CN110348059B - 一种基于结构化网格的通道内流场重构方法 - Google Patents
一种基于结构化网格的通道内流场重构方法 Download PDFInfo
- Publication number
- CN110348059B CN110348059B CN201910506395.5A CN201910506395A CN110348059B CN 110348059 B CN110348059 B CN 110348059B CN 201910506395 A CN201910506395 A CN 201910506395A CN 110348059 B CN110348059 B CN 110348059B
- Authority
- CN
- China
- Prior art keywords
- field
- data
- flow field
- network
- grid
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于结构化网格的通道内流场重构方法,该方法用于从流动换热模型已知的几何参数、边界条件以及流体参数重构出包括温度场、压力场与速度场在内的流场数据。本发明通过采集流动换热模型的流场数据,将其转化为矩阵形式,建立GAN网络实现对流场数据的重构,实现了低时间成本,低计算成本,低经济成本下完整有效的流场重构技术。本发明计算快,易更改,可替代CFD技术进行换热装置的优化设计;可以获取完整的温度场、压力场以及速度场数据,有利于数据处理并研究整体的流动换热情况,相比于复杂的实验方法有着极大的优势。
Description
技术领域
本发明属于流动换热技术领域,具体涉及一种基于结构化网格的通道内流场重构方法。
背景技术
在传统流动传热领域,获取一个流场信息一般有两种方法,一种是利用计算机进行CFD数值模拟,另一种便是实验测试。近年来,数值模拟与实验测试都取得了不同程度的发展与进步。实验研究方法逐步向红外成像与瞬态测试分析等方向发展,一方面缩短了实验周期,另一方面使得实验测试的流场数据可视化程度逐渐提高。数值模拟随着计算机性能的不断提升以及计算模型的不断完善极大的便利了流动传热的研究。
随着计算机计算能力的提升和人工智能的发展,越来越多的传统工业问题采用人工智能算法得到了新的解决方案。在传统热力学与流体力学领域,深度学习的应用越来越深入,应用范围越来越广泛。一部分深度学习的应用仅限于构建有关热力学参数的代理模型,一部分应用基于前期流场数据预测后期流场数据。针对每一种案例而言,传统的CFD方法往往耗费的计算时间与计算资源较大,无法获取即时信息,实验方法只能使用红外成像获取温度场信息且实验器材造价昂贵。
发明内容
本发明的目的在于提供一种基于结构化网格的通道内流场重构方法,该方法基于模型的几何参数,边界条件参数以及流体参数等已知信息,采GAN网络进行流场重构,可以获取温度场,压力场与速度场的流场信息,大幅度减少计算时间成本,降低经济成本,快速重构不同参数的流场。
本发明采用如下技术方案来实现的:
一种基于结构化网格的通道内流场重构方法,包括以下步骤:
1)获取流动传热模型数据
需要采集的数据包括已知信息数据以及相对应的流场数据;其中已知信息数据包括几何尺寸信息,边界条件信息以及流体参数信息,任何需要变化的数据均能够作为输入数据,Inputn,i为某条件下流体通道的已知信息数据;流场数据包括网格节点位置信息,温度场信息,压力场信息以及速度场信息,针对每一种条件下的流体通道进行数值拟合计算,导出网格节点信息,获取初始流场数据Field0 n,j,g以及结构化网格节点位置信息Grid0 n,m,g,Inputn,i和Field0 n,j,g,Grid0 n,m,g一一对应;其中n=1,2,3...,N,N为测量流体通道模型总数,i=1,2,3...,I,I为已知参数总数,j=1,2,3...,J,分别表示网格节点温度场,压力场与速度场,J为记录流场参数总数,g=1,2,3...,G,表示网格节点,G为网格节点总数,m=1,2,3,分别表示网格节点x坐标,y坐标,z坐标;
2)流场数据预处理以及数据归一化
通道内流动换热模型的结构化网格总能够表示为规则的矩阵形式,将初始流场数据Field0 n,j,g根据位置信息Grid0n,m,g按照网格位置排序转化为可读取的矩阵格式Fieldn,j,k,l,h,对应位置信息做相同的变换得到为Gridn,m,k,l,h;其中k=1,2,3...,K,K为x方向节点总数,l=1,2,3...,L,L为y方向节点总数,h=1,2,3...,H,H为z方向节点总数,若模型为二维模型,则H=1,处理后的流场数据Fieldn,j,k,l,h退化为四维数组;对所有的已知信息数据Inputn,i与处理后的流场数据Fieldn,j,k,l,h进行归一化处理;
