CN111724487B - 一种流场数据可视化方法、装置、设备及存储介质 - Google Patents
一种流场数据可视化方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111724487B CN111724487B CN202010568718.6A CN202010568718A CN111724487B CN 111724487 B CN111724487 B CN 111724487B CN 202010568718 A CN202010568718 A CN 202010568718A CN 111724487 B CN111724487 B CN 111724487B
- Authority
- CN
- China
- Prior art keywords
- target
- source
- feedback force
- fluid velocity
- data set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013079 data visualisation Methods 0.000 title claims abstract description 28
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 239000012530 fluid Substances 0.000 claims abstract description 159
- 238000005457 optimization Methods 0.000 claims abstract description 63
- 238000009826 distribution Methods 0.000 claims abstract description 57
- 230000006978 adaptation Effects 0.000 claims abstract description 50
- 230000000007 visual effect Effects 0.000 claims abstract description 24
- 238000013507 mapping Methods 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000009466 transformation Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012800 visualization Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000013508 migration Methods 0.000 abstract description 8
- 230000005012 migration Effects 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 3
- 230000005514 two-phase flow Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/24—Fluid dynamics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/28—Force feedback
Landscapes
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本申请公开了一种流场数据可视化方法,该方法包括以下步骤:获得源领域和目标领域的数据集;对源领域和目标领域的数据集进行联合分布适配,获得优化目标;基于优化目标、源流体速度样本和目标流体速度样本,对源VR反馈力标签进行迁移,预测获得目标领域的目标VR反馈力;根据目标VR反馈力对目标领域的流场数据进行VR可视化展示。应用本申请实施例所提供的技术方案,通过对源领域中已有的反馈力迁移,可以得到目标领域中准确的VR反馈力,从而方便进行相应的VR可视化展示。本申请还公开了一种流场数据可视化装置、设备及存储介质,具有相应技术效果。
Description
技术领域
本申请涉及计算机应用技术领域,特别是涉及一种流场数据可视化方法、装置、设备及存储介质。
背景技术
随着计算机技术的快速发展、终端设备的轻量化发展,VR(Virtual Reality,虚拟现实)技术也快速发展起来,逐渐应用于沉浸式游戏、制造维修、辅助医疗、科学问题可视化和教育教学演示等领域。
近年来,流体力学研究和应用中引入VR技术,能够直接观测流场中各种流动结构,如涡结构形成、发展和破碎现象,以及流体中裹挟的大量固体颗粒的运动行为。VR技术不仅有助于对流动问题的科学理解,也可以很好地辅助指导相关工业生产,如通过VR技术直观观测原材料的导入速度、浓度等状态,制造出性能更稳定的产品。VR技术应用于流体力学研究和相关工业生产时,本质上面对的是固体-流体两相流问题。在具体实施时,获得通过计算机数值模拟方法计算得到的流场数据,如流体速度信息和VR反馈力(即流场中固体的受力信息),通过VR技术来进一步指导研究和生产。
综上所述,如何准确获得VR反馈力,以便利用VR反馈力进行流场数据的可视化,是目前本领域技术人员急需解决的技术问题。
发明内容
本申请的目的是提供一种流场数据可视化方法、装置、设备及存储介质,以准确VR反馈力,方便进行流场数据的可视化。
为解决上述技术问题,本申请提供如下技术方案:
一种流场数据可视化方法,包括:
获得源领域的数据集和目标领域的数据集,所述源领域的数据集至少包括源流体速度样本和源VR反馈力标签,一组所述源流体速度样本对应一个所述源VR反馈力标签,所述目标领域的数据集至少包括目标流体速度样本;
对所述源领域的数据集和所述目标领域的数据集进行联合分布适配,获得优化目标;
基于所述优化目标、所述源流体速度样本和所述目标流体速度样本,对所述源VR反馈力标签进行迁移,预测获得所述目标领域的目标VR反馈力;
