基于有限元方法的GIL结构参数优化方法和系统

基于有限元方法的gil结构参数优化方法和系统
技术领域
1.本发明涉及电力技术领域，尤其涉及一种基于有限元方法的gil结构参数优化方法和系统。


背景技术：

2.气体绝缘金属封闭输电线路(gas insulated transmission lines，gil)由于传输容量大、损耗小、安全性高、环境友好以及抗震能力强等优点能够代替传统的架空线路或者电力电缆，可以用于大容量、长距离的电能传输，而且在高海拔、大落差等特殊环境中优势明显。
3.目前，gil运行过程中各种类型的故障偶有发生，其中绝缘故障高达80％。故障类型包括绝缘子炸裂、短路故障、放电击穿以及气体绝缘介质泄漏等。为了提高gil绝缘性能，常见的方法包括：对绝缘子结构进行优化，改善绝缘子表面电荷积聚，寻找绝缘性能更好的绝缘材料等。也就是说，绝缘子结构优化设计是提升gil绝缘水平的重点方向之一，电气设备绝缘性能的优劣决定了电场系统能否安稳运行。然而，当前对gil整体结构进行优化的过程中，存在无法较好地对整体的尺寸参数进行筛选和优化的问题。
4.因此，现有技术中对gil整体结构优化的过程中，存在无法较好地对整体的尺寸参数进行筛选和优化的问题。


技术实现要素：

5.有鉴于此，有必要提供一种基于有限元方法的gil结构参数优化方法和系统，用以解决现有技术中对gil整体结构优化的过程中，存在的无法较好地对整体的尺寸参数进行筛选和优化的问题。
6.为了解决上述问题，本发明提供一种基于有限元方法的gil结构参数优化方法，包括：
7.获取gil结构参数和优化参数；
8.构建有限元代理模型，基于gil结构参数，拟合优化参数对应的目标函数；
9.求取目标函数的最优解，并基于最优解确定gil最优结构参数。
10.进一步的，获取gil结构参数和优化参数，包括：
11.获取gil的初始结构参数和初始优化参数；
12.构建有限元仿真模型，根据随机森林算法对初始结构参数和初始优化参数进行筛选，确定gil结构参数和优化参数。
13.进一步的，初始结构参数至少包括gil中的导体外径、导体厚度、壳体内径和壳体厚度，gil中的盆式绝缘子处屏蔽罩最大半径、最大高度及最大高度处半径；
14.初始优化参数至少包括电场强度、温升和运行成本。
15.进一步的，构建有限元仿真模型，根据随机森林算法对初始结构参数和初始优化参数进行筛选，确定gil结构参数和优化参数，包括：
16.获取原始训练集，原始训练集包括有限元仿真模型初始参数数据、初始结构参数数据、初始电场强度数据和初始温升数据；
17.从原始训练集中随机抽取训练子集；
18.从初始结构参数中随机选择若干结构参数构成子参数变量空间；
19.基于训练子集和子参数变量空间，生成多个随机树，并将随机树组合得到随机森林；
20.根据gini指数分别计算初始结构参数的重要度，并基于重要度确定gil结构参数和优化参数。
21.进一步的，构建有限元代理模型，基于gil结构参数，拟合优化参数对应的目标函数，包括：
22.基于gil结构参数，构建初始样本；
23.对初始样本进行场计算处理，得到gil结构参数对应的场计算结果；
24.根据场计算结果进行目标函数拟合，拟合优化参数对应的目标函数。
25.进一步的，求取目标函数的最优解，包括：
26.根据多目标遗传算法对目标函数进行多目标优化，得到帕累托最优解空间；
27.根据综合评价法确定帕累托最优解空间中的最优解。
28.进一步的，根据综合评价法确定帕累托最优解空间中的最优解，包括：
29.根据帕累托最优解空间构建解集矩阵；
30.通过熵权法分别确定优化参数对应的目标权重矩阵；
31.基于模糊综合权重的topsis综合评价方法对目标权重矩阵进行修正，得到目标加权矩阵；
32.基于目标加权矩阵，确定解集矩阵的最优解和最劣解；
33.分别确定帕累托解与最优解之间的第一欧氏距离，帕累托解与最劣解之间的第二欧氏距离；
