(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210702757.X (22)申请日 2022.06.21 (71)申请人 浙江众合科技股份有限公司 地址 310052 浙江省杭州市滨江区江汉路 1785号双城国际4 号楼17层 (72)发明人 刘丹丹　陈锬　周在福　陈峰　 许平川　 (74)专利代理 机构 杭州华鼎知识产权代理事务 所(普通合伙) 33217 专利代理师 俞宏涛 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/25(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01)G06N 3/00(2006.01) G06N 20/10(2019.01) G06F 119/08(2020.01) (54)发明名称 基于GWO-SVM模型的机 笼散热器优化 设计方 法 (57)摘要 本发明公开了基于GWO ‑SVM模型的机 笼散热 器优化设计方法， 包括如下步骤： S1、 构建散热器 的几何模型， 几何模型通过有限元分析仿真软件 处理后得到数据集； S2、 采用GWO算法优化SVM模 型的惩罚因子c和核函数g构建GW O‑SVM模型； S3、 通过数据集对构建GWO ‑SVM模型进行训练， 并对 GWO‑SVM模型进行可靠性 分析； 若GW O‑SVM模型可 靠， 执行S4； 若GWO ‑SVM模型不可靠， 则加入更新 因子对GW O‑SVM模型重新训练； S4、 得到仿真预测 结果， 通过有限元分析仿真软件计算得到GPU仿 真温度值； S5、 筛选数据集中温度值为Tn值以下 的结构参数； 获得GPU温度对应的散热器结构参 数调整最优解。 根据灰狼算法对SVM模型进行训 练， 可以快速得到预测温度数值， 减少试产时间。 权利要求书2页 说明书7页 附图3页 CN 115146499 A 2022.10.04 CN 115146499 A 1.基于GWO ‑SVM模型的机笼散热器优化设计方法， 其特 征在于， 包括如下步骤： S1、 构建散热器的几何模型， 将几何模型导入在有限元分析仿真软件进行数据预处理 得到数据集； S2、 采用GWO算法优化SVM模型的惩罚因子 c和核函数g构建 GWO‑SVM模型； S3、 通过数据集对构建GWO ‑SVM模型进行训练， 并对GWO ‑SVM模型进行可靠性分析； 若 GWO‑SVM模型可靠， 执行S4； 若GWO ‑SVM模型不可靠， 则加入更新因子对GWO ‑SVM模型重新训 练； S4、 得到仿真预测结果， 通过有限元分析仿真软件计算得到GPU仿真温度值； S5、 筛选数据集中温度值为Tn值以下的结构参数； 结合散热器的温度分布图和空间最 大包络， 获得GPU温度对应的散热器结构参数调整最优解。 2.根据权利要求1所述的基于GWO ‑SVM模型的机笼散热器优化设计方法， 其特征在于， 数据预处理包括对几何模型进行去特征化、 边界条件设置、 材料属 性设置以及 网格参数设 置， 根据温度值的范围区间对数据集进行 标签化， 进 而得到原 始标签集 合。 3.根据权利要求1或2所述的基于GWO ‑SVM模型的机笼散热器优化设计方法， 其特征在 于， 所述数据集利用KS算法按照一定的比例划分为训练集、 校正集和测试集， 并对 数据集进 行归一化处理； 所述训练集作为GWO ‑SVM模型训练时的输入数据， 所述校正集作为GWO ‑SVM 模型可靠性判定时的输入数据， 所述测试集作为GWO ‑SVM模型可靠性验证时的输入数据。 4.根据权利要求1所述的基于GWO ‑SVM模型的机笼散热器优化设计方法， 其特征在于， S2中， 采用GWO算法优化SVM模型的惩罚因子和核函数包括如下步骤： S21、 初始化GWO算法， 包括确定灰狼种群N； 确定待优化参数， 即惩罚因子c和核函数g； 最大迭代次数t， 初始化α狼、 β 狼、 γ狼的位置； 设置狼群位置的边界值， 初始化狼群个体的 适应度值； S22、 随机化更新α 狼、 β 狼、 γ狼的位置， 对狼群所在位置进行调整； S23、 遍历每一个狼， 计算狼群个体的适应度值， 若新个体的适应度值优于旧个体的适 应度值， 则新个 体的位置替代旧个 体的位置， 保留新个 体的适应度值作为目标值； S24、 持续迭代GWO算法， 当达到最大迭代次数t时， 输出惩罚因子c和核函数g， 否则持续 执行S22‑S24。 5.根据权利要求4所述的基于GWO ‑SVM模型的机笼散热器优化设计方法， 其特征在于， 对狼群所在位置进行调整， 包括： 若狼群位置位于边界值范围内， 则认定当前狼群位置； 若狼群位置位于边界值范围以 外分两种情形处 理； 情形一： 若大于边界值的上限， 则调整当前狼群位置为 边界值的上限； 情形二： 若 小于边界值的下限， 则调整当前狼群位置为 边界值的下限。 6.根据权利要求4所述的基于GWO ‑SVM模型的机笼散热器优化设计方法， 其特征在于， S22中， 随机化更新α 狼、 β 狼、 γ狼的位置公式如下： 式中， D为距离猎物的距离， t表示迭代次数， Xp(t)表示当前猎物的位置， X(t)表示当前 狼群的位置， X(t+1)表示更新后的狼群位置， A和C表示随机向量。权　利　要　求　书 1/2 页 2 CN 115146499 A 27.根据权利要求4所述的基于GWO ‑SVM模型的机笼散热器优化设计方法， 其特征在于， 随机向量A和C公式表示如下： 其中， a为[0， 2]范围内随迭代次数线性减小的数值， r1和r2为[0， 1]范围内的随机数。 8.根据权利要求2所述的基于GWO ‑SVM模型的机笼散热器优化设计方法， 其特征在于， 对GWO‑SVM模型进行 可靠性分析包括如下步骤： 根据仿真预测结果对应的温度值确定预测标签值， 进而确定预测标签集合， 根据预测 标签值与原始标签值进行比较， 若预测标签值与原始标签集合的误差小于h， 则判定GWO ‑ SVM模型可靠。 9.根据权利要求1所述的基于GWO ‑SVM模型的机笼散热器优化设计方法， 其特征在于， 根据GPU温度的温度值范围对GPU温度值进行标签化， 其中第一标签值对应的温度值范围为 70℃～75℃； 第二标签值温度范围为： 75℃～80℃； 第三标签值的温度范围为： 80℃以上。 10.根据权利 要求9所述的基于GWO ‑SVM模型的机笼散热器优化设计方法， 其特征在于， 散热器结构参数包括有X向安装位置、 宽度位置、 总长、 宽度长度、 基高、 总高、 片数、 厚度以 及GPU温度， 通过对散热片温度特性曲线进行分析， 散热片温度效果与鳍片的片数、 齿高、 材 料导热率、 基高、 厚度、 长度宽度正相关； 与厚度负相关； 依据温度特性指导结构参数优化方 向， 通过调整某一个结构参数， 其余参数排列 组合， 获得若干个测试集， 通过温度值标签对 测试集进行删选 。权　利　要　求　书 2/2 页 3 CN 115146499 A 3