CN111783964A - 面向gpu和神经网络的网格质量检测方法 - Google Patents
面向gpu和神经网络的网格质量检测方法 Download PDFInfo
- Publication number
- CN111783964A CN111783964A CN202010803829.0A CN202010803829A CN111783964A CN 111783964 A CN111783964 A CN 111783964A CN 202010803829 A CN202010803829 A CN 202010803829A CN 111783964 A CN111783964 A CN 111783964A
- Authority
- CN
- China
- Prior art keywords
- feature
- grid
- module
- dimensional features
- array
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种面向GPU和神经网络的网格质量检测方法，目的是解决当前网格质量检测方法时间开销大、自动化程度低等问题。技术方案是利用GPU强大的计算能力以及神经网络强大的拟合学习能力，搭建基于神经网络的检测系统，构建网格样本训练集并训练网络，采用训练好的神经网络对计算网格进行检测，得到计算网格的质量分类结果。检测系统分析质量分类结果，输出最终的网格质量检测结果。本发明4个特征提取模块由不同通道数、卷积核大小的卷积层组成，充分提取与计算结果精度相关的网格高维特征，保证了检测的准确性；充分利用GPU数据计算速度快的优势，减轻了CPU的计算负担；且通过对高维特征进行压缩加速了网格质量检测流程。
Description
技术领域
本发明属于网格质量检测方法，具体涉及一种面向GPU和神经网络的网格质量检测方法。
背景技术
数值计算是求解航空航天领域复杂气动力、热问题的主要研究手段，为飞行器气动研究过程提供了真实飞行参数条件下的气动数据。随着计算能力的提升，数值计算技术已贯穿于飞行器设计的全过程并发挥着越来越重要的作用，是航空航天事业发展的重要技术基础和支撑。
数值计算的第一步是生成计算网格，即将连续的计算域划分为网格单元。所得到的计算网格由众多网格单元组成，是整个数值计算的基础和前提，计算网格质量的好坏直接影响计算结果的准确性和收敛性。随着所求解的问题规模、飞行器几何外型越来越复杂，现有的网格生成算法很难直接生成符合高精度计算要求的高质量网格。因此在工程实践中，通常会在计算前使用网格质量检测方法对计算网格的质量进行检测，以此保证计算结果的有效性，避免无效的计算，提高数值计算效率。
传统网格质量检测方法的检测核心是分析组成计算网格的所有网格单元的几何形状信息，其检测步骤分布两步：
第一步利用部署在CPU上的标准几何计算模块，计算所有网格单元的最大角、最小角、长宽比、Aspect Ratio、雅克比矩阵等几何形状信息；
第二步由网格工程师分析计算得到的几何形状信息，人工判别网格的质量结果并给出后续网格质量优化方向。
随着网格规模逐渐增大、外形越来越复杂，传统方法计算开销大、检测效率低、自动化程度低的问题日益凸显。一方面，复杂的网格往往需要计算多种几何形状信息作为计算网格质量的综合判别依据，但部署在CPU环境中的几何计算模块计算时间成本较高，尤其在处理大规模网格时，严重增大了网格质量检测方法的计算开销。另一方面，基于分析网格单元几何信息的网格质量检测方法无法对网格密度、网格单元分布等特征进行有效检测，而这些特征对计算结果精度有很大影响。例如，在复杂外形中往往要求对流动参数梯度大的区域加密网格，尤其在机翼-机身结合部等曲率大的区域需要分布更稠密的网格，否则会造成计算结果不准确，甚至不收敛(计算结果振荡发散)。此外，由于现有质量检测方法无法自动确定优化方法，通常需要网格工程师根据几何质量检测结果进行辅助决策，频繁的人工介入大大延长了数值计算周期，严重阻碍了网格自动化流程的发展。因此，数值计算技术的蓬勃发展加剧了对高效网格质量检测方法的迫切需要。
神经网络通过学习输入数据到目标结果的高维映射规则，实现输入到目标之间的非线性拟合，被认为是替代人工劳动力、降本增效的有效方法。GPU是拥有大量运算单元的通用计算设备，能够满足数据的快速计算处理和实时应用的要求。随着通用GPU计算性能的不断攀升以及神经网络的广泛应用，以GPU和神经网络为核心的优化系统为加速传统网格质量检测方法、实现无需人工干预的网格质量检测过程带来了新的解决方法，同时也是发展高效网格质量判别方法的重要研究方向，如何针对数值计算中网格质量检测问题,设计面向GPU和神经网络的网格质量检测方法是本领域技术人员亟需解决的技术难题。
发明内容
本发明要解决的技术问题在于：针对当前网格质量检测方法时间开销大、自动化程度低等问题，提出一种高效的网格质量检测方法，提升检测效率，缩短网格质量检测时间开销，促进自动化网格质量检测流程的发展。
为了解决上述问题，本发明的技术方案是利用GPU强大的计算能力以及神经网络强大的拟合学习能力，提出一种面向GPU和神经网络的网格质量检测方法，为网格质量提供高效的检测方案。该方法通过搭建基于神经网络的检测系统，构建网格样本训练集并训练网络，使神经网络能够自适应地学习计算网格质量与计算结果精度之间的映射关系。然后采用训练好的神经网络对计算网格进行检测，得到计算网格的质量分类结果。检测系统通过分析质量分类结果，输出最终的网格质量检测结果，用于指导后续质量优化过程及优化方向。
具体技术方案是：
第一步、搭建基于神经网络的网格质量检测系统。基于神经网络的网格质量检测系统由网格处理模块、4个特征提取模块、3个压缩模块、分类模块、结果分析模块组成。4个特征提取模块、3个压缩模块、分类模块部署在GPU上，网格处理模块、结果分析模块部署在CPU上。
CPU端的网格处理模块从文件读入网格，负责将输入的网格转化为适用于神经网络训练的输入特征矩阵，然后将输入特征矩阵发送给GPU端的特征提取模块。
第一特征提取模块是一个神经网络，由一个通道数为32、卷积核大小为7x7的卷积层和一个通道数为64、卷积核大小为5x5的卷积层组成。第一特征提取模块与第一压缩模块相连，负责从输入特征矩阵中提取与计算结果精度相关的第一高维特征。第一高维特征的特征维度为64，第一特征提取模块将第一高维特征发送给第一压缩模块。
第一压缩模块也是一个神经网络，负责连接第一特征提取模块和第二特征提取模块。第一压缩模块由一个尺寸为2、步长为2的最大池化层构成。第一压缩模块从第一特征提取模块接收第一高维特征，对第一高维特征维度进行压缩，将压缩后的第一高维特征输出给第二特征提取模块。
第二特征提取模块是由两个通道数为128、卷积核大小为3x3的卷积层组成的神经网络。第二特征提取模块与第一压缩模块、第二压缩模块相连，负责从压缩后的第一高维特征中提取与计算结果精度相关的第二高维特征。第二高维特征的特征维度为128，第二特征提取模块将第二高维特征发送给第二压缩模块。
