型进行训练，获得第一气动性能预测模型；获取预设预测精度，进行测试获得测试预测精度；比较两种精度值获得终气动性能预测模型；设定多个参数变量的数值范围和允许的最小改变量，通过终气动性能预测模型采用蜻蜓优化算法获取所述参数变量的最优值，该方案可以在短时间内产生最优决策，且具有良好的扩展性。好的扩展性。好的扩展性。

【技术实现步骤摘要】
一种基于机器学习优化的高速列车气动头部外形设计方法


[0001]本专利技术涉及高速列车头部外形设计领域，具体涉及一种基于机器学习优化的高速列车气动头部外形设计方法。

技术介绍

[0002]高速列车头型的几何外形是具有复杂形状的空间三维曲面，外形的各参数包括鼻锥长度，鼻锥宽度，前窗倾角等，且各参数对气动性能的影响是复杂、矛盾的，气动性能参数包括气动阻力、气动噪声、列车风以及大风环境下气动升力、倾覆力矩等多个方面。
[0003]现有的高速列车头部外形参数化设计能够快速生成不同参数的多种头型，但由于设计变量个数有一定的限制，生成的几何外形较为简单，而目前的高速列车头部外形气动优化大多是基于简单的列车头型的参数化设计，基于网格变形方法对头部外形进行气动优化，但该方法设计变量为控制点，而表达列车头型曲面的控制点数目往往为数百个，优化计算工作量大，目前工程应用中高速列车头型设计主要采用优选式设计方法，由工程经验设计出若干头型，然后通过试验或计算手段选出气动性能较好的头型。一方面，依靠工程经验很难得到理想的气动外形，另一方面多方案设计周期长，成本高，工作量大。因此现有的高速列车气动头型优化设计方法在工程应用中非常有限，不能从根本上提高设计效率和设计质量。