3)针对流动换热模型数据划分训练集与验证集
对于流场重构网络,输入为Inputn,i,将输入Inputn,i随机打乱,按照4:1的比例分为训练集(Inputn×0.8,i)train与验证集(Inputn×0.2,i)validate,对应流场数据同时分为(Fieldn×0.8,j,k,l,h)train与(Fieldn×0.2,j,k,l,h)validate,对应的网格数据同时分为(Gridn×0.8,m,k,l,h)train与(Gridn×0.2,m,k,l,h)validate;
4)搭建流场重构网络
首先,采用二维反卷积/三维反卷积构建一个生成器G Net,建立从已知数据Inputn,i到二维/三维流场数据Fieldn,j,k,l,h的过程;其次,采用二维卷积/三维卷积构建一个判别器D Net,用于分辨真实原始流场与使用生成器G Net生成的重构流场;
5)训练基于GAN的流场重构网络
首先,从D Net网络开始训练,D Net希望能提高对真实流场与重构流场的分辨能力;紧随D Net网络的一次训练,进行G Net网络训练,此时希望重构流场能欺骗D Net网络,使得分辨网络分辨不出重构流场;经过G Net生成网络与D Net分辨网络之间的相互博弈获得成功的生成网络用于重构流场;
6)流动换热模型流场重构
首先根据步骤将输入的已知信息(Inputn,i)test归一化化后传入生成器G Net,获得重构流场(Fieldn,j,k,l,h)test,根据重构流场(Fieldn,j,k,l,h)test与对应网格位置信息(Gridn,m,k,l,h)test计算流动换热模型相关热力学与流体力学参数。
本发明进一步的改进在于,还包括以下步骤:
7)算法维护
在实际应用的过程中,如果已知信息少于预计已知信息或者已知信息增多,则将获取已知数据按照步骤1)、2)、3)进行处理,采用已经训练完毕的GAN网络参数作为预训练模型,对整体神经网络在此基础上重新开始训练。
本发明进一步的改进在于,步骤6)中,流动换热模型相关热力学与流体力学参数包括但不限于努塞尔数、范宁系数、体平均温度。
本发明进一步的改进在于,步骤2)中,对已知信息数据集Inputn,i的数据固定n,归一化的方法如下:
Maxi=Max(Inputn,i|1≤n≤N)
Mini=Min(Inputn,i|1≤n≤N)
流场数据Fieldn,j,k,l,h的归一化操作与之相似,固定n,k,l与h,归一化操作如下:
Maxj=Max(Fieldn,j,k,l,h|1≤n≤N,1≤k≤K,1≤l≤L,1≤h≤H)
Minj=Min(Fieldn,j,k,l,h|1≤n≤N,1≤k≤K,1≤l≤L,1≤h≤H)
其中,Inputn,i与Fieldn,j,k,l,h表示归一化之前的数据,Input′n,i与Field′n,j,k,l,h表示归一化之后的数据,Maxi/Maxj表示第i/j种数据性质的所有数据的最大值,Mini/Minj表示第i/j种数据性质的所有数据的最小值,为了方便描述和表示,归一化后的数据采用Inputn,i与Fieldn,j,k,l,h表示。
本发明进一步的改进在于,步骤4)中,用于流场重构的GAN网络中,D Net网络能够采用任何有效的卷积网络构架,G Net网络能够使用与D Net网络构架不对称的反卷积网络构架。
本发明进一步的改进在于,步骤4)中,流场重构GAN网络采用二分类损失函数BCE_loss与加权平均损失函数WMSE_loss的加权平均值作为该网络的总体损失函数;二分类损失函数BCE_loss公式如下:
BCE_loss=minGmaxDV(D,G)=EField[log(D(Fieldn,j,k,l,h))]+EInput[log(1-D(G(Inputn,i)))]
其中,D(·)表示对样本采用判别器D Net进行判别,G(·)表示对样本采用生成器G Net生成重构流场,EField[·]与EInput[·]表示对括号内变量求期望值;
加权平均损失函数如下:
其中,wi为每一个网格节点处重构流场数据与原始流场数据绝对值的权值,该权值在边界层网格处可适当增加以提高在边界层处的准确度;K×H×L为网格节点总数;Field′n,j,k,l,h为生成网络G Net生成的重构流场数据,Fieldn,j,k,l,h为原始真实的流场数据;
流场重构GAN网络的总损失函数如下:
Loss=W1×GAN_loss+W2×WMSE_loss
其中W1是二分类损失函数BCE_loss的权值,而W2是加权平均损失函数WMSE_loss的权值。