第二压缩模块也由尺寸为2、步长为2的最大池化层构成，第二压缩模块从第二特征提取模块接收128维的第二高维特征，对特征维度进行压缩，将压缩后的第二高维特征发送给第三特征提取模块。
第三特征提取模块是一个神经网络，由两个通道数为256、卷积核大小为3x3的卷积层组成。第三特征提取模块与第二压缩模块、第三压缩模块相连，负责从压缩后的第二高维特征中提取与计算结果精度相关的第三高维特征。第三高维特征的特征维度为256，第三特征提取模块将第三高维特征发送给第三压缩模块。
第三压缩模块同样由尺寸为2、步长为2的最大池化层构成，第三压缩模块从第三特征提取模块接收256维的第三高维特征，对第三高维特征维度进行压缩，并将压缩后的第三高维特征发送给第四特征提取模块。
第四特征提取模块是由四个通道数为512、卷积核大小为3x3的卷积层组成的神经网络。第四特征提取模块与第三压缩模块、分类模块相连，负责从压缩后的第三高维特征中提取与计算结果精度相关的第四高维特征。第四高维特征的特征维度为512，第四特征提取模块将第四高维特征发送给分类模块。
分类模块也是一个神经网络，由一个卷积层(卷积核大小为1x1，通道数为3)、一个全局池化层和一个Softmax层构成。分类模块从第四特征提取模块接收第四高维特征，对第四高维特征进行分类，得到分类结果，然后将分类结果发送给结果分析模块。
结果分析模块接收分类模块输出的分类结果，通过对分类结果进行分析，输出计算网格的质量检测结果。
第二步，构建训练数据集。神经网络是建立在极其庞大的数据样本之上的总结运算，通过从大量网格样本之中学习特征，能够拟合网格质量与计算结果精度之间的非线性映射。因此，需要构建一个具有质量多样性的网格数据集，用于神经网络的训练。具体步骤如下：
2.1设置训练数据库(用于存放网格样本)的预期规模N，为了保证神经网络的预测准确率，N为正整数，训练数据集的规模N应不小于10240；
2.2根据飞行器的外形参数，用CAD软件绘制飞行器的几何外形，并将绘制好的外形导入Gmsh网格生成软件(http://www.gmsh.info/，版本为4.5.6及以上)；
2.3设置Gmsh网格生成软件中的网格参数，生成不同质量的计算网格。网格参数包括：外场点数(取值范围为60-80)、附面层首层高度(取值范围为0.001-0.0001)、网格线首尾点偏转角度(取值范围为0°-20°)、网格线首点分布长度(取值范围为0.01-0.03)；
2.4根据2.3中设置的网格参数，用Gmsh网格软件生成计算网格，并将该套计算网格放到训练数据集中作为训练数据集中的一个网格样本；
2.5若训练数据集中的网格样本数少于N，转2.2；若生成的网格数量等于N，转2.6；
2.6对训练数据集中的N个网格样本进行标注，具体步骤如下：
2.6.1初始化i＝1；
2.6.2将训练数据集中的第i套网格导入Fluent求解器(https://www.ansys.com/，版本16.0及以上)中进行数值计算，设置Fluent迭代次数Ep，Ep为正整数，优选为500，记录计算结果，方法是：
2.6.2.1初始化j＝1，初始化第i组计算结果数组Ri为空；
2.6.2.2 Fluent求解器进行数值计算，令第i套网格的第j轮计算结果为rij，并将rij放到计算结果数组Ri中；
2.6.2.3 j＝j+1，若j<Ep，转2.6.2.2，否则转2.6.3；
2.6.3分析Ri，根据Ri对计算网格进行标注，方法是：
2.6.3.1若Ri数组收敛(即计算结果随着j的变大逐渐趋近某一固定值)且最后两轮的计算结果(ri,Ep-1和ri,Ep)之差小于等于10-6，则将第i套网格标注为“高质量网格”，转2.6.4，否则转2.6.3.2；
2.6.3.2若Ri收敛但ri,Ep-1和ri,Ep之差大于10-6，则将第i套网格标注为“网格光滑性差”，转2.6.4，否则转2.6.3.3；
2.6.3.3若Ri不收敛(即计算结果振荡发散)，则将第i套网格标注为“网格分布不合理”，转2.6.4；
2.6.4令i＝i+1，若i<N，转2.6.2，否则转第三步；
第三步，采用训练数据集对基于神经网络的网格质量检测系统进行训练，具体步骤如下：
3.1部署在CPU端的网格处理模块对训练数据集中的网格进行量化和预处理。在进行神经网络训练前，需要对训练数据集中的网格样本进行量化，即将网格样本转化为适用于神经网络训练的输入特征矩阵，然后对输入特征矩阵进行适当的数据预处理，以保证后续训练的稳定性，方法是：
3.1.1初始化变量i＝1；
3.1.2计算网格由许多网格单元组成，为了将网格样本转化为适用于神经网络训练的输入特征矩阵，需提取第i套网格样本内所有网格单元的特征属性，用于构建输入特征矩阵。提取的网格单元特征属性分别是：每个网格单元的x方向边长、y方向边长以及网格单元内最大内角的角度，采用输入特征矩阵构建方法为训练数据集构建输入特征矩阵，具体构建方法是：
3.1.2.1采用x方向边长提取方法提取第i套网格样本内所有网格单元x方向边长，得到x方向边长特征数组Feature_x：
3.1.2.1.1初始化变量m为0，初始化网格单元x方向特征数组Feature_x为空。Feature_x中有M个元素，M为组成计算网格中的网格单元个数；
3.1.2.1.2提取网格单元的x方向边长，将第m个网格单元的x方向边长的值写入x方向边长特征数组Feature_x，记为Feature_x[m]；
3.1.2.1.3m＝m+1，若m<M，转3.1.2.1.2，否则转3.1.2.2。
3.1.2.2采用y方向边长提取方法提取第i套网格样本内所有网格单元y方向边长，得到y方向边长特征数组Feature_y：
3.1.2.2.1初始化变量m为0，初始化网格单元y方向特征数组Feature_y为空。Feature_y数组中也有M个元素；
3.1.2.2.2提取网格单元的y方向边长，将第m个网格单元的y方向边长的值写入Feature_y数组，记为Feature_y[m]；
3.1.2.2.3m＝m+1，若m<M，转3.1.2.2.2，否则转3.1.2.3。
3.1.2.3采用最大内角角度提取方法提取第i套网格样本内所有网格单元最大内角角度，得到最大内角角度特征数组Feature_angle：
3.1.2.3.1初始化变量m为0，初始化网格单元最大内角角度特征数组Feature_angle为空。Feature_angle数组中有M个元素；
3.1.2.3.2提取网格单元的最大内角角度，将第m个网格单元的最大内角角度的值写入为Feature_angle数组，记为Feature_angle[m]；
3.1.2.3.3m＝m+1，若m<M，转3.1.2.3.2，否则转3.1.3。
3.1.3对数组Feature_x，Feature_y和Feature_angle进行数据预处理，得到预处理后的数组Feature_X，Feature_Y和Feature_Angle，方法是：
3.1.3.1计算数组Feature_x中M个元素的均值
和方差σx，计算数组Feature_y中M个元素的均值
和方差σy，计算数组Feature_angle中M个元素的均值
和方差σangle；
3.1.3.2对Feature_x进行预处理，方法是：将Feature_x中的M个元素均按以下公式进行变换：
3.1.3.3对Feature_y进行预处理，方法是：将Feature_y中的M个元素均按以下公式进行变换：
3.1.3.4对Feature_Angle进行预处理，方法是：将Feature_Angle中的M个元素均按以下公式进行变换：
Feature_Angle[m]为预处理后的Feature_Angle数组中的第m个元素；
3.1.3.5构建输入特征矩阵，初始化第i套网格样本的输入特征矩阵为Ai，Ai为维度为3×n的矩阵，将数组Feature_X的值赋给矩阵Ai的第一行，将数组Feature_Y的值赋给矩阵Ai的第二行，将数组Feature_Angle的值赋给矩阵Ai的第三行，矩阵Ai就是用于神经网络训练的第i套网格样本的输入特征矩阵；
1.7.1令i＝i+1，若i≤N，转3.1.2，否则转3.2；
3.2数据传输，将N个输入特征矩阵(即A1，…，Ai，…，AN)从CPU端传输至GPU端；
3.3在GPU端用N个输入特征矩阵(即A1，…，Ai，…，AN)训练所搭建的神经网络(指4个特征提取模块、3个压缩模块、分类模块)。训练周期为100轮，初始学习率为0.001，损失函数选择正则化的交叉熵损失函数，优化算法选择随机梯度下降算法，通过反向传播自动更新4个特征提取模块以及分类模块中卷积层的参数，使神经网络能够从训练样本中自适应地学习网格质量与计算结果精度之间的映射关系；
第四步，采用训练后的基于神经网络的网格质量检测系统对待检测的网格进行质量检测，方法是：
4.1在CPU端采用网格处理模块构建待检测网格的输入特征矩阵Ain，方法是：
4.1.1采用3.1.2.1所述的x方向边长提取方法提取待检测网格中所有网格单元的x方向边长，得到待检测网格x方向边长特征数组Feature_x’；
4.1.2采用3.1.2.2所述的y方向边长提取方法提取待检测网格中所有网格单元的y方向边长，得到待检测网格y方向边长特征数组Feature_y’；
4.1.3采用3.1.2.3所述的最大内角角度提取方法提取待检测网格中所有网格单元的最大内角角度，待检测网格最大内角角度特征数组Feature_angle’；
4.2采用3.1.3所述预处理方法对Feature_x’、Feature_y’、Feature_angle’进行预处理，得到预处理后的数组Feature_X’，Feature_Y’和Feature_Angle’，并利用到Feature_X’，Feature_Y’和Feature_Angle’构建输入特征矩阵Ain；
4.3将输入特征矩阵Ain传输至GPU端的第一特征提取模块；
4.4训练后的基于神经网络的网格质量检测系统对Ain进行质量检测，方法是：
4.4.1第一特征提取模块从Ain中提取与计算结果精度相关的第一高维特征：第一特征提取模块采用一个通道数为32、卷积核大小为7x7的卷积层和一个通道数为64，卷积核大小为5x5的卷积层进行特征提取，得到特征维度为64维的第一高维特征，将得到的第一高维特征输出给第一压缩模块；
4.4.2第一压缩模块使用最大池化层对第一高维特征进行压缩，将压缩后的第一高维特征输出给第二特征提取模块；压缩方法是采用最大池化操作按照第一高维特征的特征维度的顺序，以步长为2的方式，保留每相邻2×2个特征值中最大的值，过滤掉除最大值外的其他3个特征值。这样压缩后使得第一高维特征中保留了关键特征，过滤掉不重要特征。
4.4.3第二特征提取模块从压缩后的第一高维特征中提取第二高维特征：第二特征提取模块采用两个通道数为128，卷积核大小为3x3的卷积层进行特征提取，得到特征维度为128维的第二高维特征，将第二高维特征输
出给第二压缩模块；
4.4.4第二压缩模块使用最大池化层对第二高维特征进行压缩，将压缩后的第二高维特征输出给第三特征提取模块；压缩方法是采用最大池化操作按照第二高维特征的特征维度的顺序，以步长为2的方式，保留每相邻2×2个特征值中最大的值，过滤掉除最大值外的其他3个特征值。
4.4.5第三特征提取模块从压缩后的第二高维特征中提取第三高维特征：第三特征提取模块采用两个通道数为256，卷积核大小为3x3的卷积层进行特征提取，得到特征维度为256维的第三高维特征，将第三高维特征输出给第三压缩模块；
4.4.6第三压缩模块使用最大池化层对输入的第三高维特征进行压缩，将压缩后的第三高维特征输出给第四特征提取模块；压缩方法是采用最大池化操作按照第三高维特征的特征维度的顺序，以步长为2的方式，保留每相邻2×2个特征值中最大的值，过滤掉除最大值外的其他3个特征值。
4.4.7第四特征提取模块从压缩后的第三高维特征中提取第四高维特征：第四特征提取模块采用四个通道数为512，卷积核大小为3x3的卷积层进行特征提取，得到特征维度为512维的第四高维特征，将第四高维特征输出给分类模块；
4.4.8分类模块采用卷积核大小为1x1，通道数为3的卷积层、全局池化层和Softmax层对第四高维特征进行分类：分类模块中的卷积层和全局池化层先将第四高维特征压缩为通道数为3的分类特征，然后由Softmax层对分类特征进行分类，得到分类结果；
4.5分类模块将分类结果传输到CPU端的结果分析模块；
4.6部署在CPU端的结果分析模块对分类结果进行分析：若得到的分类结果为“高质量网格”，转第七步；若分类结果为“网格光滑性差”，转第五步；若分类结果为“网格分布不合理”，转第六步；
第五步、输出“被检测的网格存在不光滑，网格单元过渡不均匀的问题，需要在计算前用网格光顺或局部变换优化算法进一步优化网格质量”，转第八步。
第六步，输出“需要用网格点拓扑重构，网格细化等方法对网格附面层区域进行网格加密，以确保后续计算结果的准确性”，转第八步。
第七步，输出“被检测的网格能够满足计算的最低要求，可以无需后续优化直接用于计算”，转第八步；
第八步，结束。
采用本发明可以达到以下技术效果：
1、本发明第一步中搭建的基于神经网络的网格质量检测系统运用不同通道数、卷积核大小的卷积层组成的4个特征提取模块，从多个维度充分提取了与计算结果精度相关的网格高维特征，保证了检测的准确性；此外，本发明的第二步构建的大规模网格训练集为神经网络的训练提供了丰富的训练样本和具有泛化性的参数优化空间，进一步保证了训练后的神经网络能够实现检测的准确性，可解决现有网格质量检测方法检测准确率低的问题。
2、本发明第一步在搭建基于神经网络的网格质量检测系统时充分利用CPU数据读写速度快，GPU数据计算速度快的优势，将检测系统拆分为网格处理模块、特征提取模块、压缩模块、分类模块和结果分析模块，并分别部署到CPU端和GPU端。一方面，检测系统中包含大量计算的模块都部署到了GPU端进行加速计算，减轻了现有网格质量检测方法中CPU上庞大的计算负担及带来的开销；另一方面，3个压缩模块在保留关键特征信息的同时，对高维特征进行了压缩，减少了计算量，进一步加速了网格质量检测流程。
3、本发明在第四步进行网格质量检测过程中，无需人工辅助决策，通过神经网络实现数值计算前对网格质量的智能检测，实现了全自动的网格质量检测方法，促进了网格自动化处理流程的发展。
附图说明
图1是本发明构建的面向GPU和神经网络的网格质量检测系统逻辑结构图。
图2是本发明总体流程图。
具体实施方式
如图2所示，本发明包括以下步骤：
第一步、搭建基于神经网络的网格质量检测系统。如图1所示，基于神经网络的网格质量检测系统由网格处理模块、4个特征提取模块、3个压缩模块、分类模块、结果分析模块组成。4个特征提取模块、3个压缩模块、分类模块部署在GPU上，网格处理模块、结果分析模块部署在CPU上。
CPU端的网格处理模块从文件读入网格，负责将输入的网格转化为适用于神经网络训练的输入特征矩阵，然后将输入特征矩阵发送给GPU端的特征提取模块。
第一特征提取模块是一个神经网络，由一个通道数为32、卷积核大小为7x7的卷积层和一个通道数为64、卷积核大小为5x5的卷积层组成。第一特征提取模块与第一压缩模块相连，负责从输入特征矩阵中提取与计算结果精度相关的第一高维特征。第一高维特征的特征维度为64，第一特征提取模块将第一高维特征发送给第一压缩模块。
第一压缩模块也是一个神经网络，负责连接第一特征提取模块和第二特征提取模块。第一压缩模块由一个尺寸为2、步长为2的最大池化层构成。第一压缩模块从第一特征提取模块接收第一高维特征，对第一高维特征维度进行压缩。
第二特征提取模块是由两个通道数为128、卷积核大小为3x3的卷积层组成的神经网络。第二特征提取模块与第一压缩模块、第二压缩模块相连，负责从压缩后的第一高维特征中提取与计算结果精度相关的第二高维特征。第二高维特征的特征维度为128，第二特征提取模块将第二高维特征发送给第二压缩模块。
第二压缩模块也由尺寸为2、步长为2的最大池化层构成，第二压缩模块从第二特征提取模块接收128维的第二高维特征，对特征维度进行压缩。
第三特征提取模块是一个神经网络，由两个通道数为256、卷积核大小为3x3的卷积层组成。第三特征提取模块与第二压缩模块、第三压缩模块相连，负责从压缩后的第二高维特征中提取与计算结果精度相关的第三高维特征。第三高维特征的特征维度为256，第三特征提取模块将第三高维特征发送给第三压缩模块。
第三压缩模块同样由尺寸为2、步长为2的最大池化层构成，第三压缩模块从第三特征提取模块接收256维的第三高维特征，对第三高维特征维度进行压缩。
第四特征提取模块是由四个通道数为512、卷积核大小为3x3的卷积层组成的神经网络。第四特征提取模块与第三压缩模块、分类模块相连，负责从压缩后的第三高维特征中提取与计算结果精度相关的第四高维特征。第四高维特征的特征维度为512，第四特征提取模块将第四高维特征发送给分类模块。
分类模块也是一个神经网络，由一个卷积层(卷积核大小为1x1，通道数为3)、一个全局池化层和一个Softmax层构成。分类模块从第四特征提取模块接收第四高维特征，对第四高维特征进行分类，得到分类结果，然后将分类结果发送给结果分析模块。
结果分析模块接收分类模块输出的分类结果，通过对分类结果进行分析，输出计算网格的质量检测结果。
第二步，构建训练数据集。具体步骤如下：
2.1设置训练数据库的预期规模N，N不小于10240；
2.2根据飞行器的外形参数，用CAD软件(如ICEM，版本为17.1及以上)绘制飞行器的几何外形，并将绘制好的外形导入Gmsh网格生成软件(http://www.gmsh.info/，版本为4.5.6及以上)；
2.3设置Gmsh网格生成软件中的网格参数，生成不同质量的计算网格。网格参数包括：外场点数(取值范围为60-80)、附面层首层高度(取值范围为0.001-0.0001)、网格线首尾点偏转角度(取值范围为0°-20°)、网格线首点分布长度(取值范围为0.01-0.03)；
2.4根据2.3中设置的网格参数，用Gmsh网格软件生成计算网格，并将该套计算网格放到训练数据集中作为训练数据集中的一个网格样本；
2.5若训练数据集中的网格样本数少于N，转2.2；若生成的网格数量等于N，转2.6；
2.6对训练数据集中的N个网格样本进行标注，具体步骤如下：
2.6.1初始化i＝1；
2.6.2将训练数据集中的第i套网格导入Fluent求解器(https://www.ansys.com/，版本16.0及以上)中进行数值计算，设置Fluent迭代次数Ep，Ep为正整数，优选为500，记录计算结果，方法是：
2.6.2.1初始化j＝1，初始化第i组计算结果数组Ri为空；
2.6.2.2 Fluent求解器进行数值计算，令第i套网格的第j轮计算结果为rij，并将rij放到计算结果数组Ri中；
2.6.2.3 j＝j+1，若j<Ep，转2.6.2.2，否则转2.6.3；
2.6.3分析Ri，根据Ri对计算网格进行标注，方法是：
2.6.3.1若Ri数组收敛且最后两轮的计算结果(ri,Ep-1和ri,Ep)之差小于等于10-6，则将第i套网格标注为“高质量网格”，转2.6.4，否则转2.6.3.2；
2.6.3.2若Ri收敛但ri,Ep-1和ri,Ep之差大于10-6，则将第i套网格标注为“网格光滑性差”，转2.6.4，否则转2.6.3.3；
2.6.3.3若Ri不收敛，则将第i套网格标注为“网格分布不合理”，转2.6.4；
2.6.4令i＝i+1，若i<N，转2.6.2，否则转第三步；
第三步，采用训练数据集对基于神经网络的网格质量检测系统进行训练，具体步骤如下：
3.1部署在CPU端的网格处理模块对训练数据集中的网格进行量化和预处理，方法是：
3.1.1初始化变量i＝1；
3.1.2提取第i套网格样本内所有网格单元的特征属性，用于构建输入特征矩阵。提取的网格单元特征属性分别是：每个网格单元的x方向边长、y方向边长以及网格单元内最大内角的角度，采用输入特征矩阵构建方法为训练数据集构建输入特征矩阵，具体构建方法是：
3.1.2.1采用x方向边长提取方法提取第i套网格样本内所有网格单元x方向边长，得到x方向边长特征数组Feature_x：
3.1.2.1.1初始化变量m为0，初始化网格单元x方向特征数组Feature_x为空。Feature_x中有M个元素，M为组成计算网格中的网格单元个数；
3.1.2.1.2提取网格单元的x方向边长，将第m个网格单元的x方向边长的值写入x方向边长特征数组Feature_x，记为Feature_x[m]；
3.1.2.1.3m＝m+1，若m<M，转3.1.2.1.2，否则转3.1.2.2。
3.1.2.2采用y方向边长提取方法提取第i套网格样本内所有网格单元y方向边长，得到y方向边长特征数组Feature_y：
3.1.2.2.1初始化变量m为0，初始化网格单元y方向特征数组Feature_y为空。Feature_y数组中也有M个元素；
3.1.2.2.2提取网格单元的y方向边长，将第m个网格单元的y方向边长的值写入Feature_y数组，记为Feature_y[m]；
3.1.2.2.3m＝m+1，若m<M，转3.1.2.2.2，否则转3.1.2.3。
3.1.2.3采用最大内角角度提取方法提取第i套网格样本内所有网格单元最大内角角度，得到最大内角角度特征数组Feature_angle：
