CN108573525A - 用于跨学科流体建模的多流体模型工具 - Google Patents

用于跨学科流体建模的多流体模型工具 Download PDF

Info

Publication number
CN108573525A
CN108573525A CN201810194306.3A CN201810194306A CN108573525A CN 108573525 A CN108573525 A CN 108573525A CN 201810194306 A CN201810194306 A CN 201810194306A CN 108573525 A CN108573525 A CN 108573525A
Authority
CN
China
Prior art keywords
component
models
data
machine
fluid
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810194306.3A
Other languages
English (en)
Other versions
CN108573525B (zh
Inventor
Z.S.德维克
E.丹尼斯
B.奥库尔
K.古纳尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Altair Engineering Inc
Original Assignee
General Electric Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by General Electric Co filed Critical General Electric Co
Publication of CN108573525A publication Critical patent/CN108573525A/zh
Application granted granted Critical
Publication of CN108573525B publication Critical patent/CN108573525B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/10—Geometric effects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F5/00—Measuring a proportion of the volume flow
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2215/00—Indexing scheme for image rendering
    • G06T2215/16—Using real world measurements to influence rendering

Abstract

提出了一种用于跨学科流体建模的多流体模型工具。例如，系统包括建模组件，机器学习组件和三维设计组件。建模部件基于存储的数据元素库生成机械装置的三维模型。机器学习组件基于输入数据和与三维模型相关联的机器学习过程预测机械装置的一个或多个特性。提供与三维模型相关联的三维设计环境的三维设计组件(108)。三维设计环境基于输入数据和三维模型上的机械装置的一个或多个特性呈现机械装置的物理建模数据。