根据所述目标VR反馈力对所述目标领域的流场数据进行VR可视化展示。
在本申请的一种具体实施方式中,所述基于所述优化目标、所述源流体速度样本和所述目标流体速度样本,对所述源VR反馈力标签进行迁移,预测获得所述目标领域的目标VR反馈力,包括:
对所述优化目标进行求解,确定变换矩阵;
利用所述变换矩阵,获得所述源流体速度样本和所述目标流体速度样本的映射结果;
基于所述源流体速度样本的映射结果和所述源VR反馈力标签,在所述目标流体速度样本的映射结果上预测获得所述目标领域的目标VR反馈力。
在本申请的一种具体实施方式中,所述基于所述源流体速度样本的映射结果和所述源VR反馈力标签,在所述目标流体速度样本的映射结果上预测获得所述目标领域的目标VR反馈力,包括:
基于所述源流体速度样本的映射结果和所述源VR反馈力标签,训练获得目标回归模型;
通过所述目标回归模型,在所述目标流体速度样本的映射结果上预测获得所述目标领域的目标VR反馈力。
在本申请的一种具体实施方式中,所述对所述优化目标进行求解,确定变换矩阵,包括:
使用正则化线性回归、支持向量机、主成分分析中的至少一种方式对所述优化目标进行求解,确定变换矩阵。
在本申请的一种具体实施方式中,所述对所述源领域的数据集和所述目标领域的数据集进行联合分布适配,获得优化目标,包括:
对所述源领域的数据集和所述目标领域的数据集进行边缘概率分布适配,获得第一距离;
对所述源领域的数据集和所述目标领域的数据集进行类条件概率分布适配,获得第二距离;
结合所述第一距离和所述第二距离,获得优化目标。
在本申请的一种具体实施方式中,所述对所述源领域的数据集和所述目标领域的数据集进行边缘概率分布适配,获得第一距离,包括:
使用最大均值方差适配所述源领域的数据集和所述目标领域的数据集的边缘概率分布,获得第一距离。
在本申请的一种具体实施方式中,所述对所述源领域的数据集和所述目标领域的数据集进行类条件概率分布适配,获得第二距离,包括:
确定所述目标领域的初始VR反馈力;
将所述初始VR反馈力确定为适配VR反馈力;
对所述源流体速度样本和所述目标流体速度样本进行分类处理;
基于所述源流体速度样本、所述源VR反馈力标签、所述目标流体速度样本和所述适配VR反馈力,分别针对每个类别进行类条件概率分布适配,获得第二距离。
在本申请的一种具体实施方式中,所述对所述源流体速度样本和所述目标流体速度样本进行分类处理,包括:
分别将所述源流体速度样本和所述目标流体速度样本的均值按照从大到小排序,均匀分为多个类别。
在本申请的一种具体实施方式中,在所述预测获得所述目标领域的目标VR反馈力之后、所述根据所述目标VR反馈力对所述目标领域的流场信息进行VR可视化展示之前,还包括:
将所述目标VR反馈力确定为所述适配VR反馈力;
迭代执行所述基于所述源流体速度样本、所述源VR反馈力标签、所述目标流体速度样本和所述适配VR反馈力,分别针对每个类别进行类条件概率分布适配,获得第二距离的步骤,直至达到设定结束条件,获得迭代后的所述目标VR反馈力。
一种流场数据可视化装置,包括:
数据集获得模块,用于获得源领域的数据集和目标领域的数据集,所述源领域的数据集至少包括源流体速度样本和源VR反馈力标签,一组所述源流体速度样本对应一个所述源VR反馈力标签,所述目标领域的数据集至少包括目标流体速度样本;
优化目标获得模块,用于对所述源领域的数据集和所述目标领域的数据集进行联合分布适配,获得优化目标;
VR反馈力预测模块,用于基于所述优化目标、所述源流体速度样本和所述目标流体速度样本,对所述源VR反馈力标签进行迁移,预测获得所述目标领域的目标VR反馈力;
可视化展示模块,用于根据所述目标VR反馈力对所述目标领域的流场数据进行VR可视化展示。
一种流场数据可视化设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述任一项所述流场数据可视化方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述流场数据可视化方法的步骤。
应用本申请实施例所提供的技术方案,获得源领域的数据集和目标领域的数据集之后,对两个领域的数据集进行联合分布适配,获得优化目标,基于优化目标、源流体速度样本和目标流体速度样本,对源VR反馈力标签进行迁移,预测获得目标领域的目标VR反馈力,从而根据目标VR反馈力对目标领域的流场数据进行VR可视化展示。即通过对源领域中已有的反馈力迁移,可以得到目标领域中准确的VR反馈力,从而方便进行相应的VR可视化展示。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中一种流场数据可视化方法的实施流程图;
图2为本申请实施例中VR反馈力预测过程示意图;
图3为本申请实施例中一种流场数据可视化装置的结构示意图;
图4为本申请实施例中一种流场数据可视化设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参见图1所示,为本申请实施例所提供的一种流场数据可视化方法的实施流程图,该方法可以包括以下步骤:
S110:获得源领域的数据集和目标领域的数据集。
源领域的数据集至少包括源流体速度样本和源VR反馈力标签,一组源流体速度样本对应一个源VR反馈力标签,目标领域的数据集至少包括目标流体速度样本。
在本申请实施例中,源领域是指通过高精度求解已经获得全部数据空间的固体-流体两相流问题,即已解决两相流问题,这里的数据空间可以包括流体速度样本和VR反馈力。目标领域是指需要求解的固体-流体两相流问题,即待解决两相流问题。源领域也可称为已有知识领域,目标领域也可称为待解决领域。
本申请是通过将源领域向目标领域迁移,获得可视化技术应用于固体-流体两相流问题的VR反馈力。源领域和目标领域是迁移学习中的概念,每个领域中包括样本和标签。
在需要对目标领域的流场数据进行可视化处理时,可以先获得源领域的数据集和目标领域的数据集,将源领域向目标领域迁移。具体的,可以通过数值模拟的方式获得相应数据集。