3.1.2.3.1初始化变量m为0，初始化网格单元最大内角角度特征数组Feature_angle为空。Feature_angle数组中有M个元素；
3.1.2.3.2提取网格单元的最大内角角度，将第m个网格单元的最大内角角度的值写入为Feature_angle数组，记为Feature_angle[m]；
3.1.2.3.3m＝m+1，若m<M，转3.1.2.3.2，否则转3.1.3。
3.1.3对数组Feature_x，Feature_y和Feature_angle进行数据预处理，得到预处理后的数组Feature_X，Feature_Y和Feature_Angle，方法是：
3.1.3.1计算数组Feature_x中M个元素的均值
和方差σx，计算数组Feature_y中M个元素的均值
和方差σy，计算数组Feature_angle中M个元素的均值
和方差σangle；
3.1.3.2对Feature_x进行预处理，方法是：将Feature_x中的M个元素均按以下公式进行变换：
3.1.3.3对Feature_y进行预处理，方法是：将Feature_y中的M个元素均按以下公式进行变换：
3.1.3.4对Feature_Angle进行预处理，方法是：将Feature_Angle中的M个元素均按以下公式进行变换：
3.1.3.5构建输入特征矩阵，初始化第i套网格样本的输入特征矩阵为Ai，Ai为维度为3×n的矩阵，将数组Feature_X的值赋给矩阵Ai的第一行，将数组Feature_Y的值赋给矩阵Ai的第二行，将数组Feature_Angle的值赋给矩阵Ai的第三行，矩阵Ai就是用于神经网络训练的第i套网格样本的输入特征矩阵；
3.1.3.6令i＝i+1，若i≤N，转3.1.2，否则转3.2；
3.2数据传输，将N个输入特征矩阵(即A1，…，Ai，…，AN)从CPU端传输至GPU端；
3.3在GPU端用N个输入特征矩阵(即A1，…，Ai，…，AN)训练所搭建的神经网络(指4个特征提取模块、3个压缩模块、分类模块)。训练周期为100轮，初始学习率为0.001，损失函数选择正则化的交叉熵损失函数，优化算法选择随机梯度下降算法，通过反向传播自动更新4个特征提取模块以及分类模块中卷积层的参数，以拟合计算网格与计算结果精度之间的非线性映射；
第四步，采用训练后的基于神经网络的网格质量检测系统对待检测的网格进行质量检测，方法是：
4.1在CPU端采用网格处理模块构建待检测网格的输入特征矩阵Ain，方法是：
4.1.1采用3.1.2.1所述的x方向边长提取方法提取待检测网格中所有网格单元的x方向边长，得到待检测网格x方向边长特征数组Feature_x’；
4.1.2采用3.1.2.2所述的y方向边长提取方法提取待检测网格中所有网格单元的y方向边长，得到待检测网格y方向边长特征数组Feature_y’；
4.1.3采用3.1.2.3所述的最大内角角度提取方法提取待检测网格中所有网格单元的最大内角角度，待检测网格最大内角角度特征数组Feature_angle’；
4.2采用3.1.3所述预处理方法对Feature_x’、Feature_y’、Feature_angle’进行预处理，得到预处理后的数组Feature_X’，Feature_Y’和Feature_Angle’，并利用到Feature_X’，Feature_Y’和Feature_Angle’构建输入特征矩阵Ain；
4.3将输入特征矩阵Ain传输至GPU端的第一特征提取模块；
4.4训练后的基于神经网络的网格质量检测系统对Ain进行质量检测，方法是：
4.4.1第一特征提取模块从Ain中提取与计算结果精度相关的第一高维特征：第一特征提取模块采用一个通道数为32、卷积核大小为7x7的卷积层和一个通道数为64，卷积核大小为5x5的卷积层进行特征提取，得到特征维度为64维的第一高维特征，将得到的第一高维特征输出给第一压缩模块；
4.4.2第一压缩模块使用最大池化层对第一高维特征进行压缩，将压缩后的第一高维特征输出给第二特征提取模块；压缩方法是采用最大池化操作按照第一高维特征的特征维度的顺序，以步长为2的方式，保留每相邻2×2个特征值中最大的值，过滤掉除最大值外的其他3个特征值。
4.4.3第二特征提取模块从压缩后的第一高维特征中提取第二高维特征：第二特征提取模块采用两个通道数为128，卷积核大小为3x3的卷积层进行特征提取，得到特征维度为128维的第二高维特征，将第二高维特征输出给第二压缩模块；
4.4.4第二压缩模块使用最大池化层对第二高维特征进行压缩，将压缩后的第二高维特征输出给第三特征提取模块；压缩方法是采用最大池化操作按照第二高维特征的特征维度的顺序，以步长为2的方式，保留每相邻2×2个特征值中最大的值，过滤掉除最大值外的其他3个特征值。
4.4.5第三特征提取模块从压缩后的第二高维特征中提取第三高维特征：第三特征提取模块采用两个通道数为256，卷积核大小为3x3的卷积层进行特征提取，得到特征维度为256维的第三高维特征，将第三高维特征输出给第三压缩模块；
4.4.6第三压缩模块使用最大池化层对输入的第三高维特征进行压缩，将压缩后的第三高维特征输出给第四特征提取模块；压缩方法是采用最大池化操作按照第三高维特征的特征维度的顺序，以步长为2的方式，保留每相邻2×2个特征值中最大的值，过滤掉除最大值外的其他3个特征值。
4.4.7第四特征提取模块从压缩后的第三高维特征中提取第四高维特征：第四特征提取模块采用四个通道数为512，卷积核大小为3x3的卷积层进行特征提取，得到特征维度为512维的第四高维特征，将第四高维特征输出给分类模块；
4.4.8分类模块采用卷积核大小为1x1，通道数为3的卷积层、全局池化层和Softmax层对第四高维特征进行分类：分类模块中的卷积层和全局池化层先将第四高维特征压缩为通道数为3的分类特征，然后由Softmax层对分类特征进行分类，得到分类结果；
4.5分类模块将分类结果传输到CPU端的结果分析模块；
4.6部署在CPU端的结果分析模块对分类结果进行分析：若得到的分类结果为“高质量网格”，转第七步；若分类结果为“网格光滑性差”，转第五步；若分类结果为“网格分布不合理”，转第六步；
第五步、输出“被检测的网格存在不光滑，网格单元过渡不均匀的问题，需要在计算前用网格光顺或局部变换优化算法进一步优化网格质量”，转第八步。
第六步，输出“需要用网格点拓扑重构，网格细化等方法对网格附面层区域进行网格加密，以确保后续计算结果的准确性”，转第八步。
第七步，输出“被检测的网格能够满足计算的最低要求，可以无需后续优化直接用于计算”，转第八步；
第八步，结束。
Claims (10)
1.一种面向GPU和神经网络的网格质量检测方法，其特征在于包括以下步骤：
第一步、搭建基于神经网络的网格质量检测系统，基于神经网络的网格质量检测系统由网格处理模块、4个特征提取模块、3个压缩模块、分类模块、结果分析模块组成；4个特征提取模块、3个压缩模块、分类模块部署在GPU上，网格处理模块、结果分析模块部署在CPU上；
CPU端的网格处理模块从文件读入网格，将网格转化为适用于神经网络训练的输入特征矩阵，将输入特征矩阵发送给GPU端的特征提取模块；
第一特征提取模块、第二特征提取模块、第三特征提取模块均是由2个卷积层组成的神经网络；第一特征提取模块与第一压缩模块相连，负责从输入特征矩阵中提取与计算结果精度相关的第一高维特征，将第一高维特征发送给第一压缩模块；
第一压缩模块、第二压缩模块、第三压缩模块均是由最大池化层构成的神经网络；第一压缩模块负责连接第一特征提取模块和第二特征提取模块；第一压缩模块从第一特征提取模块接收第一高维特征，对第一高维特征维度进行压缩，将压缩后的第一高维特征输出给第二特征提取模块；
第二特征提取模块与第一压缩模块、第二压缩模块相连，负责从压缩后的第一高维特征中提取与计算结果精度相关的第二高维特征，将第二高维特征发送给第二压缩模块；
第二压缩模块从第二特征提取模块接收第二高维特征，对第二高维特征的特征维度进行压缩，将压缩后的第二高维特征发送给第三特征提取模块；
第三特征提取模块与第二压缩模块、第三压缩模块相连，负责从压缩后的第二高维特征中提取与计算结果精度相关的第三高维特征，将第三高维特征发送给第三压缩模块；
第三压缩模块从第三特征提取模块接收第三高维特征，对第三高维特征维度进行压缩，将压缩后的第三高维特征发送给第四特征提取模块；
第四特征提取模块是由四个卷积层组成的神经网络；第四特征提取模块与第三压缩模块、分类模块相连，负责从压缩后的第三高维特征中提取与计算结果精度相关的第四高维特征，将第四高维特征发送给分类模块；
分类模块是由一个卷积层、一个全局池化层和一个Softmax层构成的神经网络；分类模块从第四特征提取模块接收第四高维特征，对第四高维特征进行分类，得到分类结果，将分类结果发送给结果分析模块；
结果分析模块接收分类模块输出的分类结果，对分类结果进行分析，输出计算网格的质量检测结果；
第二步，构建训练数据集，方法是：
2.1设置训练数据库的预期规模N，N为正整数；
2.2根据飞行器的外形参数，绘制飞行器的几何外形，并将绘制好的外形导入Gmsh网格生成软件；
2.3设置Gmsh网格生成软件中的网格参数，生成不同质量的计算网格；
2.4根据网格参数，用Gmsh网格软件生成计算网格，并将该套计算网格放到训练数据集中作为训练数据集中的一个网格样本；
2.5若训练数据集中的网格样本数少于N，转2.2；若生成的网格数量等于N，转2.6；
2.6对训练数据集中的N个网格样本进行标注，具体步骤如下：
2.6.1初始化i＝1；
2.6.2将训练数据集中的第i套网格导入Fluent求解器中进行数值计算，设置Fluent迭代次数Ep，Ep为正整数，记录计算结果，方法是：
2.6.2.1初始化j＝1，初始化第i组计算结果数组Ri为空；
2.6.2.2 Fluent求解器进行数值计算，令第i套网格的第j轮计算结果为rij，并将rij放到计算结果数组Ri中；
2.6.2.3 j＝j+1，若j<Ep，转2.6.2.2，否则转2.6.3；
2.6.3分析Ri，根据Ri对计算网格进行标注，方法是：
2.6.3.1若Ri数组收敛即计算结果随着j的变大逐渐趋近某一固定值且最后两轮的计算结果即ri,Ep-1和ri,Ep之差小于等于10-6，则将第i套网格标注为“高质量网格”，转2.6.4，否则转2.6.3.2；
2.6.3.2若Ri收敛但ri,Ep-1和ri,Ep之差大于10-6，则将第i套网格标注为“网格光滑性差”，转2.6.4，否则转2.6.3.3；
2.6.3.3若Ri不收敛，则将第i套网格标注为“网格分布不合理”，转2.6.4；
2.6.4令i＝i+1，若i<N，转2.6.2，否则转第三步；
第三步，采用训练数据集对基于神经网络的网格质量检测系统进行训练，方法是：
3.1部署在CPU端的网格处理模块对训练数据集中的网格进行量化和预处理，方法是：
3.1.1初始化变量i＝1；
3.1.2采用输入特征矩阵构建方法为训练数据集构建输入特征矩阵，方法是：
3.1.2.1采用x方向边长提取方法提取第i套网格样本内所有网格单元x方向边长，得到x方向边长特征数组Feature_x：
3.1.2.1.1初始化变量m为0，初始化网格单元x方向特征数组Feature_x为空，Feature_x中有M个元素，M为组成计算网格中的网格单元个数；
3.1.2.1.2提取网格单元的x方向边长，将第m个网格单元的x方向边长的值写入x方向边长特征数组Feature_x，记为Feature_x[m]；
3.1.2.1.3 m＝m+1，若m<M，转3.1.2.1.2，否则转3.1.2.2；
3.1.2.2采用y方向边长提取方法提取第i套网格样本内所有网格单元y方向边长，得到y方向边长特征数组Feature_y：
3.1.2.2.1初始化变量m为0，初始化网格单元y方向特征数组Feature_y为空，Feature_y数组中也有M个元素；
3.1.2.2.2提取网格单元的y方向边长，将第m个网格单元的y方向边长的值写入Feature_y数组，记为Feature_y[m]；
3.1.2.2.3 m＝m+1，若m<M，转3.1.2.2.2，否则转3.1.2.3；
3.1.2.3采用最大内角角度提取方法提取第i套网格样本内所有网格单元最大内角角度，得到最大内角角度特征数组Feature_angle：
3.1.2.3.1初始化变量m为0，初始化网格单元最大内角角度特征数组Feature_angle为空，Feature_angle数组中有M个元素；
3.1.2.3.2提取网格单元的最大内角角度，将第m个网格单元的最大内角角度的值写入为Feature_angle数组，记为Feature_angle[m]；
3.1.2.3.3 m＝m+1，若m<M，转3.1.2.3.2，否则转3.1.3；
3.1.3对数组Feature_x，Feature_y和Feature_angle进行数据预处理，得到预处理后的数组Feature_X，Feature_Y和Feature_Angle，方法是：
3.1.3.1计算数组Feature_x中M个元素的均值
和方差σx，计算数组Feature_y中M个元素的均值
和方差σy，计算数组Feature_angle中M个元素的均值
和方差σangle；
3.1.3.2对Feature_x进行预处理，方法是：将Feature_x中的M个元素均按以下公式进行变换：
其中，Feature_X[m]为预处理后的Feature_X数组中的第m个元素；
3.1.3.3对Feature_y进行预处理，方法是：将Feature_y中的M个元素均按以下公式进行变换：
其中，Feature_Y[m]为预处理后的Feature_Y数组中的第m个元素；
3.1.3.4对Feature_Angle进行预处理，方法是：将Feature_Angle中的M个元素均按以下公式进行变换：
其中，Feature_Angle[m]为预处理后的Feature_Angle数组中的第m个元素；