本发明进一步的改进在于,步骤5)中,在训练网络的过程中,首先设置优化器为Adam,初始学习率设置为0.01,训练20步;然后将优化器设置为SGD,之后在训练每100步时,将学习率降低为原来的1/10。
本发明进一步的改进在于,步骤7)中,采用之前训练完成的部分网络参数作为预训练模型,训练过程中优化器采用SGD梯度下降算法,初始学习率设置为0.001,之后每100步学习率衰减为原来学习率的1/10。
本发明具有如下有益的技术效果:
本发明提供的一种基于结构化网格的通道内流场重构方法,用于从流动换热模型已知的几何参数、边界条件以及流体参数重构出包括温度场、压力场与速度场在内的流场数据。本发明通过采集流动换热模型的流场数据,将其转化为矩阵形式,建立GAN网络,进行对流场数据的重构,实现了低时间成本,低计算成本,低经济成本下完整有效的流场重构技术。本发明计算快,易更改,可替代CFD技术进行换热装置的优化设计;可以获取完整的温度场、压力场以及速度场数据,有利于数据处理并研究整体的流动换热情况,相比于复杂的实验方法有着极大的优势。
相比现有技术,本发明通过提取流体通道的几何信息与边界条件信息等已知信息,采用GAN网络发掘已知信息与流场数据之间的内在关系,得到重构流场,根据重构流场可以获取各种相关热力学与流体力学参数等。该方法的优势在于,一方面,针对每一种案例而言,传统的CFD方法往往耗费的计算时间与计算资源较大,无法获取即时信息,而本发明在获GAN网络参数后所需计算时间与计算资源都将极大的降低,可以获取即时信息,可以替代CFD计算;实验方法只能使用红外成像获取温度场信息且实验器材造价昂贵,而本发明不需要建造实际模型便可以保留完整的流场信息,极大降低了经济成本。另一方面,与其他深度学习与流动传热的交叉应用相比,由于本发明可以实现由已知信息到流场的之间直接转换,在数据提取与分析上有着显而易见的优势。
附图说明
图1是本发明基于结构化网格的流场重构的流程图;
图2是本发明二维流动换热模型网格划分示例图;
图3是本发明二维流动换热模型网格划分局部示例图;
图4是本发明GAN流场重构网络说明图;
图5是本发明D Get与G Net网络构架说明图;
图6是本发明案例1的二维温度场重构效果图;
图7是本发明案例1的二维X方向速度场重构效果图;
图8是本发明案例1的二维Y方向速度场重构效果图;
图9是本发明案例2的二维温度场重构效果图;
图10是本发明案例2的二维X方向速度场重构效果图;
图11是本发明案例2的二维Y方向速度场重构效果图。
具体实施方式
下面根据发明内容,与实施例相结合对本发明进行进一步详细说明。如下所述为对本发明的一种应用,但并不局限于此,实施人员可根据具体情况对其中参数进行修改。
现有一个无限长矩形通道,其中矩形通道的上壁面有三个无限长球窝槽如图2所示,包括入口延伸段1、流动主体2以及出口延伸段3,球窝槽部分的局部放大图如图3所示。
第一步,获取流动传热模型数据
采集该模型的已知信息数据以及相对应的流场数据。其中已知信息数据包括几何尺寸信息(球窝直径,球窝相对深度,以及球窝间隔),边界条件信息(雷诺数,壁面热流密度)以及流体参数信息(纳米流体体积分数),Inputn,i为某条件下流体通道的已知信息数据。流场数据包括网格节点位置信息,温度场信息,压力场信息以及速度场信息,针对每一种条件下的流体通道进行数值拟合计算,导出网格节点信息,获取初始流场数据Field0 n,j,g以及网格节点位置信息Grid0 n,m,g,Inputn,i和Field0 n,j,g,Grid0 n,m,g一一对应。贴近壁面处的边界层网格4如图3所示,需要满足第一层边界层厚度的要求。其中n=1,2,3...,N,N为测量流体通道模型总数,i=1,2,3...,I,I为已知参数总数,j=1,2,3...,J,分别表示网格节点温度场,压力场与速度场,J为记录流场参数总数,g=1,2,3...,G,G为网格节点总数,m=1,2,3,分别表示网格节点x坐标,y坐标,z坐标。
第二步,流场数据预处理以及数据归一化
如图2和图3所示,该模型的网格节点为规则的矩阵形式,则将初始流场数据Field0 n,j,g根据位置信息Grid0 n,m,g按照网格位置排序转化为可读取的矩阵格式Fieldn,j,k,l,h,对应位置信息做相同的变换得到为Gridn,m,k,l,h。其中k=1,2,3...,K,K为x方向节点总数,l=1,2,3...,L,L为y方向节点总数,h=1,2,3...,H,H为z方向节点总数,因为模型为二维模型,则H=1,处理后的流场数据Fieldn,j,k,l,h退化为四维数组。对所有的已知信息数据Inputn,i与处理后的流场数据Fieldn,j,k,l,h进行归一化处理。
