С бурным развитием вычислительной инфраструктуры и методов компьютерного моделирования, подходы к проектированию энергетического оборудования эволюционировали от метода проб и ошибок до современных методов оптимизации и предсказания характеристик эксплуатации. Несмотря на возрастающую точность расчетно-экспериментальных методов, растет и уровень сложности проектирования необходимых изделий, стимулируя развития новых подходов. Стандартный подход инженерии сложных устройств на текущий момент включает в себя построение оптимизационной модели, которая непрерывно взаимодействует с цифровым двойником изделия. 

Современные методы машинного обучения, включая обучение с подкреплением, позволяют при помощи глубоких нейронных сетей строить эффективную суррогатную модель, которая пригодна для быстрого воспроизведения характеристик выбранной конфигурации устройства. В данном проекте будет разработана технологическая платформа для оптимизации и предиктивной аналитики работы технических устройств на базе методов машинного обучения и суперкомпьютерного моделирования с использованием суррогатного моделирования. Построенные математические модели будут положены в основу инженерных продуктов для оптимизации и анализа работы широкого спектра энергетического оборудования.

Технологический барьер

Задачи оптимизации технических устройств на основе моделирования физических процессов в них требует вычислительных моделей с достаточной точностью, чтобы сохранять адекватность реальной жизни, с одной стороны, и высокой скорости вычислений, с другой стороны, чтобы позволять реализовывать интерактивные методы оптимизации (например, генетические). Без ускорения моделей для интерактивных методов с заданной точностью не достаточно вычислительных ресурсов даже суперкомпьютеров.

Распространенные методы оптимизации имеют свои ограничения. Наиболее широко используемые градиентные и сопряженные методы требуют большого объема вычислений, который не гарантирует нахождение глобального оптимума. Эволюционные и многокритериальные методы более успешно решают проблему глобального оптимума, однако обладают низкой скоростью сходимости, которой недостаточно для прямого взаимодействия с блоком цифрового двойника изделия. Последнее время набирают свою популярность оптимизационные методы, основанные на построении суррогатных моделей. Наиболее примитивные полуэмпирические методы из этого класса сочетают таблично-теоретические данные и эмпирические уравнения. Проблема таких подходов заключается в необходимости построения новых эмпирических зависимостей для новых конфигураций.