[发明专利]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

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

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。

发明内容

基于此，本发明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，本发明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。

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。

进一步的，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。

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。

进一步的，所述步骤S4具体包括：