对已知信息数据集Inputn,i的数据固定n,归一化的方法如下:
Maxi=Max(Inputn,i|1≤n≤N)
Mini=Min(Inputn,i|1≤n≤N)
为例,流场数据Fieldn,j,k,l,h与之相似,固定n,k,l与h,归一化操作如下:
Maxj=Max(Fieldn,j,k,l,h|1≤n≤N,1≤k≤K,1≤l≤L,h=1)
Minj=Min(Fieldn,j,k,l,h|1≤n≤N,1≤k≤K,1≤l≤L,h=1)
其中,Inputn,i与Fieldn,j,k,l,h表示归一化之前的数据,Input′n,i与Field′n,j,k,l,h表示归一化之后的数据,Maxi/Maxj表示第i/j种数据性质(对于已知信息数据,分别是几何参数、边界条件以及流体参数;对于流场数据,分别是温度、压力与速度)的所有数据的最大值,Mini/Minj表示第i/j种数据性质的所有数据的最小值,为了方便描述和表示,归一化后的数据采用Inputn,i与Fieldn,j,k,l,h表示。
3)针对流动换热模型数据划分训练集与验证集
对于流场重构网络,输入为Inputn,i,将输入Inputn,i随机打乱,按照4:1的比例分为训练集(Inputn×0.8,i)train与验证集(Inputn×0.2,i)validate,对应流场数据为(Fieldn,j,k,l,h)train与(Fieldn,j,k,l,h)validate;
第四步,搭建流场重构GAN网络
首先,采用二维反卷积构建一个生成网络G Net,建立从已知数据Inputn,i到二维流场数据Fieldn,j,k,l,h的生成网络,G Net网络构架采用经典ResNet网络,共18层,具体网络结构如图4所示;其次,采用二维卷积构建一个判别网络D Net,用于分辨真实原始流场与使用生成网络G Net生成的重构流场,D Net网络采用与G Net网络构架对称的ResNet网络构架,共18层,最后的全连接层输出更改为2,具体网络结构如图4所示。
流场重构GAN网络采用二分类损失函数BCE_loss与加权平均损失函数WMSE_loss的加权平均值作为该网络的总体损失函数。二分类损失函数BCE_loss公式如下:
BCE_loss=minGmaxDV(D,G)=EField[log(D(Fieldn,j,k,l,h))]+EInput[log(1-D(G(Inputn,i)))]
其中,D(·)表示对样本采用判别器D Net进行判别,G(·)表示对样本采用生成器G Net生成重构流场,EField[·]与EInput[·]表示对括号内变量求期望值。
加权平均损失函数如下:
其中,wi为每一个网格节点处重构流场数据与原始流场数据绝对值的权值,该权值在边界层网格处可适当增加以提高在边界层处的准确度;K×H×L为网格节点总数;Field′n,j,k,l,h为生成网络G Net生成的重构流场数据,Fieldn,j,k,l,h为原始真实的流场数据。
流场重构GAN网络的总损失函数如下:
Loss=W1×GAN_loss+W2×WMSE_loss
其中W1是二分类损失函数BCE_loss的权值,而W2是加权平均损失函数WMSE_loss的权值。
第五步,训练基于GAN的流场重构网络
首先,从D Net网络开始训练,D Net希望能提高对真实流场与重构流场的分辨能力;紧随D Net网络的一次训练,进行G Net网络训练,此时希望重构流场能欺骗D Net网络,使得分辨网络分辨不出重构流场;经过G Net生成网络与D Net分辨网络之间的相互博弈获得成功的生成网络用于重构流场。
在训练网络的过程中,首先设置优化器为Adam,初始学习率设置为0.01,训练20步;然后将优化器设置为SGD,之后在训练每100步时,将学习率降低为原来的1/10。
第六步,流动换热模型流场重构
将训练好的流场重构模型用于重构二维流场,以两种已知信息的案例为例,其中第一个案例的温度场,与各方向速度场的重构效果分别如图6-8所示,第二个案例的温度场,与各方向速度场的重构效果分别如图9-11所示。每个重构效果图中分别包含了原始流场以及球窝局部放大图、重构流场以及球窝局部放大图和绝对误差以及球窝局部放大图。原始温度场与重构温度场的绝对误差最大不超过1K,重构温度场与原始温度场几乎相同。原始速度场与重构速度场的绝对误差最大不超过0.02,重构速度场与原始速度场几乎相同。根据重构流场Field′n,j,k,l,h与对应网格位置信息Gridn,m,k,l,h计算流动换热模型相关热力学与流体力学参数,努塞尔数、范宁系数、体平均温度等。
第七步,算法维护