源领域的数据集可使用Ds表示,对应已经通过数值模拟获得的固体-流体两相流问题的全部数据空间,其中包括源流体速度样本us,源VR反馈力标签fs。目标领域的数据集可使用Dt表示,为待解决问题的全部数据空间,其中包括目标流体速度样本ut,其VR反馈力ft数据缺失,是需要预测的标签。
在实际应用中,精确求解物体受力的方式对计算网格分辨率要求较高,相应地,会带来较高的计算成本。所以,在本申请实施例中,可以只在源领域的数据集的获取中采用精确求解物体受力的方式,获得物体表面附近的源流体速度样本us和源VR反馈力标签fs。获得的源领域的数据集可作为基准数据在不同目标问题中重复使用。
对于待解决两相流问题对应的目标领域,可以采用较稀疏网格计算得到物体表面周围的目标流体速度样本ut。
每一时刻,在源领域中,可以获得一组源流体速度样本us和一个源VR反馈力标签fs;在目标领域中,可以获得一组目标流体速度样本ut,但没有相应的一个VR反馈力标签。即在每一个计算机数值模拟计算步骤中,源领域对应的两相流问题求解得到的一组源流体速度样本us和一个源VR反馈力标签fs,目标领域对应的两相流问题求解得到的一组目标流体速度样本ut。针对两个领域分别选取不同时刻的数值模拟结果,积累可得到源领域和目标领域各自完整的数据集,即Ds和Dt。
获得源领域的数据集和目标领域的数据集之后,可以继续执行步骤S120的操作。
S120:对源领域的数据集和目标领域的数据集进行联合分布适配,获得优化目标。
在本申请实施例中,在获得源领域的数据集和目标领域的数据集之后,可以对源领域的数据集和目标领域的数据集进行联合分布适配,如进行边缘概率分布适配、条件概率分布适配等,获得优化目标。
联合分布适配可表示为JDA(Joint Distribution Adaptation)。
S130:基于优化目标、源流体速度样本和目标流体速度样本,对源VR反馈力标签进行迁移,预测获得目标领域的目标VR反馈力。
获得优化目标之后,基于优化目标、源流体速度样本和目标流体速度样本,对源VR反馈力标签进行迁移,预测获得目标领域的目标VR反馈力。
在本申请的一种具体实施方式中,步骤S130可以包括以下步骤:
第一个步骤:对优化目标进行求解,确定变换矩阵;
第二个步骤:利用变换矩阵,获得源流体速度样本和目标流体速度样本的映射结果;
第三个步骤:基于源流体速度样本的映射结果和源VR反馈力标签,在目标流体速度样本的映射结果上预测获得目标领域的目标VR反馈力。
为便于描述,将上述三个步骤结合起来进行说明。
在获得优化目标后,可以对优化目标进行求解。具体的,可以使用正则化线性回归、支持向量机、主成分分析等方法对优化目标进行求解,从而可以得到变换矩阵A。
即本申请是要寻找一个合适的变换矩阵A,使得源领域的数据集Ds和目标领域的数据集Dt的联合分布距离最小,从而实现迁移,预测出目标领域中的VR反馈力。依据联合分布适配JDA算法的思想,两个领域之间的距离可表示为:
D(Ds,Dt)≈||Ps(us)-Pt(ut)||2+||Qs(fs|us)-Qt(ft|ut)||2;
其中,P*(u*)为边缘概率分布,Q*(f*|u*)为条件概率分布,两个分布合称联合概率分布。
利用变换矩阵A,可以得到源领域和目标领域的流体速度样本的映射结果,即可获得源流体速度样本us的映射结果usA和目标流体速度样本ut的映射结果utA。
具体的,usA=Aus,utA=Aut。
获得源流体速度样本us的映射结果usA之后,可以基于源流体速度样本的映射结果usA和源VR反馈力标签fs,在目标流体速度样本的映射结果上预测获得目标领域的目标VR反馈力。
具体的,可以先基于源流体速度样本的映射结果和源VR反馈力标签,训练获得目标回归模型。即基于源领域的(usA,fs)训练出一个简单的目标回归模型F,如多项式回归F(x)=ax4+bx3+cx2+dx+e,其中,a、b、c、d、e为参数,x为输入量。如可以使用神经网络(NeuralNetwork,NN)训练回归模型,通过误差反向传播(Back Propagation,BP)更新模型参数。
S140:根据目标VR反馈力对目标领域的流场数据进行VR可视化展示。
预测获得目标领域的目标VR反馈力之后,可以根据目标VR反馈力及目标流体速度样本,对目标领域的流场数据进行VR可视化展示。
应用本申请实施例所提供的方法,获得源领域的数据集和目标领域的数据集之后,对两个领域的数据集进行联合分布适配,获得优化目标,基于优化目标、源流体速度样本和目标流体速度样本,对源VR反馈力标签进行迁移,预测获得目标领域的目标VR反馈力,从而根据目标VR反馈力对目标领域的流场数据进行VR可视化展示。即通过对源领域中已有的反馈力迁移,可以得到目标领域中准确的VR反馈力,从而方便进行相应的VR可视化展示。
在本申请的一个实施例中,步骤S120对源领域的数据集和目标领域的数据集进行联合分布适配,获得优化目标,可以包括以下步骤:
步骤一:对源领域的数据集和目标领域的数据集进行边缘概率分布适配,获得第一距离;
步骤二:对源领域的数据集和目标领域的数据集进行类条件概率分布适配,获得第二距离;
步骤三:结合第一距离和第二距离,获得优化目标。
为便于描述,将上述三个步骤结合起来进行说明。
获得源领域的数据集Ds和目标领域的数据集Dt之后,可以对源领域的数据集Ds和目标领域的数据集Dt进行边缘概率分布适配,获得第一距离。
具体的,可以使用最大均值方差(Maximum Mean Discrepancy,MMD)来适配源领域与目标领域的边缘概率分布,即Ps(us)和Pt(ut),在再生核希尔伯特空间(ReproducingKernel Hilbert Space,RKHS)中最小化两个领域的距离。
得到的第一距离可以表示为:
获得源领域的数据集Ds和目标领域的数据集Dt之后,还可以对源领域的数据集Ds和目标领域的数据集Dt进行类条件概率分布适配,获得第二距离。
由于目标领域中没有VR反馈力标签ft,无法求出目标领域的条件概率,也就无法直接采用MMD对两个领域的条件概率进行适配。所以,本申请实施例采用类条件分布Qs(us|fs)和替代原始的条件概率分布,其中是在目标领域中预测的VR反馈力。
