关键词:
机器学习
循环展开
有限元计算
模型融合
并行算法
摘要:
对于大型电力设备而言,其物理尺寸非常大,利用有限元法去分析电力设备的电磁场时,为了保证计算精度,需要剖分大量的网格,导致计算规模太大,其计算时间随有限元分析网格数量的增加而迅速增加。为了提高计算效率,本文研究指令级并行技术循环展开,通过机器学习预测不同循环中最佳循环展开因子,并应用于电磁场有限元计算的程序代码。建立不同的机器学习回归算法模型预测不同特征变量的循环计算时间。通过大量的循环计算程序,提取循环的相关特征量和循环计算时间,建立循环展开的回归数据集。建立多种机器学习算法模型,预测不同特征变量的循环计算时间,比较选取适合数据集的最佳机器学习算法。通过对数据集进行预测、分析和比较,对模型参数进行优化。为进一步提高预测准确率,使用模型融合技术对参数优化后的机器学习模型进行融合,找到拟合数据集最优的方法,将其作为最终预测时间的回归模型。将最佳模型预测后的时间结果进行择优,计算时间最少对应的展开因子为最佳展开因子,实现特征到最佳展开因子的映射,由此建立循环特征变量与展开因子之间的机器学习分类算法模型。建立能够进行多分类的神经网络算法对映射数据集进行多分类计算,预测得到最优循环展开因子。将算法应用于一台单相三柱变压器和三相感应电机磁场有限元计算程序,使用最佳展开因子在C++有限元计算程序中进行循环展开,并将程序计算结果和使用软件计算的结果进行比较,证明循环展开在电磁计算中准确性和可行性,能够在循环程序中实现计算加速。