技术实现思路

[0004]基于此，本专利技术针对传统方法在高速列车气动头型优化设计方法设计周期长、成本高、工作量大的技术问题，本专利技术提供了一种采用机器学习方法构建神经网络模型，并利用蜻蜓算法对参数进行优化，获得了一种时间短、且具有良好扩展性的设计方法。
[0005]一种基于机器学习优化的高速列车气动头部外形设计方法，其特征在于，具体包括：
[0006]S1:获取高速列车气动性能数据和列车头部外形设计参数变量作为样本数据；
[0007]S2:根据所述样本数据，采用基于皮尔森相关系数的聚类方法和最大互信息系数获取样本数据中各参数变量之间的关联程度，并筛选多个参数变量作为优化参数；
[0008]S3:将包含所述优化参数的样本数据进行随机拆分，获得训练集和测试集；
[0009]S4:将训练集作为输入样本，采用蜻蜓算法对神经网络模型进行训练，获得第一气动性能预测模型；
[0010]S5:获取预设预测精度，将所述测试集输入所述第一气动性能预测模型进行预测，获取测试预测精度；比较预设预测精度和测试预测精度，获得终气动性能预测模型；
[0011]S6:设定所述多个参数变量的数值范围和允许的最小改变量作为参数优化输入，通过终气动性能预测模型采用蜻蜓优化算法获取所述参数变量的最优值。
[0012]进一步的，所述步骤S2具体包括：
[0013]计算各输入参数变量之间的皮尔森相关系数，将所述皮尔森相关系数超过设定阈
值对应的参数划归为相同类；
[0014]计算每个类内的各参数变量与所述气动性能数据的最大互信息系数并取均值，作为类与气动性能结果相关程度的度量，选择与结果相关程度最高的类；
[0015]从所述被选择的多个类中，选择与所述气动性能数据的最大互信息系数最高的参数变量作为最优参数变量。
[0016]进一步的，所述步骤S3中，训练集和测试集的样本数量的比值为4:1。
[0017]进一步的，所述步骤S4具体包括：
[0018]根据经验公式a＝1～10，n、m分别为输入、输出神经元个数，确定神经网络模型的隐含层节点数n1的范围；
[0019]将神经网络超参数映射为整型向量作为蜻蜓算法的解向量，将所述解向量作为评价函数输入，并将解向量逆映射为神经网络的超参数创建训练神经网络；
[0020]将训练集样本输入所述训练神经网络进行训练，获得第一气动性能预测模型。
[0021]进一步的，所述测试预测精度具体为：
[0022]将测试集输入至第一气动性能预测模型进行测试，获得测试集决定系数，所述测试集决定系数相反数即为测试预测精度。
[0023]进一步的，所述比较预设预测精度和测试预测精度，获得终气动性能预测模型步骤具体包括：
[0024]当测试预测精度>预设预测精度时，所述第一气动性能预测模型即为终预测模型；
[0025]当测试预测精度<预设预测精度时，调整训练样本，进行训练并测试，获得终预测模型。
[0026]进一步的，所述当测试预测精度<预设预测精度时，调整训练样本，进行训练并测试，获得终预测模型步骤，具体包括：
[0027]当测试预测精度<预设预测精度时，获取训练集样本参数变量和气动性能数据，根据所述参数变量和对应的气动性能数据分布，去除最大离群值对应的样本，获得调整训练集样本；
[0028]将所述调整训练集样本输入所述训练神经网络进行训练，获得第二气动性能预测模型，并将测试集输入进行测试，直至满足预设测试精度。
[0029]进一步的，所述步骤S6具体包括：
[0030]设定优化参数变量的数值范围和允许的最小改变量，作为蜻蜓优化算法解向量的上下界和最小距离变化向量；
[0031]初始化蜻蜓优化算法，采用终气动性能预测模型进行迭代优化至预设的迭代次数，获得高速列车气动性能最优的优化参数变量值。
[0032]有益效果：
[0033]1)本专利技术采用机器学习方法，能够通过聚类和最大互信息系数分析，明确头部外形设计参数对高速列车气动性能的影响程度，确定了主要设计参数，从而大大减少优化计算工作量，解决了现有技术方案设计参数过多、不能充分提取特征的问题；
[0034]2)本专利技术通过对输入样本的计算，获得高速列车气动性能与设计参数的神经网络模型，利用蜻蜓算法基于该模型进行外形优化自动寻优，避免了每次设计外形的重复计算，可以在短时间内产生最优决策，且具有良好的扩展性。
[0035]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0036]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]图1为本专利技术实施例提供的一种基于机器学习的高速列车气动头型优化设计方法的流程图；
[0038]图2为本专利技术实施例提供的列车头部外形设计参数变量示意图；
[0039]图3为本专利技术实施例提供的高速列车模型样本示意图；
[0040]图4为本专利技术实施例提供的对气动阻力性能影响程度较高的头部外形设计参数示意图；
[0041]图5为本专利技术实施例提供的高速列车气动阻力性能与设计参数的神经网络模型预测结果对比图；
[0042]图6为本专利技术实施例提供的以气动阻力最小为优化目标生成的高速列车头型示意图。
具体实施方式
[0043]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习优化的高速列车气动头部外形设计方法，其特征在于，具体包括：S1:获取高速列车气动性能数据和列车头部外形设计参数变量作为样本数据；S2:根据所述样本数据，采用基于皮尔森相关系数的聚类方法和最大互信息系数获取样本数据中各参数变量之间的关联程度，并筛选多个参数变量作为优化参数；S3:将包含所述优化参数的样本数据进行随机拆分，获得训练集和测试集；S4:将训练集作为输入样本，采用蜻蜓算法对神经网络模型进行训练，获得第一气动性能预测模型；S5:获取预设预测精度，将所述测试集输入所述第一气动性能预测模型进行预测，获取测试预测精度；比较预设预测精度和测试预测精度，获得终气动性能预测模型；S6:设定所述多个参数变量的数值范围和允许的最小改变量作为参数优化输入，通过终气动性能预测模型采用蜻蜓优化算法获取所述参数变量的最优值。2.根据权利要求1所述的基于机器学习优化的高速列车气动头部外形设计方法，其特征在于，所述步骤S2具体包括：计算各输入参数变量之间的皮尔森相关系数，将所述皮尔森相关系数超过设定阈值对应的参数划归为相同类；计算每个类内的各参数变量与所述气动性能数据的最大互信息系数并取均值，作为类与气动性能结果相关程度的度量，选择与结果相关程度最高的类；从所述被选择的多个类中，选择与所述气动性能数据的最大互信息系数最高的参数变量作为最优参数变量。3.根据权利要求1所述的基于机器学习优化的高速列车气动头部外形设计方法，其特征在于，所述步骤S3中，训练集和测试集的样本数量的比值为4:1。4.根据权利要求1所述的基于机器学习优化的高速列车气动头部外形设计方法，其特征在于，所述步骤S4具体包括：根据经验公式a＝1～10，n、m分别为输入、输出神经元个数，确定神经网络模型的隐含层节点数n1的范围；将神经网络超参数映射为整型向量作为蜻...

【专利技术属性】
技术研发人员：张洁，苏新超，张凤羽，熊小慧，何侃，韩帅，
申请(专利权)人：中南大学，
类型：发明
国别省市：