在本申请的一种具体实施方式中,可以先确定目标领域的初始VR反馈力具体的,可以根据经验或者历史数据等设定初始VR反馈力。将初始VR反馈力确定为适配VR反馈力。同时,可以对源流体速度样本和目标流体速度样本进行分类处理。具体的,可以分别将源流体速度样本和目标流体速度样本的均值按照从大到小排序,均匀分为多个类别。如将两个领域的样本分为C个类别。基于源流体速度样本、源VR反馈力标签、目标流体速度样本和适配VR反馈力,可以分别针对每个类别进行类条件概率分布适配,获得第二距离。即对每个类别c分别进行类条件概率Qs(us|fs∈c)和的适配。获得的第二距离即类与类之间的MMD距离可表示为:
其中,nc和mc分别为源领域和目标领域中的来自第c个类的样本数量。
获得第一距离和第二距离后,可以结合第一距离和第二距离,获得优化目标。
将两个距离结合起来,得到的总的优化目标可表示为:
得到优化目标后,对其进行求解,可得到变换矩阵,从而借助于变换矩阵,可以得到源流体速度样本和目标流体速度样本的映射结果,通过针对源流体速度样本的映射结果和源VR反馈力训练得到的目标回归模型,可以在目标领域的目标流体速度样本的映射结果上预测得到目标VR反馈力。
在本申请的一个实施例中,在步骤S130预测获得目标领域的目标VR反馈力之后,在步骤S140根据目标VR反馈力对目标领域的流场信息进行VR可视化展示之前,该方法还可以包括以下步骤:
将目标VR反馈力确定为适配VR反馈力;
迭代执行基于源流体速度样本、源VR反馈力标签、目标流体速度样本和适配VR反馈力,分别针对每个类别进行类条件概率分布适配,获得第二距离的步骤,直至达到设定结束条件,获得迭代后的目标VR反馈力。然后根据最终得到的目标VR反馈力对目标领域的流场数据进行VR可视化展示。
在实际应用中,可以根据实际情况进行结束条件的设定。如在迭代次数达到设定次数阈值时认为达到设定结束条件,或者,在相邻两次迭代结果偏差小于设定百分比时认为达到设定结束条件。
具体的,可以先对源领域的数据集Ds和目标领域的数据集Dt进行边缘概率分布适配,获得第一距离,确定目标领域的初始VR反馈力,将初始VR反馈力确定为适配VR反馈力对源流体速度样本us和目标流体速度样本ut进行分类处理,基于源流体速度样本us、源VR反馈力标签fs、目标流体速度样本ut和适配VR反馈力分别针对每个类别进行类条件概率分布适配,可以获得第二距离。
结合第一距离和第二距离,可以获得优化目标。
对优化目标进行求解,确定变换矩阵A。利用变换矩阵A,可以获得映射速度,即源流体速度样本us的映射结果usA和目标流体速度样本ut的映射结果utA。
基于源流体速度样本us的映射结果usA和源VR反馈力标签fs,训练获得目标回归模型F。
将此时得到的VR反馈力确定为适配VR反馈力可以迭代执行基于源流体速度样本us、源VR反馈力标签fs、目标流体速度样本ut和适配VR反馈力分别针对每个类别进行类条件概率分布适配,获得第二距离及其以下的步骤。对类条件概率分布进行更新,可以提高联合分布适配质量。
得到新的第二距离后,结合第一距离和第二距离,可以获得优化目标,对优化目标进行求解,确定变换矩阵。利用变换矩阵,可以获得源流体速度样本和目标流体速度样本的映射结果。基于源流体速度样本的映射结果和源VR反馈力标签,训练获得目标回归模型。通过目标回归模型,在目标流体速度样本的映射结果上预测获得目标VR反馈力。预测得到的目标VR反馈力有更新。
直至迭代次数达到设定次数阈值,获得迭代后的目标VR反馈力。经过多次迭代后,可以预测得到更为准确的目标VR反馈力,使得目标VR反馈力精度更高。根据迭代后最终得到的目标VR反馈力对目标领域的流场数据进行VR可视化展示,可以提升VR可视化展示效果。
在当前技术中,在对固体-流体两相流问题进行具体实施时,通常是导入通过计算机模拟方法计算得到的流场数据,通过VR技术进一步指导研究和生产。数值模拟阶段输出流场速度和VR反馈力的精度,直接影响后续VR可视化的效果。现有数值模拟中,反馈力多采用力模型的形式引入,以便提高数值模拟效率。
而随着机器学习的发展和广泛应用,已有一些两相流研究工作使用监督学习方法针对大量数据进行训练,回归得到一个复杂模型,再面向不同问题预测得到VR反馈力。然而,这些反馈力模型都没有考虑待解决问题中复杂流动和固体群体行为的影响,容易造成VR反馈力与实际情况偏差较大,甚至导致一些关键问题上出现错误。
本申请实施例针对现有VR反馈力模型的不足,借助联合分布适配(JDA)方法的迁移思想,通过缩小已有知识领域(源领域)和待解决领域(目标领域)之间的距离,完成VR反馈力的迁移,准确预测目标领域中VR反馈力,可以实现相关科学研究和工业应用的高精度可视化。
相应于上面的方法实施例,本申请实施例还提供了一种流场数据可视化装置,下文描述的流场数据可视化装置与上文描述的流场数据可视化方法可相互对应参照。
参见图3所示,该装置可以包括以下模块:
数据集获得模块310,用于获得源领域的数据集和目标领域的数据集,源领域的数据集至少包括源流体速度样本和源VR反馈力标签,一组源流体速度样本对应一个源VR反馈力标签,目标领域的数据集至少包括目标流体速度样本;
优化目标获得模块320,用于对源领域的数据集和目标领域的数据集进行联合分布适配,获得优化目标;
VR反馈力预测模块330,用于基于优化目标、源流体速度样本和目标流体速度样本,对源VR反馈力标签进行迁移,预测获得目标领域的目标VR反馈力;
可视化展示模块340,用于根据目标VR反馈力对目标领域的流场数据进行VR可视化展示。
应用本申请实施例所提供的装置,获得源领域的数据集和目标领域的数据集之后,对两个领域的数据集进行联合分布适配,获得优化目标,基于优化目标、源流体速度样本和目标流体速度样本,对源VR反馈力标签进行迁移,预测获得目标领域的目标VR反馈力,从而根据目标VR反馈力对目标领域的流场数据进行VR可视化展示。即通过对源领域中已有的反馈力迁移,可以得到目标领域中准确的VR反馈力,从而方便进行相应的VR可视化展示。
在本申请的一种具体实施方式中,VR反馈力预测模块330,用于:
对优化目标进行求解,确定变换矩阵;
利用变换矩阵,获得源流体速度样本和目标流体速度样本的映射结果;
基于源流体速度样本的映射结果和源VR反馈力标签,在目标流体速度样本的映射结果上预测获得目标领域的目标VR反馈力。