34.根据第一欧氏距离和第二欧氏距离，确定帕累托解的相对粘合度，并确定相对粘合度最大值对应的帕累托解为最优解。
35.本发明还提供一种基于有限元方法的gil结构参数优化系统，包括：
36.参数获取模块，用于获取gil结构参数和优化参数；
37.目标函数拟合模块，用于构建有限元代理模型，基于gil结构参数，拟合优化参数对应的目标函数；
38.最优结构参数确定模块，用于求取目标函数的最优解，并基于最优解确定gil最优结构参数。
39.本发明还提供一种电子设备，包括处理器以及存储器，存储器上存储有计算机程序，计算机程序被处理器执行时，实现如上述任一技术方案所述的基于有限元方法的gil结构参数优化方法。
40.本发明还提供一种存储介质，存储介质存储有计算机程序指令，当计算机程序指令被计算机执行时，使计算机执行如上述任一技术方案所述的基于有限元方法的gil结构参数优化方法。
41.本发明还提供一种计算机可读存储介质，程序介质存储有计算机程序指令，当计
算机程序指令被计算机执行时，实现如上述任一技术方案所述的基于有限元方法的gil结构参数优化方法。
42.采用上述实施例的有益效果是：本发明提供一种基于有限元方法的gil结构参数优化方法和系统，该方法包括：获取gil结构参数和优化参数；构建有限元代理模型，基于gil结构参数，拟合优化参数对应的目标函数；求取目标函数的最优解，并基于最优解确定gil最优结构参数。通过对尽可能多的gil结构参数进行数据筛选，拟合出优化参数对应的目标函数，实现将优化参数与gil结构参数之间通过目标函数进行关联；然后通过求取目标函数的最优解，实现获取确定gil最优结构参数，通过有限元方法对gil结构参数进行数据梳理，并基于优化目标实现gil结构参数寻优。
附图说明
43.图1为本发明提供的基于有限元方法的gil结构参数优化方法一实施例的流程示意图；
44.图2为本发明提供的获取gil结构参数和优化参数一实施例的流程示意图；
45.图3为本发明提供的确定gil结构参数和优化参数一实施例的流程示意图；
46.图4为本发明提供的拟合优化参数对应的目标函数一实施例的流程示意图；
47.图5为本发明提供的求取目标函数的最优解一实施例的流程示意图；
48.图6为本发明提供的确定最优解一实施例的流程示意图；
49.图7为本发明提供的基于有限元方法的gil结构参数优化系统一实施例的结构框图；
50.图8为本发明提供的电子设备一实施例的结构框图。
具体实施方式
51.下面结合附图来具体描述本发明的优选实施例，其中，附图构运行成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
52.在陈述实施例之前，先对有限元分析进行阐述：
53.有限元分析(fea，finite element analysis)利用数学近似的方法对真实物理系统(几何和载荷工况)进行模拟。利用简单而又相互作用的元素(即单元)，就可以用有限数量的未知量去逼近无限未知量的真实系统。
54.有限元分析是用较简单的问题代替复杂问题后再求解。它将求解域看成是由许多称为有限元的小的互连子域组成，对每一单元假定一个合适的(较简单的)近似解，然后推导求解这个域总的满足条件(如结构的平衡条件)，从而得到问题的解。因为实际问题被较简单的问题所代替，所以这个解不是准确解，而是近似解。由于大多数实际问题难以得到准确解，而有限元不仅计算精度高，而且能适应各种复杂形状，因而成为行之有效的工程分析手段。
55.气体绝缘金属封闭输电线路(gas insulated transmission lines，gil)由于传输容量大、损耗小、安全性高、环境友好以及抗震能力强等优点能够代替传统的架空线路或者电力电缆，可以用于大容量、长距离的电能传输，而且在高海拔、大落差等特殊环境中优势明显。
