本申請涉及工程仿真，特別是涉及一種modelica代理模型生成方法、設(shè)備和介質(zhì)。

背景技術(shù)：

1、在當(dāng)前的工程仿真領(lǐng)域，modelica（開放、面向?qū)ο?、基于方程的計算機語言）作為一種高效的建模與仿真語言，被廣泛應(yīng)用于多領(lǐng)域系統(tǒng)的建模與仿真。然而，隨著系統(tǒng)復(fù)雜性的增加，modelica模型的求解速度成為制約其應(yīng)用的關(guān)鍵因素之一。特別是在進行實時仿真或優(yōu)化設(shè)計時，對modelica模型的求解速度提出了更高的要求。

2、另一方面，在實際應(yīng)用過程中，modelica模型往往包含有大量的參數(shù)和變量，這些參數(shù)和變量之間的相互作用關(guān)系復(fù)雜，導(dǎo)致模型求解過程復(fù)雜且耗時。同時，隨著系統(tǒng)復(fù)雜性的增加，傳統(tǒng)的數(shù)值求解方法往往難以滿足實時仿真或優(yōu)化設(shè)計的需求。尤其在多物理場模型的構(gòu)建過程中，往往會涉及對高階微分方程的求解。例如流體力學(xué)中的navier-stokes（納維-斯托克斯）方程、量子力學(xué)中的schrodinger（薛定諤）方程以及電磁學(xué)中的波動方程等均為高階微分方程，這些方程在進行數(shù)值求解時會涉及達到大量的梯度計算，求解速度慢，效率較低。

3、因此，如何提升modelica模型的求解速度，從而提高建模仿真的效率，成為了本領(lǐng)域一個亟待解決的技術(shù)問題。

技術(shù)實現(xiàn)思路

1、本申請的目的是提供一種modelica代理模型生成方法、設(shè)備和介質(zhì)，可以有效提升modelica模型的求解速度，提高建模仿真的效率。

2、為實現(xiàn)上述目的，本申請?zhí)峁┝巳缦路桨浮?/p>

3、第一方面，本申請?zhí)峁┝艘环Nmodelica代理模型生成方法，所述modelica代理模型生成方法包括以下步驟。

4、獲取modelica目標模型的初始化參數(shù)，并確定所述初始化參數(shù)的取值范圍和概率分布；所述modelica目標模型為需要生成代理模型的原始模型，所述初始化參數(shù)包括初始條件、邊界條件、物性參數(shù)和懲罰系數(shù)。

5、根據(jù)所述初始化參數(shù)的取值范圍和概率分布，構(gòu)建訓(xùn)練數(shù)據(jù)集。

6、構(gòu)建lstm神經(jīng)網(wǎng)絡(luò)模型，并確定所述lstm神經(jīng)網(wǎng)絡(luò)模型隨機初始化后的網(wǎng)絡(luò)參數(shù)。

7、根據(jù)所述訓(xùn)練數(shù)據(jù)集，采用maml算法，對所述lstm神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)進行訓(xùn)練優(yōu)化，得到優(yōu)化后的網(wǎng)絡(luò)參數(shù)。

8、根據(jù)所述優(yōu)化后的網(wǎng)絡(luò)參數(shù)，構(gòu)建優(yōu)化后的元模型；所述優(yōu)化后的元模型是指將所述隨機初始化后的網(wǎng)絡(luò)參數(shù)替換為所述優(yōu)化后的網(wǎng)絡(luò)參數(shù)后得到的模型。

9、對所述優(yōu)化后的元模型進行小樣本訓(xùn)練，得到所述modelica目標模型對應(yīng)的modelica代理模型；所述modelica代理模型用于仿真任務(wù)的計算求解，且所述modelica代理模型的求解速度大于所述modelica目標模型的求解速度。

10、第二方面，本申請?zhí)峁┝艘环N計算機設(shè)備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序以實現(xiàn)上述中任一項所述的modelica代理模型生成方法。

11、第三方面，本申請?zhí)峁┝艘环N計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)上述中任一項所述的modelica代理模型生成方法。

12、根據(jù)本申請?zhí)峁┑木唧w實施例，本申請公開了以下技術(shù)效果：

13、本申請?zhí)峁┝艘环Nmodelica代理模型生成方法、設(shè)備和介質(zhì)，通過將maml算法與lstm神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，來生成modelica代理模型，可以有效節(jié)省編譯求解引擎對于modelica模型進行編譯與優(yōu)化的步驟，減少了引擎的計算工作量，加快了模型的運行速度，從而提高了模型的求解速度。并且，通過引入maml算法，基于maml算法中的元學(xué)習(xí)方法，可以實現(xiàn)modelica代理模型對于新任務(wù)的快速適應(yīng)與快速求解能力，降低了模型對于樣本數(shù)據(jù)量的依賴，可以減少modelica引擎對于批量仿真的計算工作量，提高建模仿真的效率。

技術(shù)特征：

1.一種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.根據(jù)權(quán)利要求1所述的modelica代理模型生成方法，其特征在于，根據(jù)所述初始化參數(shù)的取值范圍和概率分布，構(gòu)建訓(xùn)練數(shù)據(jù)集，具體包括：

3.根據(jù)權(quán)利要求1所述的modelica代理模型生成方法，其特征在于，根據(jù)所述訓(xùn)練數(shù)據(jù)集，采用maml算法，對所述lstm神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)進行訓(xùn)練優(yōu)化，得到優(yōu)化后的網(wǎng)絡(luò)參數(shù)，具體包括：

4.根據(jù)權(quán)利要求3所述的modelica代理模型生成方法，其特征在于，采用下式表示根據(jù)所述訓(xùn)練數(shù)據(jù)集，計算基礎(chǔ)模型的損失函數(shù)，并采用梯度下降法更新所述基礎(chǔ)模型的網(wǎng)絡(luò)參數(shù)：

5.根據(jù)權(quán)利要求3所述的modelica代理模型生成方法，其特征在于，采用下式表示對所有所述基礎(chǔ)模型的損失函數(shù)進行求和，并采用梯度下降法更新元模型的網(wǎng)絡(luò)參數(shù)，得到優(yōu)化后的網(wǎng)絡(luò)參數(shù)：

6.根據(jù)權(quán)利要求1所述的modelica代理模型生成方法，其特征在于，根據(jù)所述優(yōu)化后的網(wǎng)絡(luò)參數(shù)，構(gòu)建優(yōu)化后的元模型，具體包括：

7.根據(jù)權(quán)利要求1所述的modelica代理模型生成方法，其特征在于，對所述優(yōu)化后的元模型進行小樣本訓(xùn)練，得到所述modelica目標模型對應(yīng)的modelica代理模型，具體包括：

8.根據(jù)權(quán)利要求1所述的modelica代理模型生成方法，其特征在于，所述lstm神經(jīng)網(wǎng)絡(luò)模型的門控單元為sigmoid激活函數(shù)，狀態(tài)更新和隱藏狀態(tài)使用tanh激活函數(shù)，優(yōu)化器為adam函數(shù)，損失函數(shù)為均方誤差函數(shù)。

9.一種計算機設(shè)備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序以實現(xiàn)權(quán)利要求1-8中任一項所述的modelica代理模型生成方法。

10.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1-8中任一項所述的modelica代理模型生成方法。

技術(shù)總結(jié)
本申請公開了一種Modelica代理模型生成方法、設(shè)備和介質(zhì)，涉及工程仿真技術(shù)領(lǐng)域，該方法包括獲取Modelica目標模型的初始化參數(shù)，并確定初始化參數(shù)的取值范圍和概率分布；根據(jù)初始化參數(shù)的取值范圍和概率分布，構(gòu)建訓(xùn)練數(shù)據(jù)集；構(gòu)建LSTM神經(jīng)網(wǎng)絡(luò)模型，并確定LSTM神經(jīng)網(wǎng)絡(luò)模型隨機初始化后的網(wǎng)絡(luò)參數(shù)；根據(jù)訓(xùn)練數(shù)據(jù)集，采用MAML算法，對LSTM神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)進行訓(xùn)練優(yōu)化，得到優(yōu)化后的網(wǎng)絡(luò)參數(shù)；根據(jù)優(yōu)化后的網(wǎng)絡(luò)參數(shù)，構(gòu)建優(yōu)化后的元模型；對優(yōu)化后的元模型進行小樣本訓(xùn)練，得到Modelica代理模型。本申請可以有效提升Modelica模型的求解速度，提高建模仿真的效率。

技術(shù)研發(fā)人員：程旭,何紹清,張聰聰,翟琦,李旭,陳宗娟,李丹丹,于秋曄,王晨,孫鶴玲,蔡潔
受保護的技術(shù)使用者：中汽數(shù)據(jù)（天津）有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/4/10