概括
这项研究引入了一种新的神经网络和转移学习方法,用于适应光表面的热变形. 该方法提高了光学-机械-热学综合分析的准确性和效率.
科学领域:
- 光学是什么?光学是什么?
- 机械工程 机械工程
- 热分析 热分析
- 人工智能的人工智能
背景情况:
- 精确的热变形配件对于可靠的光学-机械-热学综合分析至关重要.
- 传统的数值方法在适配精度,效率和高阶的泽尼克多项式方面扎.
- 现有的方法在处理复杂的热变形数据方面存在局限性.
研究的目的:
- 开发一种使用神经网络和转移学习的创新光热变形适配方法.
- 为了克服传统的数值方法在配合光学表面热变形的局限性.
- 为了提高光学系统的热变形配件的精度和效率.
主要方法:
- 一个一维的卷积神经网络 (1D-CNN) 被训练使用Zernike多项式作为输入和光表面斜率变化作为输出.
- 转移学习被用来有效地适应不同温度的热变形,而无需重新培训.
- 该方法通过在空中摄像机的主镜上进行热分析来验证.
主要成果:
- 在回归分析中,1D-CNN模型实现了超过99.9%的确定系数.
- 从1D-CNN和转移学习中预测的泽尼克系数分布显示出高的一致性.
- 与最小平方方法相比,拟议的方法显示了峰值谷,根平均平方和平均相对误差的显著减少.
结论:
- 拟议的神经网络和转移学习方法显著提高了光学表面热变形配件的准确性和效率.
- 这种进步导致更可靠的光学-机械-热学综合分析.
- 该方法为处理光学系统中复杂的热变形挑战提供了强大的解决方案.