56.topsis法，简称优劣解距离法，是一种常用的综合评价法，其能充分利用原始数据的信息，其结果能精确地反映各评价方案之间的差距。模糊综合权重的topsis综合评价方法是将模糊综合评价方法和topsis法进行有机结合，提高最终方案的可靠度的一种综合评价方法。
57.目前，gil运行过程中各种类型的故障偶有发生，其中绝缘故障高达80％。故障类型包括绝缘子炸裂、短路故障、放电击穿以及气体绝缘介质泄漏等。为了提高gil绝缘性能，常见的方法包括：对绝缘子结构进行优化，改善绝缘子表面电荷积聚，寻找绝缘性能更好的绝缘材料等。也就是说，绝缘子结构优化设计是提升gil绝缘水平的重点方向之一，电气设备绝缘性能的优劣决定了电场系统能否安稳运行。然而，当前对gil整体结构进行优化的过程中，存在无法较好地对整体的尺寸参数进行筛选和优化的问题。
58.因此，现有技术中对gil整体结构优化的过程中，存在无法较好地对整体的尺寸参数进行筛选和优化的问题。
59.为了解决上述问题，本发明提供了一种基于有限元方法的gil结构参数优化方法和系统，以下分别进行详细说明。
60.图1为本发明提供的基于有限元方法的gil结构参数优化方法一实施例的流程示意图，如图1所示，基于有限元方法的gil结构参数优化方法包括：
61.步骤s101：获取gil结构参数和优化参数；
62.步骤s102：构建有限元代理模型，基于gil结构参数，拟合优化参数对应的目标函数；
63.步骤s103：求取目标函数的最优解，并基于最优解确定gil最优结构参数。
64.本实施例中，首先，获取gil结构参数和优化参数；然后，构建有限元代理模型，基于gil结构参数，拟合优化参数对应的目标函数；最后，求取目标函数的最优解，并基于最优解确定gil最优结构参数。
65.本实施例中，通过对尽可能多的gil结构参数进行数据筛选，拟合出优化参数对应的目标函数，实现将优化参数与gil结构参数之间通过目标函数进行关联；然后通过求取目标函数的最优解，实现获取确定gil最优结构参数，通过有限元方法对gil结构参数进行数据梳理，并基于优化参数，即，优化目标进行适当的数据运算，从而实现高精度地确定gil最优结构参数。
66.作为优选的实施例，在步骤s101中，为了获取gil结构参数和优化参数，如图2所示，图2为本发明提供的获取gil结构参数和优化参数一实施例的流程示意图，获取gil结构参数和优化参数包括：
67.步骤s111：获取gil的初始结构参数和初始优化参数；
68.步骤s112：构建有限元仿真模型，根据随机森林算法对初始结构参数和初始优化参数进行筛选，确定gil结构参数和优化参数。
69.本实施例中，通过构建有限元仿真模型，确定gil相关的结构参数，从而实现后续的数据优化。
70.作为优选的实施例，在步骤s111中，初始结构参数至少包括gil中的导体外径、导体厚度、壳体内径和壳体厚度，gil中的盆式绝缘子处屏蔽罩最大半径、最大高度及最大高度处半径；初始优化参数至少包括电场强度、温升和运行成本。
71.需要说明的是，运行成本包括gil设备整体结构调整涉及到的材料成本、经济效益、运维难度、检修成本等诸多方面。
72.在一具体实施例中，gil模型的各个结构参数对电场强度最大值和最大温升的影响程度不同，因此，为了明确优化方向，需要进行完善的数据处理，才能得到较好的优化结果。
73.作为优选的实施例，在步骤s112中，为了确定gil结构参数和优化参数，如图3所示，图3为本发明提供的确定gil结构参数和优化参数一实施例的流程示意图，确定gil结构参数和优化参数包括：
74.步骤s1121：获取原始训练集，原始训练集包括有限元仿真模型初始参数数据、初始结构参数数据、初始电场强度数据和初始温升数据；
75.步骤s1122：从原始训练集中随机抽取训练子集；
76.步骤s1123：从初始结构参数中随机选择若干结构参数构成子参数变量空间；
77.步骤s1124：基于训练子集和子参数变量空间，生成多个随机树，并将随机树组合得到随机森林；
78.步骤s1125：根据gini指数分别计算初始结构参数的重要度，并基于重要度确定gil结构参数和优化参数。
79.在一具体实施例中，在步骤s1122中，为了丰富训练子集的数量，从原始训练集中有放回的随机抽取训练子集，m
rf
，重复多次k
rf
次。
80.在一具体实施例中，在步骤s1123中，gil模型共有7个结构参数，从7个结构参数中随机选择n
rf
个结构参数构成子参数变量空间，并进行平均分配。
81.在一具体实施例中，在步骤s1124中，基于上述训练子集和子参数变量空间，生成k
rf
个随机树，将随机树组合得到随机森林。
82.在一具体实施例中，在步骤s1125中，利用gini指数计算结构参数xj的重要度。
83.gini指数的计算公式为：
[0084][0085]
其中，girfm表示m节点处gini指数，p
mk
表示其中第k
mf
类样本所占比例。
[0086]
进一步地，结构参数的重要度评分的计算公式为：
[0087]
vrf
jm
＝girf
m-(girf
m1
+girf
m2
)
[0088]
其中，vrf
jm
表示结构参数的重要度评分，girf
m1
和girf
m2
表示新节点的gini指数计算结果。
[0089]
然后，根据结构参数xj在随机森林出现的节点位置和决策树的数量，通过累加算法计算xj的总特征重要度；最后，将xj的特征重要度归一化处理，并进行对比分析。
[0090]
在一具体实施例中，选取总特征重要度最大值对应的结构参数和优化参数作为后续优化的参考量。
[0091]
作为优选的实施例，在步骤s102中，由于有限元代理模型能够构建决策变量与目标函数之间的映射关系，因此，为了拟合优化参数对应的目标函数，通过构建有限元代理模型能实现拟合优化参数对应的目标函数，即，建立gil结构参数与优化参数之前的关联关系，如图4所示，图4为本发明提供的拟合优化参数对应的目标函数一实施例的流程示意图，
拟合优化参数对应的目标函数包括：
[0092]
步骤s121：基于gil结构参数，构建初始样本；
[0093]
步骤s122：对初始样本进行场计算处理，得到gil结构参数对应的场计算结果；
[0094]
步骤s123：根据场计算结果进行目标函数拟合，拟合优化参数对应的目标函数。
[0095]
本实施例中，通过有限元代理模型将gil结构参数和优化参数进行关联，并通过目标函数表示其中的数量关系，从而实现定量判断优化参数与gil结构参数之间的关系，以便于后续的数据处理。
[0096]
作为优选的实施例，在步骤121中，采用最优拉丁超立方进行初始样本构建。
[0097]
其中，最优拉丁超立方设计(optimal latin hypercube design，optlhd)是对拉丁超立方的改进，最优拉丁超立方设计提高了样本点的均匀性，使得因子和响应拟合更好。
[0098]
作为优选的实施例，在步骤122中，在拉丁超立方采样的基础上，增加最大最小准则等进行改进，得到最优拉丁超立方抽样试验设计方法。设d1，d2，
…
，dk为一组样本点中所有可能的两个样本点之间的距离，按照从小到大排序。常用p范数表示空间上两点距离。其中，x
(i1)
和x
(i2)
表示为任意可能组合的两个样本点，i1和i2表示1到i中的任意不同的点，i表示该组样本点有i个样本点，j表示每个样本点中包含j个设计变量。
[0099][0100]
作为优选的实施例，在步骤123中，根据场计算结果进行目标函数拟合。多项式响应面模型运用不同阶的多项式来近似建立系统响应与各参数变量之间的隐式函数关系，具有计算量少、收敛快以及表达式简单等特点。其一般形式为：
[0101][0102]
其中，dm为最高阶数，系数向量β＝[x
t
x]-1
x
t
y，x为多项式矩阵，y为样本点的响应值向量。
[0103]
此外，对于一阶、二阶、三阶、四阶多项式响应面阶数所需的最少样本点数分别为：md+1，(md+1)(md+2)/2，(md+1)(md+2)/2+md，(md+1)(md+2)/2+2md，md为设计变量个数。
[0104]
作为优选的实施例，在步骤s103中，为了求取目标函数的最优解，如图5所示，图5为本发明提供的求取目标函数的最优解一实施例的流程示意图，求取目标函数的最优解包括：
[0105]
步骤s131：根据多目标遗传算法对目标函数进行多目标优化，得到帕累托最优解空间；
[0106]
步骤s132：根据综合评价法确定帕累托最优解空间中的最优解。
[0107]
本实施例中，通过综合评价法对帕累托最优解空间中的解集进行评判，能够得到可靠度较高的最优解。
[0108]
在一具体实施例中，在步骤s131中，采用nsga-ii算法进行多目标优化，nsga-ii具有较高的算法运算速度和较好的鲁棒性，可以为决策者提供分布更为均匀的帕累托最优解空间。
[0109]
其中，nsga-ii参数设置下表所示：
[0110]
nsga-ii算法求解参数设置
[0111][0112]
作为优选的实施例，在步骤s132中，为了确定最优解，如图6所示，图6为本发明提供的确定最优解一实施例的流程示意图，确定最优解包括：
[0113]
步骤s1321：根据帕累托最优解空间构建解集矩阵；
[0114]
步骤s1322：通过熵权法分别确定优化参数对应的目标权重矩阵；
[0115]
步骤s1323：基于模糊综合权重的topsis综合评价方法对目标权重矩阵进行修正，得到目标加权矩阵；
[0116]
步骤s1324：基于目标加权矩阵，确定解集矩阵的最优解和最劣解；
[0117]
步骤s1325：分别确定帕累托解与最优解之间的第一欧氏距离，帕累托解与最劣解之间的第二欧氏距离；
[0118]
步骤s1326：根据第一欧氏距离和第二欧氏距离，确定帕累托解的相对粘合度，并确定相对粘合度最大值对应的帕累托解为最优解。
[0119]
本实施例中，首先，根据帕累托最优解空间构建解集矩阵；然后，确定优化参数的目标权重矩阵并进行修正，得到目标加权矩阵，从而得到帕累托最优解空间中的最优解和最劣解；接下来，基于最优解和最劣解确定帕累托最优解空间中的每一个帕累托解的第一欧氏距离和第二欧氏距离，从而确定帕累托解的相对粘合度；最后，确定相对粘合度最大值对应的帕累托解为最优解。
[0120]
本实施例中，通过对帕累托最优解空间进行初步处理，得到其中的最优解和最劣解，然后基于由帕累托最优解空间得到的最优解和最劣解。对其他的每一个帕累托解进行数据运算，从而得到可靠的最优解。
[0121]
在一具体实施例中，通过nsga-ii算法获取帕累托解集后，采用综合评价法对帕累托解集中的数据进行分级分类及综合排序，并按照综合评价指标选取最终方案。通过建立基于模糊综合权重的topsis综合评价模型，选取最终方案。
[0122]
作为优选的实施例，在步骤s1321中，根据gil模型得到的帕累托解集构建矩阵a
t
＝(x
tij
)m×n，并进行归一化处理：
[0123][0124]
其中，x
tij
即是第i组方案中目标j的响应结果值，m为帕累托解集的次数，n为总评价目标数。
[0125]
作为优选的实施例，在步骤s1322中，利用熵权法计算权重，并得到gil电场强度最大值、最大温升的目标权重矩阵w
as
，具体公式为如下：
[0126]
第j项目标下第i个样本值占该目标的比重的计算公式为：
[0127]
[0128]
第j项目标的熵权值的计算公式为：
[0129][0130]
作为优选的实施例，在步骤s1323中，将利用熵权法所得的目标权重矩阵代入模糊综合权重的topsis综合评价方法中。选择加权平均算子，并通过熵权法获得的权重向量和模糊关系矩阵的模糊算子运算，得到模糊综合评判矩阵及修正后的权重矩阵和权重值。
[0131]
作为优选的实施例，在步骤s1324中，目标加权矩阵为：
[0132]
λ
ts
＝(ν
ij
)m×n＝(w
tsjrij
)m×n[0133]
其中，w
tsj
为目标j的权重值，即前文中利用熵权法和模糊综合评价法所得修正后的权重值。
[0134]
作为优选的实施例，在步骤s1325中，分别计算各组帕累托解与最优解和最劣解之间的欧氏距离：
[0135]
第一欧氏距离的计算公式为：
[0136][0137]
第二欧氏距离的计算公式为：
[0138][0139]
其中，分别为第j个目标在所有方案中的最优解和最劣解。
[0140]
作为优选的实施例，在步骤s1326中，计算各方案与已知最佳理想点的相对粘合度的计算公式为：
[0141][0142]
其中，g
ti
为相对粘合度，为第一欧氏距离，为第二欧氏距离。
[0143]
需要说明的是，相对贴近度为各组帕累托解的综合评价得分，相对贴近度越大，则该组解的排名越靠前。
[0144]
通过上述方式，通过对尽可能多的gil结构参数进行数据筛选，拟合出优化参数对应的目标函数，实现将优化参数与gil结构参数之间通过目标函数进行关联；然后通过求取目标函数的最优解，实现获取确定gil最优结构参数，通过有限元方法对gil结构参数进行数据梳理，并基于优化参数，即，优化目标进行适当的数据运算，从而实现高精度地确定gil最优结构参数。
[0145]
本发明还提供了一种基于有限元方法的gil结构参数优化系统，如图7所示，图7为本发明提供的基于有限元方法的gil结构参数优化系统一实施例的结构框图，基于有限元方法的gil结构参数优化系统700包括：
[0146]
参数获取模块701，用于获取gil结构参数和优化参数；
[0147]
目标函数拟合模块702，用于构建有限元代理模型，基于gil结构参数，拟合优化参数对应的目标函数；
[0148]
最优结构参数确定模块703，用于求取目标函数的最优解，并基于最优解确定gil最优结构参数。
[0149]
本发明还相应提供了一种电子设备，如图8所示，图8为本发明提供的电子设备一实施例的结构框图。电子设备800包括处理器801以及存储器802，其中，存储器802上存储有基于有限元方法的gil结构参数优化程序803。
[0150]
处理器801用于运行存储器802中存储的程序代码或处理数据，例如执行基于有限元方法的gil结构参数优化程序等。
[0151]
存储器802用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机设备的程序代码等。存储器802还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，基于有限元方法的gil结构参数优化程序803可被处理器801所执行，从而实现本发明各实施例的基于有限元方法的gil结构参数优化方法。
[0152]
本实施例还提供了一种计算机可读存储介质，其上存储有基于有限元方法的gil结构参数优化程序，计算机该程序被处理器执行时，实现如上述任一技术方案所述的基于有限元方法的gil结构参数优化方法。
[0153]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种基于有限元方法的gil结构参数优化方法，其特征在于，包括：获取gil结构参数和优化参数；构建有限元代理模型，基于所述gil结构参数，拟合所述优化参数对应的目标函数；求取所述目标函数的最优解，并基于所述最优解确定gil最优结构参数。2.根据权利要求1所述的基于有限元方法的gil结构参数优化方法，其特征在于，所述获取gil结构参数和优化参数，包括：获取gil的初始结构参数和初始优化参数；构建有限元仿真模型，根据随机森林算法对所述初始结构参数和所述初始优化参数进行筛选，确定gil结构参数和优化参数。3.根据权利要求2所述的基于有限元方法的gil结构参数优化方法，其特征在于，所述初始结构参数至少包括gil中的导体外径、导体厚度、壳体内径和壳体厚度，gil中的盆式绝缘子处屏蔽罩最大半径、最大高度及最大高度处半径；所述初始优化参数至少包括电场强度、温升和运行成本。4.根据权利要求3所述的基于有限元方法的gil结构参数优化方法，其特征在于，所述构建有限元仿真模型，根据随机森林算法对所述初始结构参数和所述初始优化参数进行筛选，确定gil结构参数和优化参数，包括：获取原始训练集，所述原始训练集包括有限元仿真模型初始参数数据、初始结构参数数据、初始电场强度数据和初始温升数据；从所述原始训练集中随机抽取训练子集；从所述初始结构参数中随机选择若干结构参数构成子参数变量空间；基于所述训练子集和所述子参数变量空间，生成多个随机树，并将所述随机树组合得到随机森林；根据gini指数分别计算所述初始结构参数的重要度，并基于所述重要度确定gil结构参数和优化参数。5.根据权利要求1所述的基于有限元方法的gil结构参数优化方法，其特征在于，所述构建有限元代理模型，基于所述gil结构参数，拟合所述优化参数对应的目标函数，包括：基于所述gil结构参数，构建初始样本；对所述初始样本进行场计算处理，得到所述gil结构参数对应的场计算结果；根据所述场计算结果进行目标函数拟合，拟合所述优化参数对应的目标函数。6.根据权利要求3所述的基于有限元方法的gil结构参数优化方法，其特征在于，所述求取所述目标函数的最优解，包括：根据多目标遗传算法对所述目标函数进行多目标优化，得到帕累托最优解空间；根据综合评价法确定所述帕累托最优解空间中的最优解。7.根据权利要求6所述的基于有限元方法的gil结构参数优化方法，其特征在于，所述根据综合评价法确定所述帕累托最优解空间中的最优解，包括：根据所述帕累托最优解空间构建解集矩阵；通过熵权法分别确定所述优化参数对应的目标权重矩阵；基于模糊综合权重的topsis综合评价方法对所述目标权重矩阵进行修正，得到目标加权矩阵；
基于所述目标加权矩阵，确定所述解集矩阵的最优解和最劣解；分别确定帕累托解与所述最优解之间的第一欧氏距离，所述帕累托解与所述最劣解之间的第二欧氏距离；根据所述第一欧氏距离和所述第二欧氏距离，确定所述帕累托解的相对粘合度，并确定所述相对粘合度最大值对应的所述帕累托解为所述最优解。8.一种基于有限元方法的gil结构参数优化系统，其特征在于，包括：参数获取模块，用于获取gil结构参数和优化参数；目标函数拟合模块，用于构建有限元代理模型，基于所述gil结构参数，拟合所述优化参数对应的目标函数；最优结构参数确定模块，用于求取所述目标函数的最优解，并基于所述最优解确定gil最优结构参数。9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-7任一项所述的基于有限元方法的gil结构参数优化方法。10.一种存储介质，其特征在于，所述存储介质存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行根据权利要求1至7中任一所述的基于有限元方法的gil结构参数优化方法。

技术总结
本申请公开了一种基于有限元方法的GIL结构参数优化方法和系统，该方法包括：获取GIL结构参数和优化参数；构建有限元代理模型，基于GIL结构参数，拟合优化参数对应的目标函数；求取目标函数的最优解，并基于最优解确定GIL最优结构参数。通过对尽可能多的GIL结构参数进行数据筛选，拟合出优化参数对应的目标函数，实现将优化参数与GIL结构参数之间通过目标函数进行关联；然后通过求取目标函数的最优解，实现获取确定GIL最优结构参数，通过有限元方法对GIL结构参数进行数据梳理，并基于优化参数，即，优化目标进行适当的数据运算，并基于优化目标实现GIL结构参数寻优。实现高精度地确定GIL最优结构参数。定GIL最优结构参数。定GIL最优结构参数。


技术研发人员：孟培培 李鹏洋 吴细秀 吴滨龙 王榕泰 陈星月 张一明 曹佳欣 朱世海 李园芳 詹祥崧
受保护的技术使用者：武汉理工大学
技术研发日：2023.05.22
技术公布日：2023/8/23