先進取樣法之參數最佳化以提升水下渦輪機模擬效率

Abstract

本研究針對水下渦輪機實驗中，考量不同初始紊流強度條件，提出一套結合一次性抽樣、後設模型與啟發式演算法的參數校準流程，目標是在樣本數有限的情況下，獲得接近水下渦輪機物理實驗的模擬結果，以利後續的水下渦輪機商業化研究。由於傳統計算流體力學（CFD）模擬每組參數需耗時 3 至 6 小時，若直接以模擬器進行搜尋將消耗大量時間成本，故本研究採用一次性抽樣建立樣本，透過人工神經網路（Artificial Neural Network, ANN）訓練後設模型，並結合粒子群演算法（PSO）與基因演算法（GA）進行最佳化搜尋。本研究比較三種一次性抽樣策略，結果顯示使用 60 組樣本出發下，即可建構具良好預測能力的後設模型，擬合誤差皆低於 10%。在三種抽樣方式中，以 LHS 所得的最佳解其最終誤差為 13.52%，Halton 為 14.25%，CVT 則僅為 13.22%，優於以 81 組樣本建構模型並使用PSO搜索之結果（14.21%），樣本數則減少最多約 24%。無論何種一次性抽樣方式輔以PSO 或 GA，搜尋結果皆與傳統 81 組四因子三水準設計相當。整體而言，本研究所建構之多紊流強度後設模型，能以較少樣本達成準確擬合，並透過啟發式演算法有效搜尋出與物理實驗趨勢一致的最佳參數組合。

This study proposes a parameter calibration framework for marine turbine simulations, considering different initial turbulence intensity conditions. The framework integrates one-shot sampling, surrogate modeling, and metaheuristic algorithms to determine the parameters of Computational Fluid Dynamics (CFD) simulator so that the simulation results closely match physical experiments. To reduce computational effort of simulation, this study adopts one-shot sampling to generate training data, constructs surrogate models using Artificial Neural Networks (ANN), and applies Particle Swarm Optimization (PSO) and Genetic Algorithm (GA) for parameter search. Three one-shot sampling methods, LHS, Halton, and CVT, are evaluated. The numerical examples demonstrate that with initial 60 samples, the proposed framework returns the final errors: 13.52% (LHS), 14.25% (Halton), and 13.22% (CVT). The best final error, 13.22%, is with the CVT sampling method, ANN surrogate model, and PSO and the number of samples used is 18% fewer than the 81-sample design (Nurdiansyah et al., 2023). The proposed framework achieves almost the same final error using fewer datasets to build the surrogate model.