在实际应用的过程中,如果已知信息少于预计已知信息或者已知信息增多,则将获取已知数据按照步骤1)、2)、3)进行处理,采用已经训练完毕的GAN网络参数(除了第一层全连接层)作为预训练模型,训练过程中优化器采用SGD梯度下降算法,初始学习率设置为0.001,之后每100步学习率衰减为原来学习率的1/10。
Claims (8)
1.一种基于结构化网格的通道内流场重构方法,其特征在于,包括以下步骤:
1)获取流动换热模型数据
需要采集的数据包括已知信息数据以及相对应的流场数据;其中已知信息数据包括几何尺寸信息,边界条件信息以及流体参数信息,任何需要变化的数据均能够作为输入数据,Inputn,i为某条件下流体通道的已知信息数据;流场数据包括网格节点位置信息,温度场信息,压力场信息以及速度场信息,针对每一种条件下的流体通道进行数值拟合计算,导出网格节点信息,获取初始流场数据Field0 n,j,g以及结构化网格节点位置信息Grid0 n,m,g,Inputn,i和Field0 n,j,g,Grid0 n,m,g一一对应;其中n=1,2,3...,N,N为测量流体通道模型总数,i=1,2,3...,I,I为已知参数总数,j=1,2,3...,J,分别表示网格节点温度场,压力场与速度场,J为记录流场参数总数,g=1,2,3...,G,表示网格节点,G为网格节点总数,m=1,2,3,分别表示网格节点x坐标,y坐标,z坐标;
2)流场数据预处理以及数据归一化
通道内流动换热模型的结构化网格总能够表示为规则的矩阵形式,将初始流场数据Field0 n,j,g根据位置信息Grid0 n,m,g按照网格位置排序转化为可读取的矩阵格式Fieldn,j,k,l,h,对应位置信息做相同的变换得到为Gridn,m,k,l,h;其中k=1,2,3...,K,K为x方向节点总数,l=1,2,3...,L,L为y方向节点总数,h=1,2,3...,H,H为z方向节点总数,若模型为二维模型,则H=1,处理后的流场数据Fieldn,j,k,l,h退化为四维数组;对所有的已知信息数据Inputn,i与处理后的流场数据Fieldn,j,k,l,h进行归一化处理;
3)针对流动换热模型数据划分训练集与验证集
对于流场重构网络,输入为Inputn,i,将输入Inputn,i随机打乱,按照4:1的比例分为训练集(Inputn×0.8,i)train与验证集(Inputn×0.2,i)validate,对应流场数据同时分为(Fieldn×0.8,j,k,l,h)train与(Fieldn×0.2,j,k,l,h)validate,对应的网格数据同时分为(Gridn×0.8,m,k,l,h)train与(Gridn×0.2,m,k,l,h)validate;
4)搭建流场重构网络
首先,采用二维反卷积/三维反卷积构建一个生成器G Net,建立从已知数据Inputn,i到二维/三维流场数据Fieldn,j,k,l,h的过程;其次,采用二维卷积/三维卷积构建一个判别器DNet,用于分辨真实原始流场与使用生成器G Net生成的重构流场;
5)训练基于GAN的流场重构网络
首先,从D Net网络开始训练,D Net希望能提高对真实流场与重构流场的分辨能力;紧随D Net网络的一次训练,进行G Net网络训练,此时希望重构流场能欺骗D Net网络,使得分辨网络分辨不出重构流场;经过G Net生成网络与D Net分辨网络之间的相互博弈获得成功的生成网络用于重构流场;
6)流动换热模型流场重构
首先根据步骤将输入的已知信息(Inputn,i)test归一化化后传入生成器G Net,获得重构流场(Fieldn,j,k,l,h)test,根据重构流场(Fieldn,j,k,l,h)test与对应网格位置信息(Gridn,m,k,l,h)test计算流动换热模型相关热力学与流体力学参数。
2.根据权利要求1所述的一种基于结构化网格的通道内流场重构方法,其特征在于,还包括以下步骤:
7)算法维护
在实际应用的过程中,如果已知信息少于预计已知信息或者已知信息增多,则将获取已知数据按照步骤1)、2)、3)进行处理,采用已经训练完毕的GAN网络参数作为预训练模型,对整体神经网络在此基础上重新开始训练。
3.根据权利要求1或2所述的一种基于结构化网格的通道内流场重构方法,其特征在于,步骤6)中,流动换热模型相关热力学与流体力学参数包括但不限于努塞尔数、范宁系数、体平均温度。
4.根据权利要求1或2所述的一种基于结构化网格的通道内流场重构方法,其特征在于,步骤2)中,对已知信息数据集Inputn,i的数据固定n,归一化的方法如下:
Maxi=Max(Inputn,i|1≤n≤N)
Mini=Min(Inputn,i|1≤n≤N)
流场数据Fieldn,j,k,l,h的归一化操作与之相似,固定n,k,l与h,归一化操作如下:
