MARC

 008260126s2024        us                              c    eng  d
■001000017361065
■00520260202105700
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263307752
■035    ▼a(MiAaPQ)AAI32409863
■035    ▼a(MiAaPQ)124355
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.1
■1001  ▼aParrott,  Corey  M.
■24510▼aMachine  Learning  Surrogates  for  Multiphysics  Design
■260    ▼a[Sl]▼bUniversity  of  Illinois  at  Urbana-Champaign▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a146  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  James,  Kai  A.
■5021  ▼aThesis  (Ph.D.)--University  of  Illinois  at  Urbana-Champaign,  2024.
■520    ▼aGradient-based  optimization  techniques  are  powerful,  providing  capabilities  for  optimal  design  of  any  system  represented  with  a  differentiable  physics  model.  However,  the  computational  cost  of  these  traditional  gradient-based  methods  is  amplified  for  multidisciplinary  design  optimization  (MDO)  problems,  most  notably  when  coupling  between  physics  disciplines  is  accounted  for.  This  approach  is  characteristically  iterative.  With  the  current  state  of  the  design  variable  driving  physical  response,  physics  simulations  are  completed,  sensitivities  computed,  and  design  variables  updated  (with  sometimes  costly  algorithms  to  satisfy  optimization  constraints)  in  a  cyclical  process  until  convergence  criteria  are  met.To  alleviate  this,  this  work  investigates  new  methods  and  applications  of  machine  learning  as  a  surrogate  for  MDO,  allowing  for  design  synthesis  in  real-time.  Though  training  a  machine  learning  model  is  still  an  optimization  problem  at  its  core,  a  trained  model  is  able  to  synthesize  outputs  in  real-time,  only  requiring  a  single  forward  pass  through  the  network.  Some  of  the  key  areas  of  machine  learning  advancements  lie  in  computer  vision,  networking,  and  natural  language  processing  (NLP).  Though  many  of  the  architectures  proposed  for  these  tasks  could  be  trained  and  applied  as  a  `black  box'  tool  to  MDO,  the  structure  of  the  data  would  often  be  unaccounted  for.  Researchers  using  machine  learning  surrogates  are  often  challenged  with  models  that  are  highly  unreliable.  Though  many  designs  will  appear  similar  to  those  produced  through  physics-based  methods  (from  a  qualitative  perspective),  there  are  vulnerabilities  in  producing  outliers  when  analyzed  quantitatively.  Without  the  proper  mechanisms  in  place  to  address  the  characteristics  of  problems  in  physics,  the  models  are  susceptible  to  producing  low  performing  designs.This  work  is  proposed  to  address  management  of  data  and  algorithms  when  creating  surrogate  models  for  problems  of  this  sort.  This  is  presented  for  a  number  of  case  studies.  A  design  enhancement  model  is  proposed,  filtering  single  physics  designs  into  those  supporting  Multiphysics  boundary  conditions.  In  this  study,  an  emphasis  is  placed  on  the  single  physics  domain  used  and  its  correlation  to  the  Multiphysics  load  path.  A  multi-head  self-attention  network  is  proposed  to  capture  global  dependencies  of  data.  This  is  shown  to  improve  connectivity  and  stability  of  synthesized  designs.  Additionally,  a  network  addressing  the  combined  problem  of  packaging,  routing,  and  physics-based  performance  is  proposed.  With  such  a  large  number  of  constraints,  it  is  found  that  infusing  the  physics-based  model  into  the  network  can  become  necessary  for  these  cases.Furthermore,  this  work  pursues  improvements  to  methods  in  multimodal  synthesis,  focusing  on  design  diversity.  Through  selective  feature  extraction  with  skeletonization  algorithms,  diversity  is  selectively  imposed  on  structural  features  of  a  controlled  size.  This  is  shown  to  yield  diversity  in  elements  that  more  likely  affect  convergence  to  separate  local  minima,  and  in  some  cases,  result  in  synthesis  of  designs  that  outperform  those  produced  through  physics-based  models.The  proposed  frameworks  present  mechanisms  to  better  capture  the  characteristics  of  the  physics-based  data,  improving  surrogate  performance  for  such  tasks.  These  case  studies  present  novel  contributions  to  the  literature,  with  capabilities  for  a  wide  range  of  problems  in  the  field  of  design  optimization.
■590    ▼aSchool  code:  0090.
■650  4▼aAerospace  engineering
■650  4▼aEngineering
■650  4▼aFluid  mechanics
■650  4▼aRobotics
■653    ▼aOptimization
■653    ▼aMultidisciplinary  design  optimization
■653    ▼aMachine  learning
■653    ▼aData-driven  design
■690    ▼a0538
■690    ▼a0800
■690    ▼a0537
■690    ▼a0204
■690    ▼a0771
■71020▼aUniversity  of  Illinois  at  Urbana-Champaign▼bAerospace  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0090
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17361065▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books