文献

J-GLOBAL ID：202102239461841760   整理番号：21A2058066

適応ハイブリッド学習を用いた信頼性ベース多忠実度最適化【JST・京大機械翻訳】

Reliability-Based Multifidelity Optimization Using Adaptive Hybrid Learning

著者 (2件)： Li Mingyang (Department of Mechanical Engineering-Engineering Mechanics, Michigan Technological University, Houghton, MI 49931) ,  Wang Zequn (Department of Mechanical Engineering-Engineering Mechanics, Michigan Technological University, Houghton, MI 49931)
資料名： ASCE-ASME Journal of Risk and Uncertainty in Engineering Systems, Part B: Mechanical Engineering  (ASCE-ASME Journal of Risk and Uncertainty in Engineering Systems, Part B: Mechanical Engineering)
巻： 6  号： 2  ページ： Null  発行年： 2020年 
JST資料番号： W5089A  ISSN： 2332-9017  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 既存の信頼性ベースの設計最適化(RBDO)の大部分は,計算効率を維持しながら最適解の信頼度を改善するために,マルチ忠実度源からのデータを解析することができない。本論文では,信頼できる最適設計を達成するために,低および高忠実度データの両者を適応的に統合する,新しい信頼性ベースマルチ忠実度最適化(RBMO)フレームワークを提案した。最初に,Gaussプロセス(GP)モデリング技術を用いて,異なる忠実度レベルを有するデータソースを融合することによって,ハイブリッド代理モデルを構築した。低および高忠実度データの数を減らすために,適応ハイブリッド学習(AHL)アルゴリズムを開発し,ハイブリッドモデルを効率的に更新した。更新したハイブリッド代理モデルをRBDO問題を解く際の信頼性と感度解析に用い,RBMOフレームワークの擬似最適解を提供した。信頼性目標を満たす最適解は,反復擬似最適設計で適応ハイブリッド学習を順次実行して,RBDO問題を解決することによって達成できる。提案したフレームワークの有効性を3つの事例研究を通して実証した。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *最適化 ,  *信頼性 ,  信頼度 ,  感度解析 ,  最適設計 ,  Gauss過程 ,  事例研究 ,  有効性
準シソーラス用語： 最適解 ,  計算効率 ,  ハイブリッドモデル ,  設計最適化 ,  *ハイブリッド学習 ,  代用モデル , 【Automatic Indexing@JST】

分類 (5件)： システム設計・解析  (IA02030D) ,  CAD,CAM  (JE10000A) ,  電磁気学一般  (BD01020N) ,  工業・技術設計  (HA05000Q) ,  マーケティング  (KA06020W)

タイトルに関連する用語 (4件)： 適応 ,  ハイブリッド学習 ,  忠実度 ,  最適化