Maxj=Max(Fieldn,j,k,l,h|1≤n≤N,1≤k≤K,1≤l≤L,1≤h≤H)
Minj=Min(Fieldn,j,k,l,h|1≤n≤N,1≤k≤K,1≤l≤L,1≤h≤H)
其中,Inputn,i与Fieldn,j,k,l,h表示归一化之前的数据,Input′n,i与Field′n,j,k,l,h表示归一化之后的数据,Maxi/Maxj表示第i/j种数据性质的所有数据的最大值,Mini/Minj表示第i/j种数据性质的所有数据的最小值,为了方便描述和表示,归一化后的数据采用Inputn,i与Fieldn,j,k,l,h表示。
5.根据权利要求4所述的一种基于结构化网格的通道内流场重构方法,其特征在于,步骤4)中,用于流场重构的GAN网络中,D Net网络能够采用任何有效的卷积网络构架,G Net网络能够使用与D Net网络构架不对称的反卷积网络构架。
6.根据权利要求4所述的一种基于结构化网格的通道内流场重构方法,其特征在于,步骤4)中,流场重构GAN网络采用二分类损失函数BCE_loss与加权平均损失函数WMSE_loss的加权平均值作为该网络的总体损失函数;二分类损失函数BCE_loss公式如下:
BCE_loss=minGmaxDV(D,G)=EField[log(D(Fieldn,j,k,l,h))]+EInput[log(1-D(G(Inputn,i)))]
其中,D(·)表示对样本采用判别器D Net进行判别,G(·)表示对样本采用生成器GNet生成重构流场,EField[·]与EInput[·]表示对括号内变量求期望值;
加权平均损失函数如下:
其中,wi为每一个网格节点处重构流场数据与原始流场数据绝对值的权值,该权值在边界层网格处可适当增加以提高在边界层处的准确度;K×H×L为网格节点总数;Field′n,j,k,l,h为生成网络G Net生成的重构流场数据,Fieldn,j,k,l,h为原始真实的流场数据;
流场重构GAN网络的总损失函数如下:
Loss=W1×BCE_loss+W2×WMSE_loss
其中W1是二分类损失函数BCE_loss的权值,而W2是加权平均损失函数WMSE_loss的权值。
7.根据权利要求6所述的一种基于结构化网格的通道内流场重构方法,其特征在于,步骤5)中,在训练网络的过程中,首先设置优化器为Adam,初始学习率设置为0.01,训练20步;然后将优化器设置为SGD,之后在训练每100步时,将学习率降低为原来的1/10。
8.根据权利要求6所述的一种基于结构化网格的通道内流场重构方法,其特征在于,步骤7)中,采用之前训练完成的部分网络参数作为预训练模型,训练过程中优化器采用SGD梯度下降算法,初始学习率设置为0.001,之后每100步学习率衰减为原来学习率的1/10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910506395.5A CN110348059B (zh) | 2019-06-12 | 2019-06-12 | 一种基于结构化网格的通道内流场重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910506395.5A CN110348059B (zh) | 2019-06-12 | 2019-06-12 | 一种基于结构化网格的通道内流场重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110348059A CN110348059A (zh) | 2019-10-18 |
CN110348059B true CN110348059B (zh) | 2021-03-12 |
Family
ID=68181907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910506395.5A Active CN110348059B (zh) | 2019-06-12 | 2019-06-12 | 一种基于结构化网格的通道内流场重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110348059B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111177882B (zh) * | 2019-12-05 | 2021-11-19 | 西安交通大学 | 一种基于深度迁移学习的piv流场恢复方法 |
CN111444614B (zh) * | 2020-03-26 | 2021-12-28 | 西安交通大学 | 一种基于图卷积的流场重构方法 |