3.1.3.5构建输入特征矩阵，初始化第i套网格样本的输入特征矩阵为Ai，Ai为维度为3×n的矩阵，将数组Feature_X的值赋给矩阵Ai的第一行，将数组Feature_Y的值赋给矩阵Ai的第二行，将数组Feature_Angle的值赋给矩阵Ai的第三行，矩阵Ai就是用于神经网络训练的第i套网格样本的输入特征矩阵；
3.1.3.6令i＝i+1，若i≤N，转3.1.2，否则转3.2；
3.2将N个输入特征矩阵即A1，…，Ai，…，AN从CPU端传输至GPU端；
3.3在GPU端用N个输入特征矩阵训练4个特征提取模块、3个压缩模块、分类模块；
第四步，采用训练后的基于神经网络的网格质量检测系统对待检测的网格进行质量检测，方法是：
4.1在CPU端采用网格处理模块构建待检测网格的输入特征矩阵Ain，方法是：
4.1.1采用3.1.2.1所述的x方向边长提取方法提取待检测网格中所有网格单元的x方向边长，得到待检测网格x方向边长特征数组Feature_x’；
4.1.2采用3.1.2.2所述的y方向边长提取方法提取待检测网格中所有网格单元的y方向边长，得到待检测网格y方向边长特征数组Feature_y’；
4.1.3采用3.1.2.3所述的最大内角角度提取方法提取待检测网格中所有网格单元的最大内角角度，待检测网格最大内角角度特征数组Feature_angle’；
4.2采用3.1.3所述预处理方法对Feature_x’、Feature_y’、Feature_angle’进行预处理，得到预处理后的数组Feature_X’，Feature_Y’和Feature_Angle’，并利用到Feature_X’，Feature_Y’和Feature_Angle’构建输入特征矩阵Ain；
4.3将输入特征矩阵Ain传输至GPU端的第一特征提取模块；
4.4训练后的基于神经网络的网格质量检测系统对Ain进行质量检测，方法是：
4.4.1第一特征提取模块从Ain中提取与计算结果精度相关的第一高维特征，将第一高维特征输出给第一压缩模块；
4.4.2第一压缩模块使用最大池化层对第一高维特征进行压缩，将压缩后的第一高维特征输出给第二特征提取模块；
4.4.3第二特征提取模块从压缩后的第一高维特征中提取第二高维特征，将第二高维特征输出给第二压缩模块；
4.4.4第二压缩模块使用最大池化层对第二高维特征进行压缩，将压缩后的第二高维特征输出给第三特征提取模块；
4.4.5第三特征提取模块从压缩后的第二高维特征中提取第三高维特征，将第三高维特征输出给第三压缩模块；
4.4.6第三压缩模块使用最大池化层对输入的第三高维特征进行压缩，将压缩后的第三高维特征输出给第四特征提取模块；
4.4.7第四特征提取模块从压缩后的第三高维特征中提取第四高维特征，将第四高维特征输出给分类模块；
4.4.8分类模块采用卷积层、全局池化层和Softmax层对第四高维特征进行分类，分类模块中的卷积层和全局池化层先将第四高维特征压缩为通道数为3的分类特征，然后由Softmax层对分类特征进行分类，得到分类结果；
4.5分类模块将分类结果传输到CPU端的结果分析模块；
4.6部署在CPU端的结果分析模块对分类结果进行分析：若得到的分类结果为“高质量网格”，转第七步；若分类结果为“网格光滑性差”，转第五步；若分类结果为“网格分布不合理”，转第六步；
第五步、输出“被检测的网格存在不光滑，网格单元过渡不均匀的问题，需要在计算前用网格光顺或局部变换优化算法进一步优化网格质量”，转第八步；
第六步，输出“需要用网格点拓扑重构，网格细化等方法对网格附面层区域进行网格加密，以确保后续计算结果的准确性”，转第八步；
第七步，输出“被检测的网格能够满足计算的最低要求，可以无需后续优化直接用于计算”，转第八步；
第八步，结束。
2.如权利要求1所述的一种面向GPU和神经网络的网格质量检测方法，其特征在于所述第一高维特征的特征维度为64；第二高维特征的特征维度为128；第三高维特征的特征维度为256；第四高维特征的特征维度为512。
3.如权利要求1所述的一种面向GPU和神经网络的网格质量检测方法，其特征在于所述第一特征提取模块由一个通道数为32、卷积核大小为7x7的卷积层和一个通道数为64、卷积核大小为5x5的卷积层组成；第二特征提取模块由两个通道数为128、卷积核大小为3x3的卷积层组成；第三特征提取模块由两个通道数为256、卷积核大小为3x3的卷积层组成；第四特征提取模块由四个通道数为512、卷积核大小为3x3的卷积层组成。
4.如权利要求1所述的一种面向GPU和神经网络的网格质量检测方法，其特征在于所述构成第一压缩模块、第二压缩模块、第三压缩模块的最大池化层的步长均为2。
5.如权利要求1所述的一种面向GPU和神经网络的网格质量检测方法，其特征在于所述分类模块由一个卷积核大小为1x1，通道数为3的卷积层、一个全局池化层和一个Softmax层构成。
6.如权利要求1所述的一种面向GPU和神经网络的网格质量检测方法，其特征在于所述训练数据集的规模N不小于10240，所述Ep为500。
7.如权利要求1所述的一种面向GPU和神经网络的网格质量检测方法，其特征在于第二步所述绘制飞行器的几何外形的软件为CAD软件ICEM，版本为17.1及以上，所述Gmsh网格生成软件版本为4.5.6及以上；所述Fluent求解器版本为17.1及以上。
8.如权利要求1所述的一种面向GPU和神经网络的网格质量检测方法，其特征在于2.8步所述网格参数设置方法是：外场点数设置为60-80、附面层首层高度设置为0.001-0.0001、网格线首尾点偏转角度设置为0°-20°、网格线首点分布长度设置为0.01-0.03。
9.如权利要求1所述的一种面向GPU和神经网络的网格质量检测方法，其特征在于3.3步所述在GPU端用N个输入特征矩阵训练4个特征提取模块、3个压缩模块、分类模块的方法是：训练周期为100轮，初始学习率为0.001，损失函数选择正则化的交叉熵损失函数，优化算法选择随机梯度下降算法，通过反向传播自动更新4个特征提取模块、分类模块中的参数，以拟合计算网格与计算结果精度之间的非线性映射。
10.如权利要求1所述的一种面向GPU和神经网络的网格质量检测方法，其特征在于第四步所述第一压缩模块对第一高维特征进行压缩的方法、第二压缩模块对第二高维特征进行压缩的方法、第三压缩模块对第三高维特征进行压缩的方法相同，均是最大池化操作按照特征维度的顺序，以步长为2的方式，保留每相邻2×2个特征值中最大的值，过滤掉除最大值外的其他3个特征值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010803829.0A CN111783964B (zh) | 2020-08-11 | 2020-08-11 | 面向gpu和神经网络的网格质量检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010803829.0A CN111783964B (zh) | 2020-08-11 | 2020-08-11 | 面向gpu和神经网络的网格质量检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111783964A true CN111783964A (zh) | 2020-10-16 |