在本申请的一种具体实施方式中,VR反馈力预测模块330,用于:
基于源流体速度样本的映射结果和源VR反馈力标签,训练获得目标回归模型;
通过目标回归模型,在目标流体速度样本的映射结果上预测获得目标领域的目标VR反馈力。
在本申请的一种具体实施方式中,VR反馈力预测模块330,用于:
使用正则化线性回归、支持向量机、主成分分析中的至少一种方式对优化目标进行求解,确定变换矩阵。
在本申请的一种具体实施方式中,优化目标获得模块320,用于:
对源领域的数据集和目标领域的数据集进行边缘概率分布适配,获得第一距离;
对源领域的数据集和目标领域的数据集进行类条件概率分布适配,获得第二距离;
结合第一距离和第二距离,获得优化目标。
在本申请的一种具体实施方式中,优化目标获得模块320,用于:
使用最大均值方差适配源领域的数据集和目标领域的数据集的边缘概率分布,获得第一距离。
在本申请的一种具体实施方式中,优化目标获得模块320,用于:
确定目标领域的初始VR反馈力;
将初始VR反馈力确定为适配VR反馈力;
对源流体速度样本和目标流体速度样本进行分类处理;
基于源流体速度样本、源VR反馈力标签、目标流体速度样本和适配VR反馈力,分别针对每个类别进行类条件概率分布适配,获得第二距离。
在本申请的一种具体实施方式中,优化目标获得模块320,用于:
分别将源流体速度样本和目标流体速度样本的均值按照从大到小排序,均匀分为多个类别。
在本申请的一种具体实施方式中,还包括迭代处理模块,用于:
在预测获得目标领域的目标VR反馈力之后、根据目标VR反馈力对目标领域的流场信息进行VR可视化展示之前,将目标VR反馈力确定为适配VR反馈力;
迭代执行基于源流体速度样本、源VR反馈力标签、目标流体速度样本和适配VR反馈力,分别针对每个类别进行类条件概率分布适配,获得第二距离的步骤,直至达到设定结束条件,获得迭代后的目标VR反馈力。
相应于上面的方法实施例,本申请实施例还提供了一种流场数据可视化设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现上述流场数据可视化方法的步骤。
如图4所示,为流场数据可视化设备的组成结构示意图,流场数据可视化设备可以包括:处理器10、存储器11、通信接口12和通信总线13。处理器10、存储器11、通信接口12均通过通信总线13完成相互间的通信。
在本申请实施例中,处理器10可以为中央处理器(Central Processing Unit,CPU)、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件等。
处理器10可以调用存储器11中存储的程序,具体的,处理器10可以执行流场数据可视化方法的实施例中的操作。
存储器11中用于存放一个或者一个以上程序,程序可以包括程序代码,程序代码包括计算机操作指令,在本申请实施例中,存储器11中至少存储有用于实现以下功能的程序:
获得源领域的数据集和目标领域的数据集,源领域的数据集至少包括源流体速度样本和源VR反馈力标签,一组源流体速度样本对应一个源VR反馈力标签,目标领域的数据集至少包括目标流体速度样本;
对源领域的数据集和目标领域的数据集进行联合分布适配,获得优化目标;
基于优化目标、源流体速度样本和目标流体速度样本,对源VR反馈力标签进行迁移,预测获得目标领域的目标VR反馈力;
根据目标VR反馈力对目标领域的流场数据进行VR可视化展示。
在一种可能的实现方式中,存储器11可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统,以及至少一个功能(比如数值模拟功能、图像播放功能)所需的应用程序等;存储数据区可存储使用过程中所创建的数据,如数据集数据、预测数据等。
此外,存储器11可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件或其他易失性固态存储器件。
通信接口13可以为通信模块的接口,用于与其他设备或者系统连接。
当然,需要说明的是,图4所示的结构并不构成对本申请实施例中流场数据可视化设备的限定,在实际应用中流场数据可视化设备可以包括比图4所示的更多或更少的部件,或者组合某些部件。
相应于上面的方法实施例,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述流场数据可视化方法的步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的技术方案及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种流场数据可视化方法,其特征在于,包括:
获得源领域的数据集和目标领域的数据集,所述源领域的数据集至少包括源流体速度样本和源VR反馈力标签,一组所述源流体速度样本对应一个所述源VR反馈力标签,所述目标领域的数据集至少包括目标流体速度样本;
对所述源领域的数据集和所述目标领域的数据集进行联合分布适配,获得优化目标;
基于所述优化目标、所述源流体速度样本和所述目标流体速度样本,对所述源VR反馈力标签进行迁移,预测获得所述目标领域的目标VR反馈力;
根据所述目标VR反馈力对所述目标领域的流场数据进行VR可视化展示;
其中,所述基于所述优化目标、所述源流体速度样本和所述目标流体速度样本,对所述源VR反馈力标签进行迁移,预测获得所述目标领域的目标VR反馈力,包括:
对所述优化目标进行求解,确定变换矩阵;
利用所述变换矩阵,获得所述源流体速度样本和所述目标流体速度样本的映射结果;
基于所述源流体速度样本的映射结果和所述源VR反馈力标签,训练获得目标回归模型;
通过所述目标回归模型,在所述目标流体速度样本的映射结果上预测获得所述目标领域的目标VR反馈力。
2.根据权利要求1所述的方法,其特征在于,所述对所述优化目标进行求解,确定变换矩阵,包括:
使用正则化线性回归、支持向量机、主成分分析中的至少一种方式对所述优化目标进行求解,确定变换矩阵。
3.根据权利要求1或2所述的方法,其特征在于,所述对所述源领域的数据集和所述目标领域的数据集进行联合分布适配,获得优化目标,包括:
对所述源领域的数据集和所述目标领域的数据集进行边缘概率分布适配,获得第一距离;
对所述源领域的数据集和所述目标领域的数据集进行类条件概率分布适配,获得第二距离;
结合所述第一距离和所述第二距离,获得优化目标。
4.根据权利要求3所述的方法,其特征在于,所述对所述源领域的数据集和所述目标领域的数据集进行边缘概率分布适配,获得第一距离,包括:
使用最大均值方差适配所述源领域的数据集和所述目标领域的数据集的边缘概率分布,获得第一距离。
5.根据权利要求3所述的方法,其特征在于,所述对所述源领域的数据集和所述目标领域的数据集进行类条件概率分布适配,获得第二距离,包括:
确定所述目标领域的初始VR反馈力;
将所述初始VR反馈力确定为适配VR反馈力;
对所述源流体速度样本进行分类处理,对所述目标流体速度样本进行分类处理;
分别针对每个类别进行类条件概率分布适配,获得第二距离;其中,每个类别的源领域的类条件概率基于每个类别中源流体速度样本和对应的源VR反馈力标签计算,每个类别的目标领域的类别条件概率基于每个类别中目标流体速度样本和对应的适配VR反馈力计算。
6.根据权利要求5所述的方法,其特征在于,所述对所述源流体速度样本进行分类处理,对所述目标流体速度样本进行分类处理,包括:
将每组源流体速度样本的均值从大到小排序,以将所有源流体速度样本均匀分为多个类别;
将每组目标流体速度样本的均值从大到小排序,以均将所有目标流体速度样本匀分为多个类别。
7.根据权利要求5所述的方法,其特征在于,在所述预测获得所述目标领域的目标VR反馈力之后、所述根据所述目标VR反馈力对所述目标领域的流场信息进行VR可视化展示之前,还包括:
将所述目标VR反馈力确定为所述适配VR反馈力;
迭代执行所述分别针对每个类别进行类条件概率分布适配,获得第二距离的步骤,直至达到设定结束条件,获得迭代后的所述目标VR反馈力。
8.一种流场数据可视化装置,其特征在于,包括:
数据集获得模块,用于获得源领域的数据集和目标领域的数据集,所述源领域的数据集至少包括源流体速度样本和源VR反馈力标签,一组所述源流体速度样本对应一个所述源VR反馈力标签,所述目标领域的数据集至少包括目标流体速度样本;
优化目标获得模块,用于对所述源领域的数据集和所述目标领域的数据集进行联合分布适配,获得优化目标;
VR反馈力预测模块,用于基于所述优化目标、所述源流体速度样本和所述目标流体速度样本,对所述源VR反馈力标签进行迁移,预测获得所述目标领域的目标VR反馈力;
可视化展示模块,用于根据所述目标VR反馈力对所述目标领域的流场数据进行VR可视化展示;
其中,所述VR反馈力预测模块具体用于:对所述优化目标进行求解,确定变换矩阵;利用所述变换矩阵,获得所述源流体速度样本和所述目标流体速度样本的映射结果;基于所述源流体速度样本的映射结果和所述源VR反馈力标签,训练获得目标回归模型;通过所述目标回归模型,在所述目标流体速度样本的映射结果上预测获得所述目标领域的目标VR反馈力。
9.一种流场数据可视化设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述流场数据可视化方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述流场数据可视化方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010568718.6A CN111724487B (zh) | 2020-06-19 | 2020-06-19 | 一种流场数据可视化方法、装置、设备及存储介质 |
PCT/CN2020/117023 WO2021253666A1 (zh) | 2020-06-19 | 2020-09-23 | 一种流场数据可视化方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010568718.6A CN111724487B (zh) | 2020-06-19 | 2020-06-19 | 一种流场数据可视化方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111724487A CN111724487A (zh) | 2020-09-29 |
CN111724487B true CN111724487B (zh) | 2023-05-16 |
Family
ID=72568663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010568718.6A Active CN111724487B (zh) | 2020-06-19 | 2020-06-19 | 一种流场数据可视化方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111724487B (zh) |
WO (1) | WO2021253666A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113010132B (zh) * | 2021-03-24 | 2023-04-18 | 成都维泰油气能源技术有限公司 | 一种用于智能井控的辅助系统和方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103970920A (zh) * | 2013-02-05 | 2014-08-06 | 周柏贾 | 地震应急演练虚拟仿真系统 |
WO2016097841A2 (en) * | 2014-12-16 | 2016-06-23 | Quan Xiao | Methods and apparatus for high intuitive human-computer interface and human centric wearable "hyper" user interface that could be cross-platform / cross-device and possibly with local feel-able/tangible feedback |
CN109657159A (zh) * | 2018-12-18 | 2019-04-19 | 哈尔滨工业大学 | 舆情数据角色识别中异构关系数据的迁移学习界限的确定方法 |
CN109828659A (zh) * | 2018-12-25 | 2019-05-31 | 北京牡丹视源电子有限责任公司 | 一种基于虚拟现实的用户体验标注方法 |
CN109885833A (zh) * | 2019-02-18 | 2019-06-14 | 山东科技大学 | 一种基于多域数据集联合嵌入的性感极性检测方法 |
CN110059744A (zh) * | 2019-04-16 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 训练神经网络的方法、图像处理的方法、设备及存储介质 |
CN110533193A (zh) * | 2019-08-20 | 2019-12-03 | 武汉理工大学 | 半监督场景下特征和实例联合迁移学习方法 |
CN110705029A (zh) * | 2019-09-05 | 2020-01-17 | 西安交通大学 | 一种基于迁移学习的振荡扑翼能量采集系统流场预测方法 |
CN110781970A (zh) * | 2019-10-30 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 分类器的生成方法、装置、设备及存储介质 |
CN110815258A (zh) * | 2019-10-30 | 2020-02-21 | 华南理工大学 | 基于电磁力反馈和增强现实的机器人遥操作系统和方法 |
CN110892408A (zh) * | 2017-02-07 | 2020-03-17 | 迈恩德玛泽控股股份有限公司 | 用于立体视觉和跟踪的系统、方法和装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9218365B2 (en) * | 2011-12-15 | 2015-12-22 | Yeda Research And Development Co. Ltd. | Device, system, and method of visual inference by collaborative composition |
US10296846B2 (en) * | 2015-11-24 | 2019-05-21 | Xerox Corporation | Adapted domain specific class means classifier |
US20180024968A1 (en) * | 2016-07-22 | 2018-01-25 | Xerox Corporation | System and method for domain adaptation using marginalized stacked denoising autoencoders with domain prediction regularization |
US10289909B2 (en) * | 2017-03-06 | 2019-05-14 | Xerox Corporation | Conditional adaptation network for image classification |
CN107704926A (zh) * | 2017-11-23 | 2018-02-16 | 清华大学 | 一种大数据跨领域分析的深度迁移学习方法 |
CN109657693B (zh) * | 2018-10-22 | 2023-08-01 | 中国科学院软件研究所 | 一种基于相关熵和迁移学习的分类方法 |
CN109741429B (zh) * | 2018-12-21 | 2020-06-19 | 浙江远算云计算有限公司 | 一种用于非结构化流体仿真模型的vr动画可视化方法 |
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 |
-
2020
- 2020-06-19 CN CN202010568718.6A patent/CN111724487B/zh active Active
- 2020-09-23 WO PCT/CN2020/117023 patent/WO2021253666A1/zh active Application Filing
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103970920A (zh) * | 2013-02-05 | 2014-08-06 | 周柏贾 | 地震应急演练虚拟仿真系统 |
WO2016097841A2 (en) * | 2014-12-16 | 2016-06-23 | Quan Xiao | Methods and apparatus for high intuitive human-computer interface and human centric wearable "hyper" user interface that could be cross-platform / cross-device and possibly with local feel-able/tangible feedback |
CN110892408A (zh) * | 2017-02-07 | 2020-03-17 | 迈恩德玛泽控股股份有限公司 | 用于立体视觉和跟踪的系统、方法和装置 |
CN109657159A (zh) * | 2018-12-18 | 2019-04-19 | 哈尔滨工业大学 | 舆情数据角色识别中异构关系数据的迁移学习界限的确定方法 |
CN109828659A (zh) * | 2018-12-25 | 2019-05-31 | 北京牡丹视源电子有限责任公司 | 一种基于虚拟现实的用户体验标注方法 |
CN109885833A (zh) * | 2019-02-18 | 2019-06-14 | 山东科技大学 | 一种基于多域数据集联合嵌入的性感极性检测方法 |
CN110059744A (zh) * | 2019-04-16 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 训练神经网络的方法、图像处理的方法、设备及存储介质 |
CN110533193A (zh) * | 2019-08-20 | 2019-12-03 | 武汉理工大学 | 半监督场景下特征和实例联合迁移学习方法 |
CN110705029A (zh) * | 2019-09-05 | 2020-01-17 | 西安交通大学 | 一种基于迁移学习的振荡扑翼能量采集系统流场预测方法 |
CN110781970A (zh) * | 2019-10-30 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 分类器的生成方法、装置、设备及存储介质 |
CN110815258A (zh) * | 2019-10-30 | 2020-02-21 | 华南理工大学 | 基于电磁力反馈和增强现实的机器人遥操作系统和方法 |
Non-Patent Citations (4)
Title |
---|
Regularizing Knowledge Transfer in Recommendation With Tag-inferred Correlation;Peng Hao等;《IEEE Transactions on Cybernetics》;20190131(第1期);第83-96页 * |
加入标签迁移的跨领域项目推荐算法;葛梦凡等;《计算机科学》;20191031;第46卷(第10期);第1-6页 * |
基于混合正则化的无标签领域的归纳迁移学习;庄福振等;《科学通报》;20090630;第54卷(第11期);第1618-1625页 * |
室内移动机器人自主导航系统设计与方法;翟敬梅等;《计算机集成制造系统》;20200430(第04期);第24-33页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2021253666A1 (zh) | 2021-12-23 |
CN111724487A (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110622175B (zh) | 神经网络分类 | |
US11574164B2 (en) | Neural network cooperation | |
JP7513804B2 (ja) | 強化学習を用いたデータ評価 | |
CN110476173B (zh) | 利用强化学习的分层设备放置 | |
CN112241478B (zh) | 一种基于图神经网络的大规模数据可视化降维方法 | |
JP7342242B2 (ja) | 学習を転移させるための学習のためのフレームワーク | |
US12061991B2 (en) | Transfer learning with machine learning systems | |
WO2020043473A1 (en) | Data prediction | |
CN114981800A (zh) | 个性化自动化机器学习 | |
US11295236B2 (en) | Machine learning in heterogeneous processing systems | |
WO2022069740A1 (en) | Simulating physical environments using mesh representations and graph neural networks | |
CN111724487B (zh) | 一种流场数据可视化方法、装置、设备及存储介质 | |
US20200257980A1 (en) | Training optimization for neural networks with batch norm layers | |
US20230022253A1 (en) | Fast and accurate prediction methods and systems based on analytical models | |
KR20230147498A (ko) | 타겟 병변 검출을 위한 학습을 수행하는 장치 및 방법 | |
WO2020162294A1 (ja) | 変換方法、訓練装置及び推論装置 | |
Durumeric et al. | Explaining classifiers to understand coarse-grained models | |
WO2019209571A1 (en) | Proactive data modeling | |
CN111695989A (zh) | 一种风控信贷模型的建模方法和平台 | |
Haderbache et al. | Acceleration of Structural Analysis Simulations using CNN-based Auto-Tuning of Solver Tolerance | |
Nobari et al. | Conformal predictions enhanced expert-guided meshing with graph neural networks | |
JP7439923B2 (ja) | 学習方法、学習装置及びプログラム | |
Oliveira | Deep Learning for enhancing CFD methods | |
CN116704265A (zh) | 图片分类模型的获取方法和获取装置 | |
CN117788377A (zh) | 一种基于强化学习的增广数据质量评价方法和系统 |
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 |