清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Wing jig shape optimisation with gradient-assisted metamodel building in a trust-region optimisation framework

元建模 水准点(测量) 稳健性(进化) 数学优化 计算机科学 工程设计过程 算法 数学 工程类 结构工程 机械工程 生物化学 化学 大地测量学 基因 程序设计语言 地理
作者
Yu Zhang,Dongsheng Jia,Elliot K. Bontoft,Vassili Toropov
出处
期刊:Structural and Multidisciplinary Optimization [Springer Nature]
卷期号:65 (12) 被引量:5
标识
DOI:10.1007/s00158-022-03453-0
摘要

Abstract Significant computational resources are required to obtain an optimised wing jig shape by solving a high-fidelity large-scale aero-structural design optimisation problem. Gradient-based methods are efficient; however, some of the features of real-life engineering problems including numerical noise that pollutes the function values and occurrences of failed evaluations in the optimisation may limit their performance. To address these issues, this paper presents the latest developments in the multipoint approximation method (MAM) based on a gradient-assisted metamodel assembly technique within a trust-region optimisation framework. The proposed method is tested by a benchmark case first, and then, an aircraft wing jig shape optimisation problem is offered to demonstrate its performance. The gradient-based optimisation is used as a benchmark case, and the metamodel-based optimisation utilises the latest developments in MAM to solve the same problem. The results show that the proposed method can achieve the same design goal as the gradient-based method but with enhanced robustness and efficient performance. In the wing jig shape optimisation, the difference in the design objective, the global equivalent drag coefficient, between the two aforementioned optimisation approaches is 0.20 counts, whose relative difference is approximately 0.10%. Three approximate sub-optimisations have been conducted in every iteration of the metamodel-based optimisation to reduce the possibility of local optimality, while the overall elapsed time of the metamodel-based optimisation is approximately 1.98 times that of one gradient-based optimisation, which confirms the competitiveness of the proposed method bearing in mind the added safeguards for numerical noise, failed evaluations and possible local optimality.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
好困应助xun采纳,获得10
5秒前
xun完成签到,获得积分10
23秒前
xiaoxu完成签到 ,获得积分10
40秒前
xiaoxu关注了科研通微信公众号
44秒前
楼翩跹完成签到 ,获得积分10
1分钟前
1分钟前
1分钟前
yuehan完成签到 ,获得积分10
1分钟前
郜南烟发布了新的文献求助10
1分钟前
CY发布了新的文献求助10
2分钟前
彭于晏应助郜南烟采纳,获得10
2分钟前
lovexa完成签到,获得积分10
2分钟前
zyjsunye完成签到 ,获得积分0
2分钟前
digger2023完成签到 ,获得积分10
2分钟前
迪西完成签到 ,获得积分10
2分钟前
无悔完成签到 ,获得积分10
3分钟前
jesusmanu完成签到,获得积分0
3分钟前
SciGPT应助郜南烟采纳,获得10
3分钟前
3分钟前
郜南烟发布了新的文献求助10
3分钟前
creep2020完成签到,获得积分10
3分钟前
领导范儿应助科研通管家采纳,获得10
3分钟前
firewood完成签到 ,获得积分10
3分钟前
善学以致用应助郜南烟采纳,获得10
5分钟前
5分钟前
郜南烟发布了新的文献求助10
5分钟前
追寻奇迹完成签到 ,获得积分10
5分钟前
小强完成签到 ,获得积分10
5分钟前
梅啦啦完成签到 ,获得积分10
6分钟前
minuxSCI完成签到,获得积分10
6分钟前
zhangguo完成签到 ,获得积分10
6分钟前
受伤的薯片完成签到 ,获得积分10
6分钟前
7分钟前
lamborghini193完成签到,获得积分10
7分钟前
7分钟前
郜南烟发布了新的文献求助10
7分钟前
华仔应助郜南烟采纳,获得10
7分钟前
莎莎完成签到 ,获得积分10
8分钟前
scenery0510完成签到,获得积分10
8分钟前
yi完成签到 ,获得积分10
9分钟前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
叶剑英与华南分局档案史料 500
Foreign Policy of the French Second Empire: A Bibliography 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3146786
求助须知:如何正确求助?哪些是违规求助? 2798067
关于积分的说明 7826710
捐赠科研通 2454681
什么是DOI,文献DOI怎么找? 1306412
科研通“疑难数据库(出版商)”最低求助积分说明 627733
版权声明 601539