| CN111783964B CN111783964B (zh) | 2022-09-06 |
Family
ID=72761941
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010803829.0A Active CN111783964B (zh) | 2020-08-11 | 2020-08-11 | 面向gpu和神经网络的网格质量检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111783964B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112307673A (zh) * | 2020-11-02 | 2021-02-02 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于深度学习的网格面质量检测方法 |
| CN113722239A (zh) * | 2021-11-01 | 2021-11-30 | 南昌航空大学 | 机载嵌入式软件质量检测方法、装置、介质及电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897739A (zh) * | 2017-02-15 | 2017-06-27 | 国网江苏省电力公司电力科学研究院 | 一种基于卷积神经网络的电网设备分类方法 |
| CN108734642A (zh) * | 2017-04-24 | 2018-11-02 | 英特尔公司 | 对机器学习模型的动态分布训练 |
| CN110097055A (zh) * | 2019-04-29 | 2019-08-06 | 上海工程技术大学 | 一种基于栅格卷积神经网络的车辆姿态检测方法及系统 |
| CN110210621A (zh) * | 2019-06-06 | 2019-09-06 | 大连理工大学 | 一种基于残差网络改进的目标检测方法 |
-
2020
- 2020-08-11 CN CN202010803829.0A patent/CN111783964B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897739A (zh) * | 2017-02-15 | 2017-06-27 | 国网江苏省电力公司电力科学研究院 | 一种基于卷积神经网络的电网设备分类方法 |
| CN108734642A (zh) * | 2017-04-24 | 2018-11-02 | 英特尔公司 | 对机器学习模型的动态分布训练 |
| CN110097055A (zh) * | 2019-04-29 | 2019-08-06 | 上海工程技术大学 | 一种基于栅格卷积神经网络的车辆姿态检测方法及系统 |
| CN110210621A (zh) * | 2019-06-06 | 2019-09-06 | 大连理工大学 | 一种基于残差网络改进的目标检测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112307673A (zh) * | 2020-11-02 | 2021-02-02 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于深度学习的网格面质量检测方法 |
| CN113722239A (zh) * | 2021-11-01 | 2021-11-30 | 南昌航空大学 | 机载嵌入式软件质量检测方法、装置、介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111783964B (zh) | 2022-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110287800B (zh) | 一种基于sgse-gan的遥感图像场景分类方法 | |
| CN107122375B (zh) | 基于图像特征的图像主体的识别方法 | |
| CN111143567B (zh) | 一种基于改进神经网络的评论情感分析方法 | |
| CN111783964B (zh) | 面向gpu和神经网络的网格质量检测方法 | |
| CN114488140B (zh) | 一种基于深度迁移学习的小样本雷达一维像目标识别方法 | |
| CN112270345B (zh) | 基于自监督字典学习的聚类算法 | |
| CN111832546A (zh) | 一种轻量级自然场景文本识别方法 | |
| CN111627505B (zh) | 一种团簇结构类型识别方法 | |
| CN105046323A (zh) | 一种正则化rbf网络多标签分类方法 | |
| CN115099461A (zh) | 基于双分支特征提取的太阳辐射预测方法及系统 | |
| CN115062727A (zh) | 一种基于多阶超图卷积网络的图节点分类方法及系统 | |
| CN114661544A (zh) | 基于注意力机制层的大数据平台日志异常检测方法 | |
| CN113627674A (zh) | 一种分布式光伏电站出力预测方法、装置及存储介质 | |
| CN108460412A (zh) | 一种基于子空间联合稀疏低秩结构学习的图像分类方法 | |
| CN111209530A (zh) | 基于张量分解的异构大数据因子特征提取的方法及系统 | |
| CN116502074A (zh) | 一种基于模型融合的光伏发电功率预测方法及系统 | |
| CN115496948A (zh) | 一种基于深度学习的网络监督细粒度图像识别方法和系统 | |
| CN115564092A (zh) | 用于风电场的短时风电功率预测系统及其方法 | |
| CN115035408A (zh) | 基于迁移学习和注意力机制的无人机影像树种分类方法 | |
| CN115062754A (zh) | 一种基于优化胶囊的雷达目标识别方法 | |
| CN109472319B (zh) | 一种三维模型分类方法以及检索方法 | |
| CN111948736A (zh) | 一种基于大数据平台的高维天气预报数据降维方法 | |
| Zhang et al. | Deep convolutional neural network for fog detection | |
| CN108427967B (zh) | 一种实时影像聚类方法 | |
| CN113066172A (zh) | 一种基于云模型和神经网络的三维模型分类方法 |
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 |