Description

用于跨学科流体建模的多流体模型工具
交叉引用
本申请要求在2017年3月10日提交且标题为“A MULTIPLE FLUID MODEL TOOL FORINTERDISCIPLINARY FLUID MODELING”的美国临时专利申请号62 / 469,953的优先权，其全部内容通过引用结合于此。
技术领域
本公开一般涉及三维建模系统，且更特别地涉及流体系统和/或流体系统设计工具的建模。
背景技术
在与流体系统相关联的装置或产品的设计阶段期间，经常期望确定流体对于与流体系统相关联的装置或产品的影响。为了确定流体对于设计的影响，可以采用与计算流体动力学相关联的二维(2D)数据的数值分析来分析通过装置或产品的流体流动。例如，与装置或产品相关联的2D表面的颜色可以表示流体流动程度。然而，分析流体对于装置或产品的设计的影响通常涉及2D数据的人为解释，这可能导致对于流体系统的人为试验和错误。此外，对于与装置或产品相关联的成本，冗余和/或维护，2D数据的人为解释和/或采用多流体模型工具来确定流体对于装置或产品的设计的影响可能是麻烦的。
发明内容
以下提出说明书的简化概述以便提供对说明书的一些方面的基本理解。该概述不是对说明书的深入综述。意图是既不识别说明书的重要或关键要素，也不描绘说明书的特定实施方式的任何范围或权利要求的任何范围。其唯一目的是要以简化的形式提出说明书的一些概念，以作为稍后呈现的更详细描述的序言。
根据实施例，一种系统包括建模组件，机器学习组件和三维设计组件。建模组件基于存储的数据元素库而生成机械装置的三维模型。机器学习组件基于输入数据和与三维模型相关联的机器学习过程而预测机械装置的一个或多个特性。三维设计组件提供与三维模型相关联的三维设计环境。三维设计环境基于输入数据和三维模型上的机械装置的一个或多个特性而呈现机械装置的物理（physics）建模数据。
根据另一个实施例，一种方法提供用于通过包括处理器的系统来基于存储的数据元素库而生成机械装置的三维模型。该方法还提供用于通过系统来基于输入数据和与三维模型相关联的机器学习过程而预测与三维模型相关联的流体流动和物理行为。此外，该方法提供用于通过系统来基于流体流动和物理行为而呈现机械装置的物理建模数据。
根据又一个实施例，一种包括指令的计算机可读存储装置，其响应于运行使包括处理器的系统执行操作，所述操作包括：基于存储的数据元素库而生成机械装置的三维模型，执行与三维模型相关联的机器学习过程以预测机械装置的一个或多个特性，以及提供基于机器学习过程而呈现机械装置的物理建模数据的与三维模型相关联的三维设计环境。
以下描述和附图阐述了说明书的某些说明性方面。然而，这些方面指示其中可以采用说明书原理的各种方式中的仅小部分。当结合附图考虑时，从说明书的以下详细描述，说明书的其它优点和新颖特征将变得显而易见。
本发明提供一组技术方案，如下。
1.一种系统，包括：
存储计算机可运行组件的存储器；以及
配置成运行存储在所述存储器中的以下计算机可运行组件的处理器：
基于存储的数据元素库而生成机械装置的三维模型的建模组件；
基于输入数据和与所述三维模型相关联的机器学习过程而预测所述机械装置的一个或多个特性的机器学习组件；以及
提供与所述三维模型相关联的三维设计环境的三维设计组件，其中所述三维设计环境基于所述输入数据和所述三维模型上的所述机械装置的所述一个或多个特性而呈现所述机械装置的物理建模数据。
2.根据技术方案1所述的系统，其中所述建模组件集成与第一机械装置相关联的第一三维模型和与第二机械装置相关联的第二三维模型以便生成所述三维模型。
3.根据技术方案2所述的系统，其中所述机器学习组件执行与所述第一三维模型相关联的第一机器学习过程和与所述第二三维模型相关联的第二机器学习过程。
4.根据技术方案3所述的系统，其中所述机器学习组件基于与所述第二三维模型相关联的数据执行所述第一机器学习过程。
5.根据技术方案3所述的系统，其中所述机器学习组件基于与所述第一三维模型相关联的数据而执行所述第二机器学习过程。
6.根据技术方案3所述的系统，其中所述机器学习组件经由所述第一机器学习过程确定所述第一机械装置的一个或多个第一特性且经由所述第二机器学习过程确定所述第二机械装置的一个或多个第二特性。
7.根据技术方案6所述的系统，其中所述机器学习组件基于所述第一机械装置的所述一个或多个第一特性和所述第二机械装置的所述一个或多个第二特性而预测所述机械装置的所述一个或多个特性。
8.根据技术方案2所述的系统，其中所述机器学习组件基于所述输入数据而有助于在所述第一三维模型和所述第二三维模型之间的交互。
9.根据技术方案1所述的系统，其中所述三维设计组件在所述三维模型上呈现所述物理建模数据。
10.根据技术方案1所述的系统，其中输入数据包括指示由所述机械装置接收到的流体的流体数据，且其中所述三维设计环境基于所述流体数据和所述三维模型上的所述机械装置的所述一个或多个特性而呈现所述机械装置的所述物理建模数据。
11.一种方法，包括：
通过包括处理器的系统来基于存储的数据元素库而生成机械装置的三维模型；
通过所述系统来基于输入数据和与所述三维模型相关联的机器学习过程而预测与所述三维模型相关联的流体流动和物理行为；以及
通过所述系统来基于所述流体流动和所述物理行为而呈现所述机械装置的物理建模数据。
12.根据技术方案11所述的方法，其中，呈现包括提供与所述三维模型相关联的三维设计环境。
13.根据技术方案11所述的方法，其中，预测包括基于所述输入数据和所述机器学习过程而预测热特性和所述物理行为，并且其中，呈现包括基于所述热特性和所述物理行为而呈现所述机械装置的所述物理建模数据。
14.根据技术方案11所述的方法，其中，预测包括基于所述输入数据和所述机器学习过程而预测燃烧特性和所述物理行为，并且其中，呈现包括基于所述燃烧特性和所述物理行为而呈现所述机械装置的所述物理建模数据。
15.根据技术方案11所述的方法，其中，生成所述三维模型包括集成与第一机械装置相关联的第一三维模型和与第二机械装置相关联的第二三维模型。
16.根据技术方案15所述的方法，其中，预测包括执行与所述第一三维模型相关联的第一机器学习过程且执行与所述第二三维模型相关联的第二机器学习过程。
17.一种包括指令的计算机可读存储装置，其响应于运行而促使包括处理器的系统执行操作，所述操作包括：
基于存储的数据元素库而生成机械装置的三维模型；
执行与所述三维模型相关联的机器学习过程以预测所述机械装置的一个或多个特性；以及
提供与所述三维模型相关联的三维设计环境，所述三维模型基于所述机器学习过程而呈现所述机械装置的物理建模数据。
18.根据技术方案17所述的计算机可读存储装置，其中，生成所述三维模型包括将与第一机械装置相关联的第一三维模型和与第二机械装置相关联的第二三维模型组合。
19.根据技术方案18所述的计算机可读存储装置，其中，执行包括执行与所述第一三维模型相关联的第一机器学习过程且执行与所述第二三维模型相关联的第二机器学习过程。
20.根据技术方案19所述的计算机可读存储装置，其中，执行所述第一机器学习过程包括基于与所述第二机器学习过程相关联的数据而执行所述第一机器学习过程。
附图说明
专利或申请文件包含至少一张以颜色运行的图。具有彩图的本专利或专利申请出版物的副本将由办公室根据要求并支付必要的费用提供。结合附图考虑下面的详细描述后，本发明的许多方面，实现，目的和优点将变得显而易见，其中相似的参考字符始终表示相似的部分，且其中：
图1图示根据本文描述的各个方面和实现的示例流体模型工具组件的高级框图；
图2图示根据本文描述的各个方面和实现的与流动预测相关联的示例流体模型工具组件的高级框图；
图3图示根据本文描述的各个方面和实现的与热预测相关联的示例流体模型工具组件的高级框图；
图4图示根据本文描述的各个方面和实现的与燃烧预测相关联的示例流体模型工具组件的高级框图；
图5图示根据本文描述的各个方面和实现的与用户显示装置通信的示例流体模型工具组件的高级框图；
图6图示根据本文描述的各个方面和实现的提供了跨学科流体建模的示例系统；
图7图示根据本文描述的各个方面和实现的示例3D模型；
图8图示根据本文描述的各个方面和实现的另一个示例3D模型；
图9图示根据本文描述的各个方面和实现的又一个示例3D模型；
图10图示根据本文描述的各个方面和实现的又一个示例3D模型；
图11描绘根据本文描述的各个方面和实现的用于提供跨学科流体建模的示例方法的流程图；
图12描绘根据本文描述的各个方面和实现的用于提供跨学科流体建模的另一示例方法的流程图；
图13描绘根据本文描述的各个方面和实现的用于提供跨学科流体建模的又一个示例方法的流程图；
图14描绘根据本文描述的各个方面和实现的用于提供跨学科流体建模的又一个示例方法的流程图；
图15描绘根据本文描述的各个方面和实现的用于提供跨学科流体建模的又一个示例性方法的流程图；
图16是图示合适的操作环境的示意性框图；以及
图17是样品计算环境的示意性框图。
具体实施方式
现在参考附图来描述本公开的各个方面，其中相似的参考数字始终用来指相似的元件。在以下描述中，为了解释的目的，阐述了许多具体细节以提供对一个或多个方面的透彻理解。然而，应当理解，本公开的某些方面可以在没有这些具体细节的情况下或用其它方法，组件，材料等来实践。在其它实例中，众所周知的结构和装置以框图形式显示以促进描述一个或多个方面。
提出了提供用于跨学科流体建模的多流体模型工具的系统和技术。例如，与涉及关于流体系统的二维(2D)数据和/或人为试验和错误的人为解释的流体系统的常规分析相比，本发明的创新提供用于三维(3D)设计环境，其可以从3D数据元素和/或多个3D模型生成。在方面中，可以在装置的3D模型上呈现与流体流动程度相关联的物理建模数据。在一个示例中，物理建模数据的视觉图形可以基于流体流动程度为动态的。本文公开的各种系统和技术可以涉及基于云的服务，加热，通风和空气调节(HVAC)系统，医疗系统，汽车，飞机，水运工具，水过滤系统，冷却系统，泵，引擎，诊断，预测，实时将材料成本包括在内的优化机器设计，通过实时聚集数据显式和/或隐式训练模型等。在实施例中，多流体模型工具可以提供用于跨学科流体建模的平台。跨学科流体建模可被集成到组合的模型中。例如，模型的子组件和/或子模型可被集成以形成电子装置（例如整个机器）和/或机械装置的模型和/或子组合。在实现中，多流体模型工具可被采用以识别与模型相关联的相关性，包括先前未知的对于模型的相关性和/或对于模型的组件的相互依赖性。多流体模型工具还可提供公共平台，其允许关于不同的学科装置执行建模。因而，不同的学科装置的模型可被组合以创建模型的子组合。此外，多流体模型工具可提供3D设计环境。因此，可以更高效地生成与物理建模相关联的3D模型，和/或与物理建模相关联的由3D模型提供的数据可以更精确。此外，通过替换用于分析与装置、机器和/或组件的3D模型相关联的一个或多个特性的人为试验和错误，可以使与3D模型相关联的装置、机器和/或组件的损坏最小化。
首先参考图1，图示有根据本公开的方面的提供用于跨学科流体建模的多流体模型工具的示范性系统100。系统100可以被各种系统例如但不限于建模系统，航空系统，功率系统，分配式功率系统，能量管理系统，热管理系统，运输系统，油气系统，机械系统，机器系统，装置系统，基于云的系统，加热系统，HVAC系统，医疗系统，汽车系统，飞机系统，水运工具系统，水过滤系统，冷却系统，泵系统，引擎系统，诊断系统，预测系统，机器设计系统，医疗装置系统，医学成像系统，医学建模系统，模拟系统，企业系统，企业成像解决方案系统，先进诊断工具系统，图像管理平台系统，人工智能系统，机器学习系统，神经网络系统等采用。在一个示例中，系统100可以与图形用户界面系统相关联以促进3D数据的可视化和/或解释。此外，可以采用系统100和/或系统100的组件以使用硬件和/或软件解决本质上高度技术性的问题(例如，涉及处理3D数据，涉及建模3D数据，涉及人工智能等)，它们不是抽象的，并且也不能作为通过一组人的精神行为来执行。
系统100可以包括流体模型工具组件102，流体模型工具组件102可以包括建模组件104，机器学习组件106和/或3D设计组件108。在方面中，由流体模型工具组件102执行的建模可以与流综合设计环境，传热设计环境和/或燃烧设计环境相关联。在本公开中解释的系统、装置或过程的方面可以构成体现在一个或多个机器内的一个或多个机器可运行组件，例如体现在与一个或多个机器相关联的一个或多个计算机可读媒介(或多个媒介)中。当由一个或多个机器(例如，计算机，计算装置，虚拟机等)运行时，这样的组件可以使一个或多个机器执行所描述的操作。系统100(例如，流体模型工具组件102)可以包括用于存储计算机可运行组件和指令的存储器110。系统100(例如，流体模型工具组件102)可以进一步包括处理器112以促进由系统100(例如流体模型工具组件102)操作指令(例如，计算机可运行组件和指令)。在某些实施例中，系统100可以进一步包括数据元素库114。数据元素库114可以是存储的数据元素的库。
建模组件104可以生成装置的3D模型。3D模型可以是用于经由3D设计环境呈现的装置的3D表示。在实施例中，建模组件104可以生成机械装置和/或电子装置的3D模型。建模组件104可以基于例如数据元素库114生成装置的3D模型。数据元素库114可以包括用于机械组件和/或电子组件的一组数据元素。此外，该组数据元素可以包括例如几何数据和/或纹理数据。几何数据可指示装置的几何。在方面中，几何数据可包括3D数据点(例如3D顶点)，其经由3D坐标系形成装置的形状，结构和/或一组表面。几何数据基于3D数据点还可包括一组多边形(例如一组几何面)。在实施例中，几何数据可包括与3D数据点和/或多边形的组相关联的网格数据。在另一实施例中，几何数据可包括非均匀有理基本样条(NURBS)数据。该NURBS数据可包括NURBS表面数据，其基于映射在3D坐标系中的表面的一组参数而表示3D模型的几何形状和/或表面。NURBS数据还可包括一组控制点，其形成与NURBS表面数据相关联的表面的形状。在非限制性示例中，数据元件库114可以包括用于流体源，燃料源，流动元素，管道系统，密封系统，压降组件(例如孔，阀，配件，接头，转换器等)，扩散器，热交换器，控制器，泵，风扇，压缩器，腔，涡流和/或其它组件的数据元素。另外地或备选地，数据元素库114可以包括与装置相关联的实验数据(例如，实验试验数据)。例如，数据元素库114可以包括经由一个或多个实验和/或一个或多个研究过程确定的装置的一个或多个性质。一个或多个实验和/或一个或多个研究过程可以包括经由与3D模型相关联的装置的物理表示确定和/或捕获一个或多个性质。装置的一个或多个性质可以包括例如装置的一个或多个物理性质，装置的一个或多个机械性质，装置的一个或多个测量，装置的一个或多个材料性质，装置的一个或多个电性质，装置的一个或多个热性质和/或装置的一个或多个其它性质。
在某些实施例中，建模组件104可以执行装置(例如，机械装置和/或电子装置)的一个或多个机械元件的建模。例如，建模组件104可以确定装置的机械元件的特征的一组边界。此外，建模组件104可以确定机械元件的一组物理特性。在一个非限制性示例中，建模组件104可以确定装置的一个或多个室。例如，建模组件104可以确定限定一个或多个室的一组边界。建模组件104还可以确定一个或多个室的一组物理特性，例如比如一个或多个室的大小，一个或多个室的形状，一个或多个室的体积和/或一个或多个室的另一个物理特性。在方面中，建模组件104可以基于数据元素库114来计算装置的一个或多个机械元件。为了计算一个或多个机械元件，建模组件104可以采用使用数据元素库114的一种或多种建模技术。因此，一个或多个机械元件可以是一个或多个计算导出元件。在另一个方面中，建模组件104可以执行与一个或多个建模技术相关联的建模过程，以促进与装置相关联的系统的设计，其中系统包括被组合以形成装置的一组机械元件。
在实施例中，建模组件104可以确定与装置相关联的一组控制体积。例如，建模组件104可以覆盖装置上的一组控制体积。控制体积可以是流体(例如液体或气体)和/或电流流过的装置区域的抽象概念。在一个示例中，控制体积可以对应于装置的室。建模组件104可以确定该组控制体积的几何特征。例如，建模组件104可以确定计算控制体积(例如，室)和/或计算控制体积的几何特征。控制体积可以经由各种类型的预先配置元件和/或预先配置组件来连接，以构建从供应延伸到汇状态（sink condition）的分析计算模型。控制体积还可以模拟预先配置元件，预先配置组件和/或与3D模型相关联的系统的运行条件。例如，预先配置元件和/或预先配置组件可被包括在数据元素库114中。例如，数据元素库114可以包括可以被建模元件104采用的预先配置元件和/或预先配置组件的扩展库，以促进建模和/或模拟各种物理现象，包括可压缩/不可压缩流体流动，浮力驱动流动，旋转腔体系统流动，传导/对流/辐射传热，燃烧平衡化学，物质输运等的宽范围。预先配置元件和/或预先配置组件的物理配制可以基于待模拟的物理现象的复杂性而变化。在一个方面，预先配置元件和/或预先配置组件的物理配制可以分类为基于机器学习的元件(例如，密封件，泄漏物，压缩器，风扇，接头，弯头，阀门，孔，管道等)。另外地或备选地，预先配置元件和/或预先配置组件的物理配制可以分类为基于计算导出元件(例如，利用分析建模技术和实验试验数据的组合的建模方法)。预先配置元件和/或预先配置组件的组合可以被建模元件104采用以便构建可以进一步采用(例如，通过机器学习元件106)来模拟和/或预测机器稳态或瞬态响应的3D模型。在另一实施例中，建模组件104可以采用3D计算机辅助设计(CAD)数据自动创建用于3D模型的计算域和/或控制体积(例如，室/元件/组件)，3D模型可以被采用(例如，通过机器学习组件106)以生成用于与3D模型相关联的装置的模拟机器条件的预测。计算模型创建的自动化可以显著缩短分析设置的周期时间。此外，计算域可经由几何标签、CAD曲线参数表达、表面参数标签等被双向链接至3D CAD。例如当CAD数据被更新时，计算域可被自动地更新。在又一个实施例中，建模组件104可以集成装置的子组件(例如，机械装置和/或电子装置)和/或装置的子模型(例如，机械装置和/或电子装置)以形成例如整个机器的子组合和/或模型。在一个方面，建模组件104可以将第一子组件的第一流动网络与第二子组件的第二流动网络集成。另外地或可替代地，建模组件104可以将整个第一子组件的第一传热与整个第二子组件的第二传热集成。另外地或可替代地，建模组件104可以将整个第一子组件的第一多相流与整个第二子组件的第二多相流集成。
机器学习组件106可以执行学习(例如，显式学习和/或隐式学习)和/或可以生成关于由建模组件104生成的一个或多个3D模型的推论。由机器学习组件106的学习和/或生成的推论可以促进确定与由建模组件104生成的一个或多个3D模型相关联的一个或多个特性。学习和/或生成的推论可以通过机器学习组件106经由与一个或多个3D模型相关联的一个或多个机器学习过程确定。由机器学习组件106确定的一个或多个特性可以包括例如与由建模组件104生成的一个或多个3D模型相关联的一个或多个流体特性，与由建模组件104生成的一个或多个3D模型相关联的一个或多个热特性，与由建模组件104生成的一个或多个3D模型相关联的一个或多个燃烧特性，与由建模组件104生成的一个或多个3D模型相关联的一个或多个电特性和/或与由建模组件104生成的一个或多个3D模型相关联的一个或多个其它特性。在方面中，机器学习组件106可以预测和/或建模与一个或多个3D模型相关联的机械元件的流网络，贯穿与一个或多个3D模型相关联的机械元件的传热，与关联于一个或多个3D模型的机械元件相关联的燃烧，通过与一个或多个3D模型相关联的机械元件的多相流和/或与一个或多个3D模型相关联的机械元件的其它特性。
在一个实施例中，机器学习组件106可以基于输入数据和与一个或多个3D模型相关联的一个或多个机器学习过程预测与一个或多个3D模型相关联的一个或多个特性。输入数据可以例如是用于能够流过一个或多个3D模型的流体的一组参数，用于能够流过一个或多个3D模型的热能的一组参数，用于能够流过一个或多个3D模型的燃烧化学反应的一组参数，用于流过一个或多个3D模型的电力的一组参数和/或提供到一个或多个3D模型的用于输入的另一组参数。与一个或多个3D模型相关联的一个或多个特性可以对应于装置(例如，机械装置和/或电子装置)的一个或多个特性。在一个示例中，不同类型的控制体积(例如室)，模拟存储器，体积混合动力学，体积惯性动力学，体积泵浦动力学和/或体积重力动力学可以被机器学习组件106用来建模和/或模拟与一个或多个3D模型相关联的各种流体流动条件。在方面中，机器学习组件106还可以采用测量的数据和/或流传输数据来为一个或多个机器学习过程设置边界条件。例如，机器学习组件106还可以采用测量数据和/或流传输数据来设置供应室和汇室的边界条件和/或建立用于模拟物理现象(例如流体动力学，热动力学，燃烧动力学，角动量等)的驱动力。
另外地或备选地，机器学习组件106可以执行基于概率的效用分析，其衡量与由建模组件104生成的一个或多个3D模型相关联的成本和益处。机器学习组件106(例如，由机器学习组件106执行的一个或多个机器学习过程)也可以采用自动分类系统和/或自动分类过程来促进学习和/或生成关于由建模组件104生成一个或多个3D模型的推论。例如，机器学习组件106(例如，由机器学习组件106执行的一个或多个机器学习过程)可以采用基于概率和/或统计的分析(例如，将分析实用和成本包括在内)来学习和/或生成关于由建模组件104生成的一个或多个3D模型的推论。机器学习组件106(例如，由机器学习组件106执行的一个或多个机器学习过程)可以采用例如支持向量机(SVM)分类器来学习和/或生成关于由建模组件104生成的一个或多个3D模型的推论。另外地或备选地，机器学习组件106(例如，由机器学习组件106执行的一个或多个机器学习过程)可以采用与贝叶斯网络，决策树和/或概率分类模型相关联的其它分类技术。由机器学习组件106采用的分类器(例如，由机器学习组件106执行的一个或多个机器学习过程)可以被明确地训练(例如，经由通用训练数据)以及隐式训练(例如，经由接收外在信息)。例如，针对充分理解的SVM，SVM经由分类器构造器和特征选择模块内的学习或训练阶段来配置。分类器是将输入属性向量x =(x1，x2，x3，x4，xn)映射为输入属于某类的置信度的函数(即f(x)=置信度(类))。
在方面中，机器学习组件106可以包括推论组件，该推论组件可以利用部分基于推论的方案来进一步增强机器学习组件106的自动化方面，以促进学习和/或生成关于由建模组件104生成的一个或多个3D模型的推论。机器学习组件106(例如，由机器学习组件106执行的一个或多个机器学习过程)可以采用任何合适的基于机器学习的技术，基于统计的技术和/或基于概率的技术。例如，机器学习组件106(例如，由机器学习组件106执行的一个或多个机器学习过程)可以采用专家系统，模糊逻辑，SVM，隐马尔可夫模型(HMM)，贪婪搜索算法，基于规则的系统，贝叶斯模型(例如贝叶斯网络)，神经网络，其它非线性训练技术，数据融合，基于效用的分析系统，采用贝叶斯模型的系统等。在另一个方面中，机器学习组件106(例如，由机器学习组件106执行的一个或多个机器学习过程)可以执行与由建模组件104生成的一个或多个3D模型相关联的一组机器学习计算。例如，机器学习组件106(例如，由机器学习组件106执行的一个或多个机器学习过程)可以执行一组聚类机器学习计算，一组决策树机器学习计算，一组基于实例的机器学习计算，一组回归机器学习计算，一组正规化机器学习计算，一组规则学习机器学习计算，一组贝叶斯机器学习计算，一组深度Boltzmann机器计算，一组深度信念网络计算，一组卷积神经网络计算，一组堆叠的自动译码器计算和/或一组不同的机器学习计算。
在一个实施例中，建模组件104可以集成与第一装置(例如，第一机械装置和/或第一电子装置)相关联的第一3D模型和与第二装置(例如，第二机械装置和/或第二电子装置)相关联的第二3D模型以生成装置的3D模型。例如，由建模组件104生成的3D模型可以是两个或更多个3D模型的组合。在方面中，第一3D模型的第一几何特征可以与第二3D模型的第二几何特征组合。第一3D模型的第一几何特征可以包括例如第一3D模型的室，腔，通道和/或其它几何特征。类似地，第二3D模型的第二几何特征可以包括例如第二3D模型的室，腔，通道和/或其它几何特征。因此，可以在另一个实施例中，机器学习组件106可以执行与第一3D模型相关联的第一机器学习过程和与第二3D模型相关联的第二机器学习过程。例如，机器学习组件106可以经由第一机器学习过程执行学习(例如，显式学习和/或隐式学习)和/或可以生成关于第一3D模型的推论。此外，机器学习组件106可以经由第二机器学习过程执行学习(例如，显式学习和/或隐式学习)和/或可以生成关于第二3D模型的推论。由机器学习组件106的生成的推论和/或学习可以促进确定与由建模组件104生成的一个或多个3D模型相关联的一个或多个特性。此外，学习和/或生成的推论可以由机器学习组件106经由与一个或多个3D模型相关联的一个或多个机器学习过程确定。在方面中，机器学习组件106可以基于与第一3D模型相关联的一个或多个第一特性以及与第二3D模型相关联的一个或多个第二特性预测装置的一个或多个特性。在一个示例中，机器学习组件106可以基于一个或多个第一特性和一个或多个第二特性预测装置的一个或多个特性。一个或多个第一特性可以包括与第一3D模型相关联的第一流体流动特性，与第一3D模型相关联的第一热特性，与第一3D模型相关联的第一燃烧特性和/或与第一3D模型相关联的第一物理行为特性。此外，一个或多个第二特性可以包括与第二3D模型相关联的第二流体流动特性，与第二3D模型相关联的第二热特性，与第二3D模型相关联的第二燃烧特性和/或与第二3D模型相关联的第二物理行为特性。在实施例中，机器学习组件106可以基于与机器学习组件106相关联的输入数据促进第一3D模型和第二3D模型之间的交互。例如，可以由机器学习组件106基于输入数据确定与第一3D模型相关联的一个或多个第一特性和与第二3D模型相关联的一个或多个第二特性的交互。
3D设计组件108可以提供与3D模型相关联的3D设计环境。例如，3D设计组件108可以提供与由建模组件104生成的机械元件和/或3D模型相关联的3D设计环境。3D设计环境可以是单个流体系统设计工具。例如，3D设计环境可以是提供关于流体系统的多种工具的功能性以提供多学科类型分析的工具。在一个示例中，3D设计环境可以提供流综合设计环境，传热设计环境和/或燃烧设计环境。在另一个示例中，3D设计环境可以是与3D设计组件108相关联的燃烧设计环境求解器。可以采用与3D设计组件108相关联的3D设计环境来应用一个或多个数值方案来为机器模拟条件创建预测。预测可以使用图形用户界面的后处理模块在实际硬件的视觉表示上显示和分析。在方面中，与3D设计组件108相关联的3D设计环境可以通过利用数值分析方案保存质量，动量，能量，角动量和/或物类的控制守恒方程来生成模拟预测。在某些实施例中，流体模型工具组件102可以用作服务。例如，与流体模型工具组件102相关联的3D模型可以是被3D设计环境采用的生成的计算模型。
在实施例中，3D设计环境可以基于输入数据和3D模型上的机械装置的一个或多个特性呈现装置的物理建模数据。物理建模数据可以指示关于3D模型的流体流动，热特性，燃烧特性和/或物理行为的视觉表示。物理建模数据也可以作为一个或多个动态视觉元素在3D模型上呈现。在方面中，3D设计组件108可以基于流体流动，热特性，燃烧特性和/或物理行为来改变物理建模数据的至少一部分的视觉特性(例如颜色，大小，色调，阴影等)。例如，通过3D模型的流体流动的不同程度可以呈现为不同的视觉特性(例如，颜色，大小，色调或阴影等)，相对于3D模型的不同程度的热特性可以呈现为不同的视觉特性(例如，颜色，大小，色调或阴影等)，关于3D模型的不同程度的燃烧特性可以呈现为不同的视觉特性(例如，颜色，大小，色调或阴影等)，关于3D模型的不同程度的物理行为可以呈现为不同的视觉特性(例如，颜色，大小，色调或阴影等)。在另一个方面中，3D模型的3D设计环境可以允许用户放大或缩小与物理建模数据相关联的3D模型，旋转与物理建模数据相关联的3D模型的视图等。因此，用户可以查看，分析和/或与物理建模数据相关联的3D模型交互以促进确定流体流动，热特性，燃烧特性和/或物理行为对于与3D模型相关联的装置的设计的影响。
现在参考图2，图示有根据本公开的方面的提供用于跨学科流体建模的多流体模型工具的示例系统200。为了简洁起见，省略了在此描述的其它实施例中采用的相似元件的重复描述。
系统200可以包括流体模型工具组件102和/或数据元素库114。流体模型工具组件102可以包括建模组件104，机器学习组件106，3D设计组件108，存储器110和/或处理器112。在图2中所示的实施例中，机器学习组件106可以包括流动预测组件202。流动预测组件202可以预测与3D模型相关联的流体流动和物理行为。例如，流动预测组件202可执行与通过3D模型的流体流相关联的机器学习过程。流动预测组件202可以基于指示由与3D模型相关联的装置接收到的输入的输入数据来执行机器学习过程。例如，输入数据可以包括指示提供到与3D模型相关联的装置的流体的流体数据。流体数据可以包括流体的一个或多个性质，例如比如流体的流体类型，流体的密度，流体的粘度，流体的体积，流体的重量，流体的温度和/或流体的另一种性质。输入数据可以通过流动预测组件202用来预测流体流动。流体流动可以例如是输入数据(例如流体)通过与3D模型相关联的装置的流体流动。物理行为可以是流体流动的物理行为。例如，物理行为可以是流体流动的模拟物理和/或变化。此外，物理行为可以为与3D模型相关联的模拟流体流动条件。物理行为还可以包括基于与流体流动相关联的一个或多个数学方程确定的相关性和/或行为，例如比如与流体相关联的质量守恒方程，与流体相关联的动量守恒方程，与流体相关联的能量守恒方程，与流体相关联的角动量守恒方程和/或与流体流动相关联的另一个数学方程。
现在参考图3，图示有根据本公开的方面的提供用于跨学科流体建模的多流体模型工具的示例系统300。为了简洁起见，省略了在此描述的其它实施例中采用的相似元件的重复描述。
系统300可以包括流体模型工具组件102和/或数据元素库114。流体模型工具组件102可以包括建模组件104，机器学习组件106，3D设计组件108，存储器110和/或处理器112。在图3中所示的实施例中，机器学习组件106可以包括热预测组件302。在某些实施例中，机器学习组件106可以包括热预测组件302和流动预测组件202。热预测组件302可以预测与3D模型相关联的热特性和物理行为。例如，热预测组件302可以执行与关联于3D模型的热特性相关联的机器学习过程。热预测组件302可以基于指示由与3D模型相关联的装置接收到的输入的输入数据来执行机器学习过程。例如，输入数据可以包括指示提供到与3D模型相关联的装置的流体的流体数据。另外地或备选地，输入数据可以包括指示提供到与3D模型相关联的装置的电压和/或电流的电数据。输入数据可以通过热预测组件302用来预测热特性。热特性可以是例如与3D模型的一个或多个区域相关联的温度，与3D模型的一个或多个区域相关联的热容量，与3D模型的一个或多个区域相关联的热膨胀，与3D模型的一个或多个区域相关联的热导率，与3D模型的一个或多个区域相关联的热应力和/或与3D模型的一个或多个区域相关联的另一个热特性。物理行为可以是热特性的物理行为。例如，物理行为可以是热特性的模拟物理和/或变化。此外，物理行为可以是与3D模型相关联的模拟热条件。物理行为还可以包括基于与热特性相关联的一个或多个数学方程确定的相关性和/或行为，例如比如与热特性相关联的质量守恒方程，与热特性相关联的动量守恒方程，与热特性相关联的能量守恒方程，与热特性相关联的角动量守恒方程和/或与热特性相关联的另一个数学方程。
现在参考图4，图示有根据本公开的方面的提供用于跨学科流体建模的多流体模型工具的示例系统400。为了简洁起见，省略了在此描述的其它实施例中采用的相似元件的重复描述。
系统400可以包括流体模型工具组件102和/或数据元素库114。流体模型工具组件102可以包括建模组件104，机器学习组件106，3D设计组件108，存储器110和/或处理器112。在图4中所示的实施例中，机器学习组件106可以包括燃烧预测组件402。在某些实施例中，除了燃烧预测组件402之外，机器学习组件106还可以包括流动预测组件202和/或热预测组件302。燃烧预测组件402可以预测与3D模型相关联的燃烧特性和物理行为。例如，燃烧预测组件402可执行与3D模型相关联的燃烧特性相关联的机器学习过程。燃烧预测组件402可以基于指示由与3D模型相关联的装置接收到的输入的输入数据来执行机器学习过程。例如，输入数据可以包括指示提供到与3D模型相关联的装置的流体的流体数据。另外地或备选地，输入数据可以包括指示提供到与3D模型相关联的装置的电压和/或电流的电数据。另外地或备选地，输入数据可以包括指示提供到与3D模型相关联的装置的化学元素的化学数据。输入数据可以由燃烧预测组件402用来预测燃烧特性。燃烧特性可以是例如与3D模型的一个或多个区域相关联的化学反应有关的信息，例如比如温度测量，热值，元素组成，水分含量，密度，与3D模型的一个或多个区域相关联的声学测量和/或另一个燃烧特性。物理行为可以是燃烧特性的物理行为。例如，物理行为可以是燃烧特性的模拟物理和/或变化。此外，物理行为可以是与3D模型相关联的模拟燃烧条件。物理行为还可以包括基于与燃烧特性相关联的一个或多个数学方程确定的相关性和/或行为，例如比如与燃烧特性相关联的质量守恒方程，与燃烧特性相关联的动量守恒方程，与燃烧特性相关联的能量守恒方程，与燃烧特性相关联的角动量守恒方程和/或与燃烧特性相关联的另一个数学方程。
现在参考图5，图示有根据本公开的方面的提供用于跨学科流体建模的多流体模型工具的示例系统500。为了简洁起见，省略了在此描述的其它实施例中采用的相似元件的重复描述。
系统500可以包括流体模型工具组件102，数据元素库114和用户显示装置502。用户显示装置502可以经由网络504与流体模型工具组件102通信。网络504可以是有线网络和/或无线网络。流体模型工具组件102可以包括建模组件104，机器学习组件106，3D设计组件108，存储器110和/或处理器112。在某些实施例中，机器学习组件106可以包括流动预测组件202，热预测组件302和/或燃烧预测组件402。用户显示装置502可以显示由流体模型工具组件102生成的3D模型和/或3D设计环境。例如，与物理建模数据相关联的3D模型可以在与用户显示装置502的显示器相关联的图形用户界面上呈现。用户显示装置502可以是具有显示器的装置，例如但不限于计算装置，计算机，台式计算机，膝上型计算机，监测器装置，智能装置，智能电话，移动装置，手持装置，平板电脑，便携式计算装置或与显示器相关联的另一个类型的用户装置。
现在参考图6，图示有根据本公开的方面的提供跨学科流体建模的示例系统600。为了简洁起见，省略了在此描述的其它实施例中采用的相似元件的重复描述。
系统600可以包括第一3D模型602和第二3D模型604。第一3D模型602和第二3D模型604可以由建模组件104生成。在方面中，第一3D模型602可以与第一装置相关联，并且第二3D模型604可以与第二装置相关联。在某些实施例中，第一3D模型602和/或第二3D模型604可以基于数据元素库114生成。
系统600还可以包括第一机器学习过程606和第二机器学习过程608。第一机器学习过程606和第二机器学习过程608可以由机器学习组件106执行。此外，第一机器学习过程606可以是与第一3D模型602相关联的机器学习过程并且第二机器学习过程608可以是与第二3D模型604相关联的机器学习过程。在方面中，机器学习组件106可以基于由第一机器学习过程606提供的第一3D模型数据(例如，图6中所示的第一3D模型数据)来执行第二机器学习过程608。第一3D模型数据可以与第一3D模型602相关联。在一个示例中，第一3D模型数据可在第一机器学习过程606期间生成。第一3D模型数据还可包括与第一3D模型602相关联的学习和/或生成的推论相关的信息。另外或备选地，机器学习组件106可基于由第二机器学习过程608提供的第二3D模型数据(例如在图6中示出的第二3D模型数据)来执行第一机器学习过程606。第二3D模型数据可与第二3D模型604相关联。在一个示例中，第二3D模型数据可在第二机器学习过程608期间产生。第二3D模型数据还可包括与第二3D模型604相关联的学习和/或生成的推论相关的信息。在实施例中，建模组件104可在第一机器学习过程606和/或第二机器学习过程608之前集成第一3D模型602和第二3D模型604，以生成机械装置的3D模型。在另一实施例中，建模组件104可在第一机器学习过程606和/或第二机器学习过程608期间集成第一3D模型602和第二3D模型604，以生成机械装置的3D模型。在又一实施例中，建模组件104可在第一机器学习过程606和/或第二机器学习过程608之后集成第一3D模型602和第二3D模型604，以生成机械装置的3D模型。
另外，系统600可以包括物理3D模型610。物理3D模型610可与第一3D模型602和第二3D模型604相关联。例如，物理3D模型610可与由集成第一3D模型602和第二3D模型604所生成的3D模型相关联。物理3D模型610还可以包括由第一机器学习过程606和第二机器学习过程608生成的物理建模数据(例如，图6中所示的物理建模数据)。物理建模数据可以指示与流体动力学，热动力学和/或燃烧动力学相关联的信息。例如，物理建模数据可以在物理3D模型610上呈现以表示与物理3D模型610相关联的装置的流体流动，热特性，燃烧特性和/或物理行为。在一个示例中，物理建模数据可以模拟物理现象，例如但不限于可压缩流体流动，不可压缩流体流动，浮力驱动流动，旋转腔体系统流动，传导传热，对流传热，辐射传热，燃烧平衡化学，物类运输和/或其它物理行为。
图7图示根据本文描述的各个方面和实现的示例3D模型700。3D模型700可例如对应于物理3D模型610和/或由流体模型工具组件102生成的3D模型。3D模型700可图示关于装置的设计的流体动力学、热动力学和/或燃烧动力学。例如，3D模型700可以是这样的3D模型，其中与流体动力学、热动力学和/或燃烧动力学相关联的物理建模数据在装置上被呈现。在方面中，3D模型700可包括3D模型700的装置部分702和在装置部分702上呈现的物理建模数据704。基于物理建模数据704的值，物理建模数据704的视觉特性(例如，颜色，大小，色调，阴影等)可以是动态的。例如，与第一物理建模信息相关联的物理建模数据704的第一部分可包括第一视觉特性并且与第二物理建模信息相关联的物理建模数据704的第二部分可包括第二视觉特性。在实施例中，物理建模数据704可由机器学习组件106所确定。在一个示例中，物理建模数据704可以与一组控制体积和/或关于流体动力学、热动力学和/或燃烧动力学的流动网络相关联。在实施例中，与3D模型700相关联的3D设计环境可包括加热条706。该加热条706可包括一组颜色，其对应于对于物理建模数据704的不同值。例如，在加热条706中的第一颜色(例如颜色红色)可对应于对于物理建模数据704的第一值并且在加热条706中的第二颜色(例如颜色蓝色)可对应于对于物理建模数据704的第二值。在另一实施例中，与3D模型700相关联的3D设计环境可包括侧条708。侧条708可包括用来有助于生成3D模型700和/或物理建模数据704的信息。例如，侧条708可有助于选择一个或多个子组件(例如，流动元件，管，孔，弯曲阀，接头，风扇，压缩器，另一个其它组件等)，其形成3D模型700的装置部分702。在另一示例中，侧条708可有助于选择由物理建模数据704提供的物理建模数据(例如流体动力学、热动力学和/或燃烧动力学等等)的类型。
图8图示根据本文描述的各个方面和实现的示例3D模型800。3D模型800可例如对应于物理3D模型610和/或由流体模型工具组件102生成的3D模型。3D模型800可图示关于装置的设计的流体动力学、热动力学和/或燃烧动力学。例如，3D模型800可以是这样的3D模型，其中与流体动力学、热动力学和/或燃烧动力学相关联的物理建模数据在装置上被呈现。在方面中，3D模型800可包括3D模型800的装置部分802和在装置部分802上呈现的物理建模数据804。基于物理建模数据804的值，物理建模数据804的视觉特性(例如，颜色，大小，色调，阴影等)可以是动态的。例如，与第一物理建模信息相关联的物理建模数据804的第一部分可包括第一视觉特性并且与第二物理建模信息相关联的物理建模数据804的第二部分可包括第二视觉特性。在实施例中，物理建模数据804可由机器学习组件106所确定。在一个示例中，物理建模数据804可以与一组控制体积和/或关于流体动力学、热动力学和/或燃烧动力学的流动网络相关联。在实施例中，与3D模型800相关联的3D设计环境可包括加热条806。该加热条806可包括一组颜色，其对应于对于物理建模数据804的不同值。例如，在加热条806中的第一颜色(例如颜色红色)可对应于对于物理建模数据804的第一值并且在加热条806中的第二颜色(例如颜色蓝色)可对应于对于物理建模数据804的第二值。在另一实施例中，与3D模型800相关联的3D设计环境可包括侧条808。侧条808可包括用来有助于生成3D模型800和/或物理建模数据804的信息。例如，侧条808可有助于选择一个或多个子组件(例如，流动元件，管，孔，弯曲阀，接头，风扇，压缩器，另一个其它组件等)，其形成3D模型800的装置部分802。在另一示例中，侧条808可有助于选择由物理建模数据804提供的物理建模数据(例如流体动力学、热动力学和/或燃烧动力学等等)的类型。
图9图示根据本文描述的各个方面和实现的示例3D模型900。3D模型900可以例如对应于物理3D模型610和/或由流体模型工具组件102生成的3D模型。3D模型900可以图示关于装置的设计的流体动力学，热动力学和/或燃烧动力学。例如，3D模型900可以是3D模型，其中与流体动力学，热动力学和/或燃烧动力学相关联的物理建模数据被呈现在装置上。在方面中，3D模型900可以包括3D模型900的装置部分902和在装置部分902上呈现的物理建模数据904。基于物理建模数据904的值，物理建模数据904的视觉特性(例如，颜色，大小，色调，阴影等)可以是动态的。例如，与第一物理建模信息相关联的物理建模数据904的第一部分可以包括第一视觉特性且与第二物理建模信息相关联的物理建模数据904的第二部分可以包括第二视觉特性。在实施例中，物理建模数据904可以由机器学习组件106确定。在一个示例中，物理建模数据904可以与一组控制体积和/或关于流体动力学，热动力学和/或燃烧动力学的流网络相关联。在实施例中，与3D模型900相关联的3D设计环境可以包括加热条906。加热条906可以包括对应于物理建模数据904的不同值的一组颜色。例如，加热条906中的第一颜色(例如，红色)可以对应于物理建模数据904的第一值，并且加热条906中的第二颜色(例如，蓝色)可以对应于物理建模数据904的第二值。在另一个实施例中，与3D模型900相关联的3D设计环境可以包括侧条908。侧条908可以包括用来促进生成3D模型900和/或物理建模数据904的信息。例如，侧条908可以促进选择形成3D模型900的装置部分902的一个或多个子组件(例如，流动元件，管，孔，弯曲阀，接头，风扇，压缩器，另一个其它组件等)。在另一个示例中，侧条908可以促进选择由物理建模数据904提供的物理建模数据的类型(例如，流动动力学，热动力学，燃烧动力学等)。
图10图示根据本文描述的各个方面和实现的示例3D模型1000。3D模型1000可以例如对应于3D模型610和/或由流体模型工具组件102生成的物理3D模型。3D模型1000可以图示关于装置的设计的流体动力学，热动力学和/或燃烧动力学。例如，3D模型1000可以是这样的3D模型，其中与流体动力学，热动力学和/或燃烧动力学相关联的物理建模数据呈现在装置上。在方面中，3D模型1000可以包括3D模型900的装置部分1002。3D模型1000还可包括在装置部分1002上呈现的第一物理建模数据1004a、第二物理建模数据1004b和第三物理建模数据1004c。基于物理建模数据1004的值，第一物理建模数据1004a，第二物理建模数据1004b和第三物理建模数据1004c的视觉特性(例如，颜色，大小，色调，阴影等)可以是动态的。例如，第一物理建模数据1004a可以包括与第一物理建模数据值相关联的第一视觉特性(例如，黄色)，第二物理建模数据1004b可以包括与第二物理建模数据值相关联的第二视觉特性(例如，绿色)，且第三物理建模数据1004c可以包括与第三物理建模数据值相关联的第三视觉特性(例如，蓝色)。在实施例中，第一物理建模数据1004a，第二物理建模数据1004b和第三物理建模数据1004c可以由机器学习组件106确定。在一个示例中，第一物理建模数据1004a，第二物理建模数据1004b和第三物理建模数据1004c可以与一组控制体积和/或关于流体动力学，热动力学和/或燃烧动力学的流动网络相关联。在实施例中，与3D模型1000相关联的3D设计环境可以包括加热条1006。加热条1006可以包括对应于第一物理建模数据1004a，第二物理建模数据1004b和第三物理建模数据1004c的不同值的一组颜色。例如，加热条1006中的第一颜色(例如，黄色)可以对应于与第一物理建模数据1004a的第一视觉特征相关联的第一物理建模数据值，加热条1006中的第二颜色(例如，绿色)可以对应于与第二物理建模数据1004b的第二视觉特性相关联的第二物理建模数据值，且加热条1006中的第三颜色(例如，蓝色)可以对应于与第三物理建模数据1004c的第三视觉特性相关联的第三物理建模数据值。在另一个实施例中，与3D模型1000相关联的3D设计环境可以包括侧条1008。侧条1008可以包括用于促进生成3D模型1000，第一物理建模数据1004a，第二物理建模数据1004b和/或第三物理建模数据1004c的信息。例如，侧条1008可以促进选择形成3D模型1000的装置部分1002的一个或多个子组件(例如，流动元件，管，孔，弯曲阀，接头，风扇，压缩器，另一个其它组件等)。在另一个示例中，侧条1008可以促进选择由第一物理建模数据1004a，第二物理建模数据1004b和第三物理建模数据1104c提供的物理建模数据的类型(例如，流动动力学，热动力学，燃烧动力学等)。
已经关于几个组件之间的交互描述了前述的系统和/或装置。应当领会的是，这样的系统和组件可以包括其中指定的那些组件或子组件，一些指定的组件或子组件，和/或飞机的组件。子组件也可以实现为可通信地耦合到其它组件而不是包括在母组件中的组件。此外，一个或多个组件和/或子组件可以被组合成提供聚合功能性的单个组件。为了简洁起见，这些组件还可以与一个或多个未在此具体描述，但是本领域技术人员已知的其它组件交互。
图11-15图示根据所公开的主题的方法和/或流程图。为了简化解释，将方法描绘和描述为一系列动作。应当理解和领会，本发明的创新不受所图示的动作和/或动作的顺序的限制，例如动作可以以各种顺序和/或同时发生，并且其中其它动作不在此处提出和描述。此外，并非所有图示的动作都可能要求根据所公开的主题来实现这些方法。另外，本领域的技术人员将理解和领会，方法可以备选地经由状态图或事件表示为一系列相互关联的状态。另外，应当进一步领会，下文和该整个说明书中公开的方法能够存储在制品上以便于将这些方法传输并传送到计算机。如本文使用的术语“制品”意图涵盖可从任何计算机可读装置或存储媒介访问的计算机程序。
参考图11，图示有根据本发明的方面的用于提供跨学科流体建模的方法1100。作为示例，方法1100可用于各种应用，例如但不限于建模系统，航空系统，功率系统，分配式功率系统，能量管理系统，热管理系统，运输系统，油气系统，机械系统，机器系统，装置系统，基于云的系统，加热系统，HVAC系统，医疗系统，汽车系统，飞机系统，水运工具系统，水过滤系统，冷却系统，泵系统，引擎系统，诊断系统，预测系统，机器设计系统，医疗装置系统，医学成像系统，医学建模系统，模拟系统，企业系统，企业成像解决方案系统，先进诊断工具系统，图像管理平台系统，人工智能系统，机器学习系统，神经网络系统等。在1102处，机械装置的3D模型(例如，通过建模组件104)基于存储的数据元素库生成。数据元素库114可以包括用于机械装置的电气组件和/或机械装置的机械组件的一组数据元素。该组数据元素可包括例如几何数据和/或纹理数据以有助于产生3D模型。在实施例中，生成3D模型可以包括集成与第一机械装置相关联的第一3D模型和与第二机械装置相关联的第二3D模型。
在1104处，基于输入数据和与3D模型相关联的机器学习过程预测(例如，通过机器学习组件106)与3D模型相关联的流体流动，热特性，燃烧特性和/或物理行为。例如，机器学习过程可以执行学习和/或可以生成关于与3D模型相关联的流体流动，热特性，燃烧特性和/或物理行为的推论。输入数据可以包括与提供到与3D模型相关联的装置的输入相关联的流体数据，电数据和/或化学数据。物理行为可以指示关于响应于输入数据的与3D模型相关联的整个装置中的流体动力学，热动力学和/或燃烧动力学的行为。在实施例中，预测可以包括执行与第一3D模型相关联的第一机器学习过程且执行与第二3D模型相关联的第二机器学习过程。
在1106处，基于流体流动，热特性，燃烧特性和/或物理行为呈现(例如，通过3D设计组件108)机械装置的物理建模数据。例如，物理建模数据可以指示关于3D模型的流体流动，热特性，燃烧特性和/或物理行为的视觉表示。物理建模数据可以作为动态视觉元素在3D模型上呈现。在实施例中，物理建模数据的呈现可以包括提供与3D模型相关联的3D设计环境。
参考图12，图示有根据本发明的另一个方面的用于提供跨学科流体建模的方法1200。作为示例，方法1200可用于各种应用，例如但不限于建模系统，航空系统，功率系统，分配式功率系统，能量管理系统，热管理系统，运输系统，油气系统，机械系统，机器系统，装置系统，基于云的系统，加热系统，HVAC系统，医疗系统，汽车系统，飞机系统，水运工具系统，水过滤系统，冷却系统，泵系统，引擎系统，诊断系统，预测系统，机器设计系统，医疗装置系统，医学成像系统，医学建模系统，模拟系统，企业系统，企业成像解决方案系统，先进诊断工具系统，图像管理平台系统，人工智能系统，机器学习系统，神经网络系统等。在1202处，机械装置的3D模型(例如，通过建模组件104)基于存储的数据元素库生成。数据元素库114可以包括用于机械装置的电气组件和/或机械装置的机械组件的一组数据元素。该组数据元素可包括例如几何数据和/或纹理数据以助于产生3D模型。在实施例中，生成3D模型可以包括集成与第一机械装置相关联的第一3D模型和与第二机械装置相关联的第二3D模型。
在1204处，执行与3D模型相关联的机器学习过程(例如，通过机器学习组件106)以预测机械装置的一个或多个特性。机器学习过程可以执行学习和/或可以生成用来预测机械装置的一个或多个特性的推论。一个或多个特性可以与3D模型相关联的整个机械装置中的流体动力学，热动力学和/或燃烧动力学有关。例如，一个或多个特性可以包括流体流动特性，热特性，燃烧特性和/或物理行为特性。
在1206处，基于机器学习过程提供(例如，通过3D设计组件108)与呈现机械装置的物理建模数据的3D模型相关联的3D设计环境。3D设计环境可以应用与机器学习过程相关联的一个或多个数字方案来为3D模型创建机器模拟条件的预测。可以使用与图形用户界面相关联的后处理在机械装置的视觉表示上显示和/或分析与机器学习过程相关联的预测。在方面中，3D设计环境可以生成一个或多个特性的模拟预测，所述一个或多个特性可以与3D模型相关联的整个机械装置中的流体动力学，热动力学和/或燃烧动力学有关。例如，3D设计环境可以生成与3D模型相关联的机械装置的流体流动特性，热特性，燃烧特性和/或物理行为特性的模拟预测。
参考图13，图示有根据本发明的又一个方面的用于提供跨学科流体建模的方法1300。作为示例，方法1300可用于各种应用，例如但不限于建模系统，航空系统，功率系统，分配式功率系统，能量管理系统，热管理系统，运输系统，油气系统，机械系统，机器系统，装置系统，基于云的系统，加热系统，HVAC系统，医疗系统，汽车系统，飞机系统，水运工具系统，水过滤系统，冷却系统，泵系统，引擎系统，诊断系统，预测系统，机器设计系统，医疗装置系统，医学成像系统，医学建模系统，模拟系统，企业系统，企业成像解决方案系统，先进诊断工具系统，图像管理平台系统，人工智能系统，机器学习系统，神经网络系统等。在1302处，与第一机械装置相关联的第一3D模型和与第二机械装置相关联的第二3D模型(例如，通过建模组件104)被集成以产生机械装置的3D模型。例如，与第一3D模型相关联的第一组数据元素可与与第二3D模型相关联的第二组数据元素组合。在另一示例中，与第一3D模型相关联的第一几何数据和/或第一纹理数据可与与第二3D模型相关联的第二几何数据和/或第二纹理数据组合。
在1304处，执行与第一3D模型相关联的第一机器学习过程(例如，通过机器学习组件106)。第一机器学习过程可以执行学习和/或可以生成用来预测第一机械装置的一个或多个特性的推论。第一机械装置的一个或多个特性可以与第一3D模型相关联的整个第一机械装置中的流体动力学，热动力学和/或燃烧动力学有关。例如，第一机械装置的一个或多个特性可以包括流体流动特性，热特性，燃烧特性和/或物理行为特性。
在1306处，执行与第二3D模型相关联的第二机器学习过程(例如，通过机器学习组件106)。第二机器学习过程可以执行学习和/或可以生成用来预测第二机械装置的一个或多个特性的推论。第二机械装置的一个或多个特性可以与第二3D模型相关联的整个第二机械装置中的流体动力学，热动力学和/或燃烧动力学有关。例如，第二机械装置的一个或多个特性可以包括流体流动特性，热特性，燃烧特性和/或物理行为特性。
在1308处，基于第一机器学习过程和第二机器学习过程(例如，通过3D设计组件108)呈现机械装置的物理建模数据。物理建模数据可指示由第一机器学习过程和第二机器学习过程所确定和/或预测的与流体动力学，热动力学和/或燃烧动力学相关联的信息。例如，物理建模数据可以在3D模型上呈现，以表示用于与3D模型相关联的机械装置的流体流动，热特性，燃烧特性和/或物理行为。
参考图14，图示有根据本发明的又一个方面的用于提供跨学科流体建模的方法1400。作为示例，方法1400可以用于各种应用，例如但不限于建模系统，航空系统，功率系统，分配式功率系统，能量管理系统，热管理系统，运输系统，油气系统，机械系统，机器系统，装置系统，基于云的系统，加热系统，HVAC系统，医疗系统，汽车系统，飞机系统，水运工具系统，水过滤系统，冷却系统，泵系统，引擎系统，诊断系统，预测系统，机器设计系统，医疗装置系统，医学成像系统，医学建模系统，模拟系统，企业系统，企业成像解决方案系统，先进诊断工具系统，图像管理平台系统，人工智能系统，机器学习系统，神经网络系统等。在1402处，执行第一机器学习过程(例如，通过机器学习组件106)以预测对于装置的3D模型的第一部分的与流体流动，热特性，燃烧特性和/或物理行为相关联的第一物理建模数据。在1404处，执行第二机器学习过程(例如，通过机器学习组件106)以预测对于装置的3D模型的第二部分的与流体流动，热特性，燃烧特性和/或物理行为相关联的第二物理建模数据。
在1406处，(例如，通过机器学习组件106)确定第一物理建模数据是否包括可由第二机器学习过程使用的数据。如果是，方法1400继续到1408。如果否，方法1400继续到1412。在1408处，基于第一物理建模数据执行第二机器学习过程(例如，通过机器学习组件106)以生成更新的第二物理建模数据。然后，方法1400继续到1410。在1410处，第一物理建模数据和更新的第二物理建模数据被覆盖(例如，通过3D设计组件108)在3D模型上。
在1412处，(例如，通过机器学习组件106)确定第二物理建模数据是否包括可由第一机器学习过程使用的数据。如果是，方法1400继续到1414。如果否，方法1400继续到1418。在1414处，基于第二物理建模数据执行第一机器学习过程(例如，通过机器学习组件106)以生成更新的第一物理建模数据。然后，方法1400继续到1416。在1416处，更新的第一物理建模数据和第二物理建模数据被覆盖(例如，通过3D设计组件108)在3D模型上。在1418处，第一物理建模数据和第二物理建模数据被覆盖(例如，通过3D设计组件108)在3D模型上。
参考图15，图示有根据本发明的又一个方面的用于提供跨学科流体建模的方法1500。作为示例，方法1500可以用于各种应用，例如但不限于建模系统，航空系统，功率系统，分配式功率系统，能量管理系统，热管理系统，运输系统，油气系统，机械系统，机器系统，装置系统，基于云的系统，加热系统，HVAC系统，医疗系统，汽车系统，飞机系统，水运工具系统，水过滤系统，冷却系统，泵系统，引擎系统，诊断系统，预测系统，机器设计系统，医疗装置系统，医学成像系统，医学建模系统，模拟系统，企业系统，企业成像解决方案系统，先进诊断工具系统，图像管理平台系统，人工智能系统，机器学习系统，神经网络系统等。在1502处，基于机器学习过程生成的物理建模数据被接收(例如，通过3D设计组件108)。在1504处，物理建模数据被覆盖(例如，通过3D设计组件108)在与物理建模数据相关联的装置的3D模型上。在1506处，具有物理建模数据的3D模型经由与图形用户界面相关联的3D设计环境被显示(例如，通过3D设计组件108)。在1508处，确定(例如，通过机器学习组件106)机器学习过程是否已经生成新输出数据。如果是，方法1500返回到1504(例如，以更新物理建模数据)。如果否，方法1500前进到1510。在1510处，确定(例如，通过机器学习组件106)新输入数据是否已被提供给机器学习过程。新输入数据可以例如是用于能够流过一个或多个3D模型的流体的新的一组参数，用于能够流过一个或多个3D模型的热能的新的一组参数，用于能够流过一个或多个3D模型的燃烧化学反应的新的一组参数，用于流过一个或多个3D模型的电力的新的一组参数和/或提供到一个或多个3D模型的用于输入的新的另一组参数。如果是，方法1500返回到1502(例如，更新物理建模数据)。如果否，方法1500可以结束。
为了提供所公开的主题的各个方面的上下文，图16和图17以及以下讨论意图提供其中可以实现所公开的主题的各个方面的合适环境的简要、一般描述。
参考图16，用于实现本公开的各个方面的合适环境1600包括计算机1612。计算机1612包括处理单元1614，系统存储器1616和系统总线1618。系统总线1618将包括但不限于系统存储器1616的系统组件耦合到处理单元1614。处理单元1614可以是各种可用处理器中的任何一种。双微处理器和其它多处理器架构也可以用作处理单元1614。
系统总线1618可以是包括存储器总线或存储器控制器，外围总线或外部总线和/或使用任何各种可用总线架构的本地总线的几种类型的总线结构中的任何，包括但不限于工业标准架构(ISA)，微通道架构(MSA)，扩展ISA(EISA)，智能驱动电子装置(IDE)，VESA本地总线(VLB)，外围组件互连(PCI)，卡总线，通用串行总线(USB)，先进图形端口(AGP)，个人计算机存储器卡国际协会总线(PCMCIA)，火线(IEEE 1394)和小型计算机系统接口(SCSI)。
系统存储器1616包括易失性存储器1620和非易失性存储器1622。包含例如在启动期间在计算机1612内的元件之间传递信息的基本例程的基本输入/输出系统(BIOS)被存储在非易失性存储器1622中。通过说明而非限制，非易失性存储器1622可以包括只读存储器(ROM)，可编程ROM(PROM)，电可编程ROM(EPROM)，电可擦除可编程ROM(EEPROM)，闪速存储器或非易失性随机存取存储器(RAM)(例如，铁电RAM(FeRAM))。易失性存储器1620包括充当外部高速缓冲存储器的随机存取存储器(RAM)。通过说明而非限制，RAM可以以许多形式例如静态RAM(SRAM)，动态RAM(DRAM)，同步DRAM(SDRAM)，双倍数据速率SDRAM(DDR SDRAM)，增强型SDRAM(ESDRAM)，Synchlink DRAM(SLDRAM)，直接Rambus RAM(DRRAM)，直接Rambus动态RAM(DRDRAM)和Rambus动态RAM可用。
计算机1612还包括可移除/不可移除，易失性/非易失性计算机存储媒介。图16图示例如磁盘存储装置1624。磁盘存储装置1624包括但不限于，例如磁盘驱动器，软盘驱动器，磁带驱动器，Jaz驱动器，Zip驱动器，LS-100驱动器，闪速存储器卡，或记忆棒的装置。磁盘存储装置1624还可以包括单独的存储媒介或与其它存储介质组合的存储媒介，包括但不限于光盘驱动器例如压缩光盘ROM装置(CD-ROM)，CD可记录驱动器(CD-R驱动器)，CD可擦写驱动器(CD-RW驱动器)或数字多功能磁盘ROM驱动器(DVD-ROM)。为了便于磁盘存储装置1624连接到系统总线1618，通常使用可移除或不可移除的接口，例如接口1626。
图16还描绘用作用户和合适的操作环境1600中描述的基本计算机资源之间的媒介的软件。这样的软件包括例如操作系统1628。可以存储在磁盘存储装置1624上的操作系统1628起作用以便控制和分配计算机系统1612的资源。系统应用程序1630通过例如存储在系统存储器1616中或磁盘存储装置1624上的操作系统1628到程序模块1632和程序数据1634利用资源管理。应当领会，本公开可以用各种操作系统或操作系统的组合来实现。
用户通过一个或多个输入装置1636将命令或信息输入到计算机1612中。输入装置1636包括但不限于定点装置例如鼠标，轨迹球，手写笔，触摸板，键盘，麦克风，操纵杆，游戏手柄，卫星天线，扫描仪，电视调谐卡，数字照相机，数字摄像机，网络照相机等。这些和其它输入装置经由一个或多个接口端口1638通过系统总线1618连接到处理单元1614。一个或多个接口端口1638包括例如串行端口，并行端口，游戏端口和通用串行总线(USB)。一个或多个输出装置1640使用与一个或多个输入装置1636相同类型的一些端口。因此，例如，可以使用USB端口来向计算机1612提供输入，并且将来自计算机1612的信息输出到输出装置1640。提供输出适配器1642来图示一些输出装置1640，如监测器，扬声器和打印机连同其它输出装置1640，其要求特殊的适配器。通过说明而非限制，输出适配器1642包括提供输出装置1640和系统总线1618之间的连接手段的视频和声卡。应当注意的是，其它装置和/或装置系统提供输入和输出能力二者，例如一个或多个远程计算机1644。
计算机1612可以使用到一个或多个远程计算机(例如一个或多个远程计算机1644)的逻辑操作在联网环境中操作。一个或多个远程计算机1644可以是个人计算机，服务器，路由器，网络PC，工作站，基于微处理器的装置，对等装置或其它常见网络节点等，并且通常包括相对于计算机1612描述的许多或全部元件。为了简洁起见，仅图示具有一个或多个远程计算机1644的存储器存储装置1646。一个或多个远程计算机1644通过网络接口1648逻辑地连接到计算机1612，并且然后经由通信连接1650物理连接。网络接口1648囊括有线和/或无线通信网络例如局域网(LAN)，广域网(WAN)，蜂窝网络等。LAN技术包括光纤分配式数据接口(FDDI)，铜线分配式数据接口CDDI)，以太网，令牌环等。WAN技术包括但不限于点对点链路，电路交换网络如综合业务数字网络(ISDN)及在其上的变体，分组交换网络和数字用户线路(DSL)。
一个或多个通信连接1650是指用来将网络接口1648连接到总线1618的硬件/软件。尽管通信连接1650在计算机1612内用于清楚说明而显示，但它也可以在计算机1612外部。连接到网络接口1648所需的硬件/软件仅为了示范性目的而包括内部和外部技术，例如包括常规电话级调制解调器，电缆调制解调器和DSL调制解调器，ISDN适配器和以太网卡的调制解调器。
图17是本公开的主题可与其交互的样品计算环境1700的示意性框图。系统1700包括一个或多个客户端1710。客户端1710可以是硬件和/或软件(例如，线程，进程，计算装置)。系统1700还包括一个或多个服务器1730。因此，系统1700可以对应于两层客户端服务器模型或多层模型(例如，客户端，中间层服务器，数据服务器)连同其它模型。服务器1730也可以是硬件和/或软件(例如，线程，进程，计算装置)。例如，服务器1730可以容纳线程以通过采用本公开来执行变换。客户端1710和服务器1730之间的一种可能的通信可以采取在两个或更多个计算机进程之间传输的数据分组的形式。
系统1700包括可以用来促进一个或多个客户端1710和一个或多个服务器1730之间的通信的通信框架1750。一个或多个客户端1710可操作地连接到一个或多个客户端数据存储设备1720，该一个或多个客户端数据存储设备1720可用来存储客户端1710本地的信息。类似地，一个或多个服务器1730可操作地连接到一个或多个服务器数据存储设备1740，其可用于存储服务器1730本地的信息。
应当注意，本公开的方面或特征可以以基本上任何无线电信或无线电技术，例如Wi-Fi；蓝牙；全球微波接入互操作性(WiMAX)；增强型通用分组无线电业务(增强型 GPRS)；第三代合作伙伴计划(3GPP)长期演进(LTE)；第三代合作伙伴计划2(3GPP2)超移动宽带(UMB)；3GPP通用移动电信系统(UMTS)；高速分组接入(HSPA)；高速下行链路分组接入(HSDPA)；高速上行分组接入(HSUPA)；GSM(全球移动通信系统)EDGE(增强型数据速率GSM演进)无线电接入网(GERAN)；UMTS陆地无线电接入网络(UTRAN)；高级LTE(LTE-A)；等来利用。另外，本文描述的一些或所有方面可以用于传统电信技术，例如GSM。另外，移动以及非移动网络(例如因特网，数据服务网络例如因特网协议电视(IPTV)等)可以利用本文描述的方面或特征。
虽然以上已经在一个和/或多个计算机上运行的计算机程序的计算机可运行指令的一般上下文中描述了主题，但是本领域技术人员将认识到本公开还能够或可以与其它程序模块组合实现。通常，程序模块包括执行特定任务和/或实现特定抽象数据类型的例程，程序，组件，数据结构等。此外，本领域的技术人员将会领会，本发明的方法可以用其它计算机系统配置来实践，包括单处理器或多处理器计算机系统，小型计算装置，大型计算机以及个人计算机，手持式计算装置(例如，PDA，电话)，基于微处理器的或可编程的消耗装置或工业电子装置等。所图示的方面还可以在分配式计算环境中实现，其中任务由通过通信网络链接的远程处理装置执行。然而，本公开的一些(如果不是全部的话)可以在独立计算机上实践。在分配式计算环境中，程序模块可以位于本地和远程存储器存储装置中。
如本申请中所用的，术语“组件”，“系统”，“平台”，“接口”等可以指和/或可以包括计算机相关实体或与具有一个或多个特定功能性的操作机器相关的实体。本文公开的实体可以是硬件，硬件和软件的组合，软件或运行中的软件。例如，组件可以但不限于是在处理器上运行的进程，处理器，对象，可运行文件，运行的线程，程序和/或计算机。通过说明，在服务器上运行的应用程序和服务器二者都可以是组件。一个或多个组件可以位于进程和/或运行的线程内，且组件可以位于一个计算机上和/或分布在两个或多个计算机之间。
在另一个示例中，相应组件可以从其上存储有各种数据结构的各种计算机可读媒介运行。组件可以经由例如根据具有一个或多个数据分组(例如，来自与本地系统，分配式系统中的另一个组件，和/或经由信号跨网络例如互联网与其它系统交互的一个组件的数据)的信号的本地和/或远程进程进行通信。作为另一个示例，组件可以是具有由电气或电子电路操作的机械部件提供的特定功能性的装置，其由处理器运行的软件或固件应用程序操作。在这种情况下，处理器可以在装置的内部或外部，且可以运行软件或固件应用程序的至少一部分。作为又一个示例，组件可以是通过不具有机械部件的电子组件提供特定功能性的装置，其中该电子组件可以包括处理器或其它装置以运行软件或固件，该软件或固件至少部分地赋予电子组件的功能性。在方面中，组件可以经由例如在云计算系统内的虚拟机模拟电子组件。
另外，术语“或”意图表示包含性的“或”而不是排他性的“或”。也就是说，除非另有指定，或从上下文中清楚地，“X采用A或B”意图表示任何自然的包含性排列。也就是说，如果X采用A；X采用B；或X采用A和B二者，则在任何上述实例下满足“X采用A或B”。此外，如在本说明书和附图中使用的冠词“一”和“一个”通常应当被解释为表示“一个或多个”，除非另有指定或从上下文清楚地指向单数形式。
如本文所用的，术语“示例”和/或“示范性”用来表示用作示例，实例或说明。为了避免疑义，本文公开的主题不受这些示例的限制。另外，本文中作为“示例”和/或“示范性”描述的任何方面或设计不一定被解释为相对于其它方面或设计是优选的或有利的，也不意味着排除了本领域的普通技术人员已知的等同示范性结构和技术。
本文描述的各个方面或特征可以实现为使用标准编程或工程技术的方法，装置，系统或制品。另外，本公开中公开的各个方面或特征可以通过实现本文公开的至少一个或多个方法的程序模块来实现，所述程序模块存储在存储器中并且由至少处理器运行。硬件和软件或硬件和固件的其它组合可以实现或实施本文所述的方面，包括所公开的一个或多个方法。如本文使用的术语“制品”可以涵盖可从任何计算机可读装置，载体或存储媒介访问的计算机程序。例如，计算机可读存储媒介可以包括但不限于磁存储装置(例如，硬盘，软盘，磁条......)，光盘(例如，压缩光盘(CD)，数字多功能光盘(DVD)，蓝光光盘(BD)......)，智能卡和闪速存储器装置(例如卡，棒，键驱动器......)等。
当它在本说明书中被采用时，术语“处理器”可以指基本上任何计算处理单元或装置，包括但不限于单核处理器；具有软件多线程运行能力的单处理器；多核处理器；具有软件多线程运行能力的多核处理器；具有硬件多线程技术的多核处理器；并行平台；和具有分配式共享存储器的并行平台。另外，处理器可以指集成电路，专用集成电路(ASIC)，数字信号处理器(DSP)，现场可编程门阵列(FPGA)，可编程逻辑控制器(PLC)，复杂可编程逻辑装置(CPLD)，分立门或者晶体管逻辑，分立硬件组件或被设计为执行本文描述的功能的其任何组合。此外，处理器可以利用纳米级架构，例如但不限于基于分子和量子点的晶体管，开关和栅极，以优化空间使用或增强用户设备的性能。处理器也可以实现为计算处理单元的组合。
在本公开中，术语例如“存储设备”，“存储装置”，“数据存储设备”，“数据存储装置”，“数据库”和与组件的操作和功能性相关的基本上任何其它信息存储组件用来指“存储组件”，体现在“存储器”中的实体或包含存储器的组件。应当领会的是，本文描述的存储器和/或存储组件可以是易失性存储器或非易失性存储器，或可以包括易失性和非易失性存储器。
通过说明而非限制，非易失性存储器可以包括只读存储器(ROM)，可编程ROM(PROM)，电可编程ROM(EPROM)，电可擦除ROM(EEPROM)，闪速存储器或非易失性随机存取存储器(RAM)(例如，铁电RAM(FeRAM)。例如，易失性存储器可以包括RAM，它可以充当外部高速缓冲存储器。通过说明而非限制，RAM以许多形式可用，例如同步RAM(SRAM)，动态RAM(DRAM)，同步DRAM(SDRAM)，双倍数据速率SDRAM(DDR SDRAM)，增强型SDRAM(ESDRAM)，Synchlink DRAM(SLDRAM)，直接Rambus RAM(DRRAM)，直接Rambus动态RAM(DRDRAM)和Rambus动态RAM(RDRAM)。另外，本文所公开的系统或方法的存储组件意图包括但不限于包括这些和任何其它合适类型的存储器。
应当领会和理解，如关于特定系统或方法描述的组件可以包括与如关于本文公开的其它系统或方法描述的相应组件(例如，分别命名的组件或类似命名的组件)相同或类似的功能性。
以上描述的内容包括提供本公开的优点的系统和方法的示例。当然，不可能的是为了描述本公开的目的而描述组件或方法的每个可想到的组合，但是本领域的普通技术人员可以认识到，本公开的许多进一步的组合和排列是可能的。此外，就在详述、权利要求、附录和附图中使用术语“包括”、“具有”、“拥有”等而言，这样的术语意图以类似于术语“包含”的方式是包括性的，如当“包含”在权利要求中用作过渡词时被解释。

Claims (10)

1. 一种系统，包括：
存储计算机可运行组件的存储器；以及
配置成运行存储在所述存储器中的以下计算机可运行组件的处理器：
基于存储的数据元素库而生成机械装置的三维模型的建模组件；
基于输入数据和与所述三维模型相关联的机器学习过程而预测所述机械装置的一个或多个特性的机器学习组件；以及
提供与所述三维模型相关联的三维设计环境的三维设计组件，其中所述三维设计环境基于所述输入数据和所述三维模型上的所述机械装置的所述一个或多个特性而呈现所述机械装置的物理建模数据。
2.根据权利要求1所述的系统，其中所述建模组件集成与第一机械装置相关联的第一三维模型和与第二机械装置相关联的第二三维模型以便生成所述三维模型。
3.根据权利要求2所述的系统，其中所述机器学习组件执行与所述第一三维模型相关联的第一机器学习过程和与所述第二三维模型相关联的第二机器学习过程。
4.根据权利要求3所述的系统，其中所述机器学习组件基于与所述第二三维模型相关联的数据执行所述第一机器学习过程。
5.根据权利要求3所述的系统，其中所述机器学习组件基于与所述第一三维模型相关联的数据而执行所述第二机器学习过程。
6.根据权利要求3所述的系统，其中所述机器学习组件经由所述第一机器学习过程确定所述第一机械装置的一个或多个第一特性且经由所述第二机器学习过程确定所述第二机械装置的一个或多个第二特性。
7.根据权利要求6所述的系统，其中所述机器学习组件基于所述第一机械装置的所述一个或多个第一特性和所述第二机械装置的所述一个或多个第二特性而预测所述机械装置的所述一个或多个特性。
8.根据权利要求2所述的系统，其中所述机器学习组件基于所述输入数据而有助于在所述第一三维模型和所述第二三维模型之间的交互。
9.根据权利要求1所述的系统，其中所述三维设计组件在所述三维模型上呈现所述物理建模数据。
10.根据权利要求1所述的系统，其中输入数据包括指示由所述机械装置接收到的流体的流体数据，且其中所述三维设计环境基于所述流体数据和所述三维模型上的所述机械装置的所述一个或多个特性而呈现所述机械装置的所述物理建模数据。
CN201810194306.3A 2017-03-10 2018-03-09 用于跨学科流体建模的多流体模型工具 Active CN108573525B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201762469953P 2017-03-10 2017-03-10
US62/469953 2017-03-10
US15/627,105 US10803211B2 (en) 2017-03-10 2017-06-19 Multiple fluid model tool for interdisciplinary fluid modeling
US15/627105 2017-06-19

Publications (2)

Publication Number Publication Date
CN108573525A true CN108573525A (zh) 2018-09-25
CN108573525B CN108573525B (zh) 2022-08-30

Family

ID=61616777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810194306.3A Active CN108573525B (zh) 2017-03-10 2018-03-09 用于跨学科流体建模的多流体模型工具

Country Status (3)

Country Link
US (1) US10803211B2 (zh)
EP (1) EP3373167A1 (zh)
CN (1) CN108573525B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684723A (zh) * 2018-12-24 2019-04-26 哈尔滨工程大学 一种二维结构内部声学性能分析方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10977397B2 (en) 2017-03-10 2021-04-13 Altair Engineering, Inc. Optimization of prototype and machine design within a 3D fluid modeling environment
US10803211B2 (en) 2017-03-10 2020-10-13 General Electric Company Multiple fluid model tool for interdisciplinary fluid modeling
US10409950B2 (en) 2017-03-10 2019-09-10 General Electric Company Systems and methods for utilizing a 3D CAD point-cloud to automatically create a fluid model
US11538591B2 (en) 2017-03-10 2022-12-27 Altair Engineering, Inc. Training and refining fluid models using disparate and aggregated machine data
US10867085B2 (en) * 2017-03-10 2020-12-15 General Electric Company Systems and methods for overlaying and integrating computer aided design (CAD) drawings with fluid models
CN112836179B (zh) * 2021-02-07 2023-07-14 北京中关村水木医疗科技有限公司 模拟医疗器械运输环境的方法和装置
CN113051688B (zh) * 2021-04-09 2022-04-19 中山大学 一种叶片叶型外形几何的计算方法、装置及设备
CN113639805B (zh) * 2021-10-14 2022-02-18 成都万江港利科技股份有限公司 一种基于渠道断面流速场重建的流量测量方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101216949A (zh) * 2008-01-14 2008-07-09 浙江大学 一种基于区域分割和分段学习的三维人脸动画制作的方法
CN102819861A (zh) * 2012-07-25 2012-12-12 广州供电局有限公司 电力系统三维设备场景建模方法
US20130124166A1 (en) * 2011-11-15 2013-05-16 Jack Gammill Clemens Modeling operation of a tool in a wellbore
US20130124176A1 (en) * 2011-11-15 2013-05-16 Philip Edmund Fox Modeling Passage of a Tool Through a Well
CN103294850A (zh) * 2013-04-27 2013-09-11 苏州市数字城市工程研究中心有限公司 一种三维动态流体仿真算法智能匹配方法

Family Cites Families (60)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7690840B2 (en) 1999-12-22 2010-04-06 Siemens Energy, Inc. Method and apparatus for measuring on-line failure of turbine thermal barrier coatings
US8914300B2 (en) 2001-08-10 2014-12-16 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US8711144B2 (en) 2006-08-01 2014-04-29 Siemens Medical Solutions Usa, Inc. Perception-based artifact quantification for volume rendering
AU2009234284A1 (en) 2008-04-11 2009-10-15 Terraspark Geosciences, Llc Visulation of geologic features using data representations thereof
US20100180236A1 (en) 2009-01-09 2010-07-15 Lin Alan C Setting and previewing method of dynamically orienting 3D models and machines readable medium thereof
US20100332373A1 (en) 2009-02-26 2010-12-30 Jason Crabtree System and method for participation in energy-related markets
US8526701B2 (en) 2009-05-12 2013-09-03 Ge Healthcare Limited Image analysis method and system
WO2012012664A2 (en) 2010-07-21 2012-01-26 Moehrle Armin E Image reporting method
US9051825B2 (en) 2011-01-26 2015-06-09 Schlumberger Technology Corporation Visualizing fluid flow in subsurface reservoirs
US8970592B1 (en) 2011-04-19 2015-03-03 Lucasfilm Entertainment Company LLC Simulating an arbitrary number of particles
US20120330869A1 (en) 2011-06-25 2012-12-27 Jayson Theordore Durham Mental Model Elicitation Device (MMED) Methods and Apparatus
WO2013046227A2 (en) 2011-09-03 2013-04-04 Tata Consultancy Services Limited Design optimization for cooling
US11074495B2 (en) * 2013-02-28 2021-07-27 Z Advanced Computing, Inc. (Zac) System and method for extremely efficient image and pattern recognition and artificial intelligence platform
US9916538B2 (en) * 2012-09-15 2018-03-13 Z Advanced Computing, Inc. Method and system for feature detection
GB2496386A (en) * 2011-11-08 2013-05-15 Ge Aviat Systems Ltd Method for integrating models of a vehicle health management system
EP2629247B1 (en) * 2012-02-15 2014-01-08 Alcatel Lucent Method for mapping media components employing machine learning
US8548828B1 (en) 2012-05-09 2013-10-01 DermTap Method, process and system for disease management using machine learning process and electronic media
US9323886B2 (en) 2012-06-26 2016-04-26 Honda Motor Co., Ltd. Performance predicting apparatus, performance predicting method, and program
US9177419B2 (en) 2012-06-27 2015-11-03 Pixar Advection of UV texture maps in fluid flows
US8989501B2 (en) * 2012-08-17 2015-03-24 Ge Aviation Systems Llc Method of selecting an algorithm for use in processing hyperspectral data
US10860557B2 (en) 2013-03-13 2020-12-08 Salesforce.Com, Inc. Systems, methods, and apparatuses for implementing change value indication and historical value comparison
WO2014152339A1 (en) 2013-03-14 2014-09-25 Robert Bosch Gmbh Time and environment aware graphical displays for driver information and driver assistance systems
US20140281712A1 (en) * 2013-03-15 2014-09-18 General Electric Company System and method for estimating maintenance task durations
PL2984837T3 (pl) 2013-04-08 2018-07-31 Ge Video Compression, Llc Predykcja międzykomponentowa
US20150068703A1 (en) * 2013-09-06 2015-03-12 Ge Aviation Systems Llc Thermal management system and method of assembling the same
JP2016532475A (ja) 2013-10-08 2016-10-20 スミス アンド ネフュー インコーポレーテッド Ｘ線画像内で骨の形態学的関心領域を最適に可視化するための方法
US9836885B1 (en) 2013-10-25 2017-12-05 Appliance Computing III, Inc. Image-based rendering of real spaces
CA2938853A1 (en) 2014-02-21 2015-08-27 Ge Aviation Systems Llc System and method of fault detection
US9367005B2 (en) 2014-06-04 2016-06-14 Lexmark International, Inc. Imaging device and method for determining operating parameters
US9420132B2 (en) 2014-08-11 2016-08-16 Lexmark International, Inc. Scanner option assembly for an image forming device
FR3025918B1 (fr) 2014-09-11 2018-04-06 Snapkin Procede et systeme de modelisation automatisee d'une piece
US20160284122A1 (en) 2015-03-26 2016-09-29 Intel Corporation 3d model recognition apparatus and method
CA2925171A1 (en) * 2015-03-26 2016-09-26 Chevron U.S.A. Inc. Methods, apparatus, and systems for steam flow profiling
US10345764B2 (en) 2015-04-27 2019-07-09 Baker Hughes, A Ge Company, Llc Integrated modeling and monitoring of formation and well performance
US10280722B2 (en) 2015-06-02 2019-05-07 Baker Hughes, A Ge Company, Llc System and method for real-time monitoring and estimation of intelligent well system production performance
US10068385B2 (en) 2015-12-15 2018-09-04 Intel Corporation Generation of synthetic 3-dimensional object images for recognition systems
US9904867B2 (en) 2016-01-29 2018-02-27 Pointivo, Inc. Systems and methods for extracting information about objects from scene information
US9760690B1 (en) 2016-03-10 2017-09-12 Siemens Healthcare Gmbh Content-based medical image rendering based on machine learning
US11396795B2 (en) 2016-03-11 2022-07-26 Halliburton Energy Services, Inc. Fracture network fluid flow simulation with enhanced fluid-solid interaction force determination
WO2017188858A1 (en) 2016-04-28 2017-11-02 Schlumberger Canada Limited Reservoir performance system
US10044712B2 (en) 2016-05-31 2018-08-07 Microsoft Technology Licensing, Llc Authentication based on gaze and physiological response to stimuli
EP3255581A1 (en) * 2016-06-10 2017-12-13 General Electric Company Digital pattern prognostics
US10237587B2 (en) * 2016-06-10 2019-03-19 Nokia Of America Corporation Transporting out-of-band signals in distributed cable systems
US20180085927A1 (en) * 2016-09-28 2018-03-29 International Business Machines Corporation Optimizing a layout of objects in a space
US20180093419A1 (en) 2016-09-30 2018-04-05 Velo3D, Inc. Three-dimensional objects and their formation
US10281902B2 (en) 2016-11-01 2019-05-07 Xometry, Inc. Methods and apparatus for machine learning predictions of manufacture processes
US20180165418A1 (en) 2016-12-08 2018-06-14 Welltok, Inc. Health recommendations based on extensible health vectors
US20180165604A1 (en) 2016-12-09 2018-06-14 U2 Science Labs A Montana Systems and methods for automating data science machine learning analytical workflows
WO2018117890A1 (en) 2016-12-21 2018-06-28 Schlumberger Technology Corporation A method and a cognitive system for predicting a hydraulic fracture performance
US20180239874A1 (en) 2017-02-21 2018-08-23 Welltok, Inc. Dynamic intervention for individuals based on detected contextual factors
US11538591B2 (en) * 2017-03-10 2022-12-27 Altair Engineering, Inc. Training and refining fluid models using disparate and aggregated machine data
US10867085B2 (en) * 2017-03-10 2020-12-15 General Electric Company Systems and methods for overlaying and integrating computer aided design (CAD) drawings with fluid models
US10409950B2 (en) * 2017-03-10 2019-09-10 General Electric Company Systems and methods for utilizing a 3D CAD point-cloud to automatically create a fluid model
US10803211B2 (en) 2017-03-10 2020-10-13 General Electric Company Multiple fluid model tool for interdisciplinary fluid modeling
US10977397B2 (en) * 2017-03-10 2021-04-13 Altair Engineering, Inc. Optimization of prototype and machine design within a 3D fluid modeling environment
US10198550B2 (en) * 2017-04-04 2019-02-05 Globalfoundries Inc. SRAF insertion with artificial neural network
US10755002B2 (en) * 2017-05-12 2020-08-25 Ge-Hitachi Nuclear Energy Americas Llc Method and apparatus for facilitating creation of simulation model
US11214380B2 (en) * 2017-05-31 2022-01-04 General Electric Company Intelligent mission thermal management system
US20180351635A1 (en) * 2017-05-31 2018-12-06 General Electric Company Aircraft mission execution advisor
US10740509B2 (en) 2017-08-14 2020-08-11 Autodesk, Inc. Machine learning three-dimensional fluid flows for interactive aerodynamic design

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101216949A (zh) * 2008-01-14 2008-07-09 浙江大学 一种基于区域分割和分段学习的三维人脸动画制作的方法
US20130124166A1 (en) * 2011-11-15 2013-05-16 Jack Gammill Clemens Modeling operation of a tool in a wellbore
US20130124176A1 (en) * 2011-11-15 2013-05-16 Philip Edmund Fox Modeling Passage of a Tool Through a Well
CN102819861A (zh) * 2012-07-25 2012-12-12 广州供电局有限公司 电力系统三维设备场景建模方法
CN103294850A (zh) * 2013-04-27 2013-09-11 苏州市数字城市工程研究中心有限公司 一种三维动态流体仿真算法智能匹配方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684723A (zh) * 2018-12-24 2019-04-26 哈尔滨工程大学 一种二维结构内部声学性能分析方法
CN109684723B (zh) * 2018-12-24 2022-05-10 哈尔滨工程大学 一种二维结构内部声学性能分析方法

Also Published As

Publication number Publication date
EP3373167A1 (en) 2018-09-12
CN108573525B (zh) 2022-08-30
US10803211B2 (en) 2020-10-13
US20180260502A1 (en) 2018-09-13

Similar Documents

Publication Publication Date Title
CN108573089A (zh) 利用3d cad点云自动创建流体模型的系统和方法
CN108573090A (zh) 用于将流体模型与计算机辅助设计(cad)图重叠和整合的系统和方法
CN108573525A (zh) 用于跨学科流体建模的多流体模型工具
US20210232732A1 (en) Optimization of Prototype and Machine Design within a 3D Fluid Modeling Environment
US11538591B2 (en) Training and refining fluid models using disparate and aggregated machine data
CN107291973A (zh) 针对紧急行为的仿真增强现实系统
Tian et al. Fast and self-learning indoor airflow simulation based on in situ adaptive tabulation
Zheng et al. Difference mapping method using least square support vector regression for variable-fidelity metamodelling
Zaghloul Machine-Learning aided Architectural Design-Synthesize Fast CFD by Machine-Learning
Han et al. On improving efficiency and accuracy of variable-fidelity surrogate modeling in aero-data for loads context
Konomi et al. Bayesian Treed Calibration: an application to carbon capture with AX sorbent
Zhao et al. Integrating internet of things and mixed reality to teach performance-based architectural design: a case study of shading devices
Pektaş et al. Virtual prototyping for open building design
Zhang et al. ORCANet: Differentiable multi‐parameter learning for crowd simulation
Luo et al. The smart robot crafting approach to computing materials
Zacharewicz et al. Modelling of the operating process in a marine diesel engine
WO2020056107A1 (en) Automated simulation pipeline for fast simulation driven computer aided design
De Groote et al. Inverse parametric uncertainty identification using polynomial chaos and high-order moment matching benchmarked on a wet friction clutch
Helal et al. Digital Twins Approaches and Methods Review
Hajinazar et al. Construction of interatomic potentials for multicomponent systems with stratified neural networks
Clucas et al. Use of additive manufacture and Stirling Engines as engineering education tools
Strauch Modeling! N the Social Sciences: an Approach To Good Theory and Good Policy
Bell access: v. 22, no. 02, Summer 2009

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20210301

Address after: michigan

Applicant after: ALTAIR ENGINEERING, Inc.

Address before: New York State, USA

Applicant before: General Electric Co.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant