【技术实现步骤摘要】
本申请涉及工程仿真，特别是涉及一种modelica代理模型生成方法、设备和介质。
技术介绍
1、在当前的工程仿真领域，modelica（开放、面向对象、基于方程的计算机语言）作为一种高效的建模与仿真语言，被广泛应用于多领域系统的建模与仿真。然而，随着系统复杂性的增加，modelica模型的求解速度成为制约其应用的关键因素之一。特别是在进行实时仿真或优化设计时，对modelica模型的求解速度提出了更高的要求。
2、另一方面，在实际应用过程中，modelica模型往往包含有大量的参数和变量，这些参数和变量之间的相互作用关系复杂，导致模型求解过程复杂且耗时。同时，随着系统复杂性的增加，传统的数值求解方法往往难以满足实时仿真或优化设计的需求。尤其在多物理场模型的构建过程中，往往会涉及对高阶微分方程的求解。例如流体力学中的navier-stokes（纳维-斯托克斯）方程、量子力学中的schrodinger（薛定谔）方程以及电磁学中的波动方程等均为高阶微分方程，这些方程在进行数值求解时会涉及达到大量的梯度计算，求解速度慢，效率较低。
3、因此，如何提升modelica模型的求解速度，从而提高建模仿真的效率，成为了本领域一个亟待解决的技术问题。
技术实现思路
1、本申请的目的是提供一种modelica代理模型生成方法、设备和介质，可以有效提升modelica模型的求解速度，提高建模仿真的效率。
2、为实现上述目的，本申请提供了如下方案。
3、第一
4、获取modelica目标模型的初始化参数，并确定所述初始化参数的取值范围和概率分布；所述modelica目标模型为需要生成代理模型的原始模型，所述初始化参数包括初始条件、边界条件、物性参数和惩罚系数。
5、根据所述初始化参数的取值范围和概率分布，构建训练数据集。
6、构建lstm神经网络模型，并确定所述lstm神经网络模型随机初始化后的网络参数。
7、根据所述训练数据集，采用maml算法，对所述lstm神经网络模型的网络参数进行训练优化，得到优化后的网络参数。
8、根据所述优化后的网络参数，构建优化后的元模型；所述优化后的元模型是指将所述随机初始化后的网络参数替换为所述优化后的网络参数后得到的模型。
9、对所述优化后的元模型进行小样本训练，得到所述modelica目标模型对应的modelica代理模型；所述modelica代理模型用于仿真任务的计算求解，且所述modelica代理模型的求解速度大于所述modelica目标模型的求解速度。
10、第二方面，本申请提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述中任一项所述的modelica代理模型生成方法。
11、第三方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的modelica代理模型生成方法。
12、根据本申请提供的具体实施例，本申请公开了以下技术效果：
13、本申请提供了一种modelica代理模型生成方法、设备和介质，通过将maml算法与lstm神经网络模型相结合，来生成modelica代理模型，可以有效节省编译求解引擎对于modelica模型进行编译与优化的步骤，减少了引擎的计算工作量，加快了模型的运行速度，从而提高了模型的求解速度。并且，通过引入maml算法，基于maml算法中的元学习方法，可以实现modelica代理模型对于新任务的快速适应与快速求解能力，降低了模型对于样本数据量的依赖，可以减少modelica引擎对于批量仿真的计算工作量，提高建模仿真的效率。
本文档来自技高网...【技术保护点】
1.一种Modelica代理模型生成方法，其特征在于，所述Modelica代理模型生成方法包括：
2.根据权利要求1所述的Modelica代理模型生成方法，其特征在于，根据所述初始化参数的取值范围和概率分布，构建训练数据集，具体包括：
3.根据权利要求1所述的Modelica代理模型生成方法，其特征在于，根据所述训练数据集，采用MAML算法，对所述LSTM神经网络模型的网络参数进行训练优化，得到优化后的网络参数，具体包括：
4.根据权利要求3所述的Modelica代理模型生成方法，其特征在于，采用下式表示根据所述训练数据集，计算基础模型的损失函数，并采用梯度下降法更新所述基础模型的网络参数：
5.根据权利要求3所述的Modelica代理模型生成方法，其特征在于，采用下式表示对所有所述基础模型的损失函数进行求和，并采用梯度下降法更新元模型的网络参数，得到优化后的网络参数：
6.根据权利要求1所述的Modelica代理模型生成方法，其特征在于，根据所述优化后的网络参数，构建优化后的元模型，具体包括：
7.根据权利
8.根据权利要求1所述的Modelica代理模型生成方法，其特征在于，所述LSTM神经网络模型的门控单元为Sigmoid激活函数，状态更新和隐藏状态使用Tanh激活函数，优化器为Adam函数，损失函数为均方误差函数。
9.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-8中任一项所述的Modelica代理模型生成方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-8中任一项所述的Modelica代理模型生成方法。
...【技术特征摘要】
1.一种modelica代理模型生成方法，其特征在于，所述modelica代理模型生成方法包括：
2.根据权利要求1所述的modelica代理模型生成方法，其特征在于，根据所述初始化参数的取值范围和概率分布，构建训练数据集，具体包括：
3.根据权利要求1所述的modelica代理模型生成方法，其特征在于，根据所述训练数据集，采用maml算法，对所述lstm神经网络模型的网络参数进行训练优化，得到优化后的网络参数，具体包括：
4.根据权利要求3所述的modelica代理模型生成方法，其特征在于，采用下式表示根据所述训练数据集，计算基础模型的损失函数，并采用梯度下降法更新所述基础模型的网络参数：
5.根据权利要求3所述的modelica代理模型生成方法，其特征在于，采用下式表示对所有所述基础模型的损失函数进行求和，并采用梯度下降法更新元模型的网络参数，得到优化后的网络参数：
6.根据权利要求1所述的modelica代理模...
【专利技术属性】
技术研发人员：程旭，何绍清，张聪聪，翟琦，李旭，陈宗娟，李丹丹，于秋晔，王晨，孙鹤玲，蔡洁，
申请(专利权)人：中汽数据天津有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。