CN111859746B (zh) * | 2020-07-10 | 2022-12-09 | 西安交通大学 | 一种基于流场重构的透平机械变工况性能预测方法 |
CN112464583B (zh) * | 2020-11-04 | 2023-03-14 | 空气动力学国家重点实验室 | 一种考虑激波和边界层的网格生成方法 |
CN113808248B (zh) * | 2021-03-10 | 2022-07-29 | 北京航空航天大学 | 基于物理感知的三维流体逆向建模方法 |
CN113688578B (zh) * | 2021-07-13 | 2023-05-23 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于多变量融合的流场关键时间步提取与重构方法 |
WO2023064297A1 (en) * | 2021-10-11 | 2023-04-20 | Deep Forest Sciences, Inc. | Foundation model based fluid simulations |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017222991A1 (en) * | 2016-06-22 | 2017-12-28 | Exa Corporation | Flow-induced noise source contribution |
CN108595752A (zh) * | 2018-03-19 | 2018-09-28 | 哈尔滨工程大学 | 一种面向核动力装置仿真应用的单相水流体网络仿真方法 |
CN108717722A (zh) * | 2018-04-10 | 2018-10-30 | 天津大学 | 基于深度学习和sph框架的流体动画生成方法及装置 |
CN108763718A (zh) * | 2018-05-23 | 2018-11-06 | 西安交通大学 | 绕流物体和工况改变时流场特征量的快速预测方法 |
CN109800516A (zh) * | 2019-01-24 | 2019-05-24 | 电子科技大学 | 一种基于dcgan的多孔质材料内流场模型构建方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10345132B2 (en) * | 2012-05-04 | 2019-07-09 | The Regents Of The University Of California | Multi-plane method for three-dimensional particle image velocimetry |
CN106897537B (zh) * | 2017-03-14 | 2018-08-28 | 清华大学 | 含三维或曲面外形结构体的温度场与热流同时重构方法 |
CN108021755A (zh) * | 2017-12-06 | 2018-05-11 | 中国恩菲工程技术有限公司 | 多孔介质的对流换热系数的确定方法 |
-
2019
- 2019-06-12 CN CN201910506395.5A patent/CN110348059B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017222991A1 (en) * | 2016-06-22 | 2017-12-28 | Exa Corporation | Flow-induced noise source contribution |
CN108595752A (zh) * | 2018-03-19 | 2018-09-28 | 哈尔滨工程大学 | 一种面向核动力装置仿真应用的单相水流体网络仿真方法 |
CN108717722A (zh) * | 2018-04-10 | 2018-10-30 | 天津大学 | 基于深度学习和sph框架的流体动画生成方法及装置 |
CN108763718A (zh) * | 2018-05-23 | 2018-11-06 | 西安交通大学 | 绕流物体和工况改变时流场特征量的快速预测方法 |
CN109800516A (zh) * | 2019-01-24 | 2019-05-24 | 电子科技大学 | 一种基于dcgan的多孔质材料内流场模型构建方法 |
Non-Patent Citations (2)
Title |
---|
A Deep Learning based Approach to Reduced Order Modeling;Arvind T. Mohan,Datta V. Gaitonde;《arXiv:1804.09269v1》;20180424;正文第1-22页 * |
