[论文解读] A Deep Neural Network Surrogate Modeling Benchmark for Temperature Field Prediction of Heat Source Layout

Xianqi Chen, Xiaoyu Zhao+5 more|arXiv (Cornell University)|Mar 20, 2021

Industrial Vision Systems and Defect Detection参考文献 22被引用 9

一句话总结

本文提出了一种用于从复杂热源布局预测温度场的深度神经网络（DNN）代理建模基准，旨在解决传统基于仿真布局优化的高计算成本问题。通过构建一个多样化且符合物理约束的数据集（HSLD），并评估十种最先进的DNN模型，本研究为超高维图像到图像回归建立了全面基线，揭示了在数据多样性、损失函数设计和模型泛化方面用于热布局预测的关键挑战。

ABSTRACT

Thermal issue is of great importance during layout design of heat source components in systems engineering, especially for high functional-density products. Thermal analysis generally needs complex simulation, which leads to an unaffordable computational burden to layout optimization as it iteratively evaluates different schemes. Surrogate modeling is an effective way to alleviate computation complexity. However, temperature field prediction (TFP) with complex heat source layout (HSL) input is an ultra-high dimensional nonlinear regression problem, which brings great difficulty to traditional regression models. The Deep neural network (DNN) regression method is a feasible way for its good approximation performance. However, it faces great challenges in both data preparation for sample diversity and uniformity in the layout space with physical constraints, and proper DNN model selection and training for good generality, which necessitates efforts of both layout designer and DNN experts. To advance this cross-domain research, this paper proposes a DNN based HSL-TFP surrogate modeling task benchmark. With consideration for engineering applicability, sample generation, dataset evaluation, DNN model, and surrogate performance metrics, are thoroughly studied. Experiments are conducted with ten representative state-of-the-art DNN models. Detailed discussion on baseline results is provided and future prospects are analyzed for DNN based HSL-TFP tasks.

研究动机与目标

• 解决在高功能密度系统设计中基于仿真的热分析存在的计算瓶颈问题。
• 为从复杂热源布局预测超高维温度场（HSL-TFP）开发一种数据驱动的代理建模基准。
• 提供一个标准化的评估框架，包含多样化数据、代表性DNN模型和多维度评估指标，用于HSL-TFP任务。
• 识别DNN基代理建模在数据生成、模型架构和训练方面面临的关键挑战。
• 为工程应用中推进代理辅助热源布局优化提供基础。

提出的方法

• 提出一种新颖的HSL-TFP基准任务，将其建模为图像到图像回归问题，将布局和温度场视为200×200的空间矩阵。
• 开发两种随机布局采样方法及专用采样策略，以确保热源布局空间中的多样性与物理一致性。
• 构建包含10,000对唯一布局-温度配对的热源布局数据集（HSLD），确保覆盖布局复杂度和热响应变化的全面范围。
• 采用十种代表性DNN架构——结合编码器-解码器结构（如U-Net、SegNet）与特征金字塔结构（如FPN），并集成主干网络（如ResNet、VGG、AlexNet）——用于代理建模。
• 设计多维度评估协议，采用全局平均绝对误差（MAE）、局部平均绝对误差和基于梯度的指标，以评估预测精度和泛化能力。
• 在网络架构中集成基于二次插值的上采样方法，以提升空间分辨率和预测保真度。

Figure 1: The overview of the HSL-TFP task.

实验结果

研究问题

• RQ1 如何为从复杂热源布局预测超高维温度场的问题生成多样化且符合物理规律的数据集？
• RQ2 哪些DNN架构和训练策略在HSL-TFP基准任务中能实现最佳泛化性能？
• RQ3 不同的损失函数和评估指标如何影响DNN代理模型的预测精度和鲁棒性？
• RQ4 当前DNN代理模型在数据效率、训练收敛性和模型泛化方面存在哪些关键局限？
• RQ5 如何改进代理模型，以支持工程布局优化中的实时、高精度热评估？

主要发现

• HSLD数据集在布局配置和结果温度分布方面均实现了高度多样性，支持稳健的模型训练与评估。
• 基于ResNet的模型结合FPN或U-Net架构表现更优，最佳模型在测试集上的全局MAE达到0.89 K。
• 局部MAE指标显示，模型在高梯度区域的温度预测表现更差，表明需要采用空间自适应损失函数。
• 基于梯度的指标表明，通过二次插值实现的上采样可提升模型性能，有助于在温度场重建中保留空间细节。
• 当前DNN代理模型在数据效率和训练稳定性方面面临挑战，尤其在泛化到未见布局模式时更为明显。
• 该基准表明，仅使用全局MAE不足以全面评估模型性能，多维度评估指标对全面分析模型表现至关重要。

Figure 3: The illustration of the feasible layout region $\Omega_{C}$ of component $C$ in the layout container.