基于深度学习的稀疏流场处理方法的研究与实现;熊晔颖;《中国优秀硕士学位论文全文数据库 基础科学辑》;20181015;A004-14 * |
Also Published As
Publication number | Publication date |
---|---|
CN110348059A (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348059B (zh) | 一种基于结构化网格的通道内流场重构方法 | |
CN109345507B (zh) | 一种基于迁移学习的大坝图像裂缝检测方法 | |
CN111814875B (zh) | 基于样式生成对抗网络的红外图像中舰船样本扩充方法 | |
Zhou et al. | Wall model based on neural networks for LES of turbulent flows over periodic hills | |
Dong et al. | Crowd counting by using Top-k relations: a mixed ground-truth CNN framework | |
CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
CN105787557A (zh) | 一种计算机智能识别的深层神经网络结构设计方法 | |
CN111028319B (zh) | 一种基于面部运动单元的三维非真实感表情生成方法 | |
Xiong et al. | Multi-block domain adaptation with central moment discrepancy for fault diagnosis | |
CN110689118A (zh) | 一种基于YOLO V3-tiny改进的目标检测方法 | |
CN104463148B (zh) | 基于图像重构和哈希算法的人脸识别方法 | |
He et al. | Flow completion network: Inferring the fluid dynamics from incomplete flow information using graph neural networks | |
Li et al. | Fast flow field prediction of hydrofoils based on deep learning | |
CN109615577A (zh) | 基于卷积网络的高光谱图像超分辨处理方法 | |
Song et al. | Reconstruction of RANS model and cross-validation of flow field based on tensor basis neural network | |
CN117037841A (zh) | 基于层级过渡网络的声学信号层级空化强度识别方法 | |
CN110728352A (zh) | 一种基于深度卷积神经网络的大规模图像分类方法 | |
Zhang et al. | Data-model-interactive enhancement-based Francis turbine unit health condition assessment using graph driven health benchmark model | |
CN116071582A (zh) | 一种空间和通道加权和动态非对称卷积的物体识别方法 | |
CN111444614B (zh) | 一种基于图卷积的流场重构方法 | |
CN115310311A (zh) | 一种金属材料在谱载荷下疲劳寿命计算方法 | |
Corsini et al. | Machine learnt synthetic turbulence for LES inflow conditions | |
CN114004295A (zh) | 一种基于对抗增强的小样本图像数据拓展方法 | |
Shen et al. | Time series data augmentation classifier for industrial process imbalanced fault diagnosis | |
CN114004170A (zh) | 基于有限测点的叶栅流场的重构方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |