CN112711897A - 一种压力场的计算方法和设备,及存储介质 - Google Patents
一种压力场的计算方法和设备,及存储介质 Download PDFInfo
- Publication number
- CN112711897A CN112711897A CN202110323867.0A CN202110323867A CN112711897A CN 112711897 A CN112711897 A CN 112711897A CN 202110323867 A CN202110323867 A CN 202110323867A CN 112711897 A CN112711897 A CN 112711897A
- Authority
- CN
- China
- Prior art keywords
- pressure field
- prediction model
- sample data
- particle
- training sample
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种压力场的计算方法和设备,及存储介质,压力场的计算方法包括:生成训练样本数据;其中,训练样本数据为具有压力场标签的噪声粒子图像序列;构建初始预测模型;其中,初始预测模型的输入维度和输出维度相同;利用训练样本数据对初始预测模型进行训练处理,获得压力场预测模型;根据压力场预测模型确定待测粒子图像对应的目标压力场。
Description
技术领域
本发明涉及流体力学中的激光测速技术领域,尤其涉及一种压力场的计算方法和设备,及存储介质。
背景技术
当前,在现代流体力学领域,粒子图像测速(Particle Image Velocimetry,PIV)技术以其可信度高、用途多样和测量范围广等特性在流场测速分析过程中发挥着十分重要的作用。
具体的,PIV通过在流场中均匀散布粒子或气泡等标记物,使用相机把标记物的运动轨迹记录下来,然后通过自相关或互相关原理对图像进行处理,获得流场的速度信息。进一步的,根据PIV测得的速度场数据,通过结合流体力学控制方程组(N-S方程),便可以得到与PIV速度场相对应的流场压力场。
然而,基于PIV的压力场测量方法计算步骤繁琐、误差大且分辨率低,导致了计算获得的压力场精度较低的缺陷。
发明内容
本申请实施例提供了一种压力场的计算方法和设备,及存储介质,实现了粒子图像到压力场的直接计算,计算效率高、分辨率高、误差小,进一步能够获得高精度的压力场。
本申请实施例的技术方案是这样实现的:
第一方面,本申请实施例提供了一种压力场的计算方法,所述方法包括:
生成训练样本数据;其中,所述训练样本数据为具有压力场标签的噪声粒子图像序列;
构建初始预测模型;其中,所述初始预测模型的输入维度和输出维度相同;
利用所述训练样本数据对所述初始预测模型进行训练处理,获得压力场预测模型;
根据所述压力场预测模型确定待测粒子图像对应的目标压力场。
第二方面,本申请实施例提供了一种压力场的计算设备,所述压力场的计算设备包括:生成单元,构建单元、训练单元以及确定单元,
所述生成单元,用于生成训练样本数据;其中,所述训练样本数据为具有压力场标签的噪声粒子图像序列;
所述构建单元,用于构建初始预测模型;其中,所述初始预测模型的输入维度和输出维度相同;
所述训练单元,用于利用所述训练样本数据对所述初始预测模型进行训练处理,获得压力场预测模型;
所述确定单元,用于根据所述压力场预测模型确定待测粒子图像对应的目标压力场。
第三方面,本申请实施例提供了一种压力场的计算设备,所述压力场的计算设备包括处理器、存储有所述处理器可执行指令的存储器,当所述指令被所述处理器执行时,实现如上所述的压力场的计算方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有程序,应用于压力场的计算设备中,所述程序被处理器执行时,实现如上所述的压力场的计算方法。
本申请实施例提供了一种压力场的计算方法和设备,及存储介质,压力场的计算设备可以生成训练样本数据;其中,训练样本数据为具有压力场标签的噪声粒子图像序列;构建初始预测模型;其中,初始预测模型的输入维度和输出维度相同;利用训练样本数据对初始预测模型进行训练处理,获得压力场预测模型;根据压力场预测模型确定待测粒子图像对应的目标压力场。也就是说,在本申请的实施例中,压力场的计算设备可以利用具有压力标签的噪声粒子图像序列,对构建成的输入维度和输出维度相同的初始预测模型进行训练处理,以获得压力场预测模型,从而进一步基于该压力场预测模型直接确定待测粒子图像对应的目标压力场。可见,本申请通过构建压力场预测模型,可实现粒子图像直接计算获得压力场,不再需要繁琐的中间计算步骤,计算效率高、误差小;同时模型输入输出维度相同,避免了计算过程中分辨率的降低,进一步实现了压力场的高精度计算。
附图说明
图1为相关技术中PIV流场测速技术的计算流程示意图;
图2为本申请实施例提出的压力场的计算方法的实现流程示意图一;
图3为本申请实施例提出的压力场的计算方法的实现流程示意图二;
图4为本申请实施例提出的压力场的计算方法的实现流程示意图三;
图5A为训练样本生成架构示意图一;
图5B为训练样本生成架构示意图二;
图5C为训练样本生成架构示意图三;
图6A为本申请实施例提出的压力场的计算方法的实现流程示意图四;
图6B为本申请实施例提出的初始预测模型的结构示意图一;
图7为本申请实施例提出的压力场的计算方法的实现流程示意图五;
图8A为本申请实施例提出的压力场的计算方法的实现流程示意图六;
图8B为本申请实施例提出的初始预测模型的结构示意图二;
图9A为本申请实施例提出的压力场的计算方法的实现流程示意图七;
图9B为本申请实施例提出的初始预测模型的结构示意图三;
图10A为本申请实施例提出的压力场的计算方法的实现流程示意图八;
图10B为本申请实施例提出的初始预测模型的结构示意图四;
图11为本申请提出的压力场的计算设备的组成结构示意图一;
图12为本申请提出的压力场的计算设备的组成结构示意图二。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。可以理解的是,此处所描述的具体实施例仅用于解释相关申请,而非对该申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关申请相关的部分。
当前,在现代流体力学领域,PIV技术以其可信度高、用途多样和测量范围广等特性在流场测速分析过程中发挥着十分重要的作用。具体的,图1为相关技术中PIV流场测速技术的计算流程示意图,如图1所示,PIV技术中计算压力场的方法主要包括以下步骤:
步骤S1、获取待测粒子图像。
这里,PIV技术首先对测量区域的流场进行粒子图像测速实验,进而获取到一系列的待测粒子图像,即待测粒子图像序列。如通过在流场中均匀散布粒子或气泡等标记物,这些粒子或气泡可作为“示踪粒子”,然后使用相机把这些“示踪粒子”的运动轨迹记录下来。
步骤S2、计算速度场。
这里,PIV技术通过自相关或互相关原理对图像进行处理,获得流场的速度信息。
进一步的,基于公式(1)可以计算获得相邻两张图像对应的一个速度场,那么对粒子图像序列实施上述操作便可以得到一系列不同时刻的速度场,即速度场序列。
步骤S3、求解速度梯度场。
步骤S4、计算压力场。
这里,PIV技术通过结合流体力学控制方程组(纳维-斯托克斯N-S方程)或者压力泊松方程,便可以得到对应的流场压力场。
一种方案:在拉格朗日坐标系下,先由忽略流体的粘性力项和体积力项的N-S方程,即公式(3)计算得到压力梯度。
另一种方案:通过压力泊松方程,即公式(4)计算得到压力场。
可见,基于步骤S1至步骤S4可知,相关技术中计算压力场的过程为一种间接的流场测速技术,即要想从原始粒子图像序列得到最终的压力场,要经过如图1所示的多个必不可少的步骤。一方面,由于图1所示的压力场求解过程中,步骤S2和步骤S3求解速度场和求解速度梯度场过程需要近似等效和差分处理,因此处理过程中会存在计算误差;并且前一步产生的计算误差,将会传递至下一步,即误差不断的积累放大,导致最终得到的压力场精度低、误差大。同时,实际PIV实验得到的粒子图像不可避免的会引入各式各样的噪声,而PIV粒子测速技术无法对可能产生的噪音进行抑制,因此也会加大压力场计算过程中的误差。另一方面,采用互相关法从粒子图像得到速度场的过程会直接造成图像分辨率的降低,从而导致得到的压力场难以达到实际所需的分辨率。
综上所述,相关技术中采用的压力场测量技术计算步骤繁琐、误差大且分辨率低,进而导致了计算获得的压力场精度较低的缺陷。
为了解决现有压力场计算机制所存在的问题,本申请实施例提供了一种压力场的计算方法和设备,及存储介质,具体地,压力场的计算设备可以压力场的计算设备可以利用具有压力标签的噪声粒子图像序列,对构建成的输入维度和输出维度相同的初始预测模型进行训练处理,以获得压力场预测模型,从而进一步基于该压力场预测模型直接确定待测粒子图像对应的目标压力场。可见,本申请通过构建压力场预测模型,可实现粒子图像直接计算获得压力场,不再需要繁琐的中间计算步骤,计算效率高、误差小;同时模型输入输出维度相同,避免了计算过程中分辨率的降低,进一步实现了压力场的高精度计算。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
本申请一实施例提供了一种压力场的计算方法,图2为本申请实施例提出的压力场的计算方法的实现流程示意图一,如图2所示,在本申请的实施例中,压力场的计算设备执行压力场的计算方法可以包括以下步骤:
步骤100、生成训练样本数据;其中,训练样本数据为具有压力场标签的噪声粒子图像序列。
在本申请的实施例中,压力场的计算设备可以先生成具有压力场标签的噪声粒子图像序列作为训练样本数据。
应理解,在本申请的实施例中,压力场的计算设备不限定于笔记本电脑、平板电脑、台式计算机、移动设备、个人计算机(Personal Computer,PC)等各种类型的电子设备。本申请实施例中的压力场的计算方法可以是由一个设备单独执行的,也可以是多个设备配合执行的。
可以理解的是,训练样本数据指神经网络模型训练数据,在本申请的实施例中,压力场的计算设备采用具有压力场标签的噪声粒子图像序列作为训练数据。也就是说,模型的输入为噪声粒子图像、输出结果为压力场。
应理解,实际处理过程中将不可避免地引入噪声,在本申请地实施例中,将噪声粒子图像序列作为训练数据,可以使得最终训练得到的压力场预测模型能够有效进行噪声抑制,降低噪声敏感性和噪声引起的计算误差。
可选的,训练样本数据中,粒子图像的维度大于或等于2,即粒子图像可以为二维图像,也可以为三维图像。
可选的,在本申请的实施例中,训练样本数据可以为每连续三幅粒子图像为样本,对应同一压力场标签的第一训练样本数据;也可以是每连续四幅粒子图像为样本,对应同一压力场标签的第二训练样本数据;还可以是每连续五幅粒子图像为样本,对应同一压力场标签的第三训练样本数据,本申请对此不作具体限定。
需要说明的是,在本申请的实施例中,压力场的计算设备可以基于预设流场模拟算法进一步生成训练样本数据。可选的,该预设流场模拟算法可以为计算流体动力学(Computational Fluid Dynamics,CFD)。
进一步的,在本申请的实施例中,压力场的计算设备在生成训练样本数据之后,可以进一步构建初始预测模型。
步骤110、构建初始预测模型;其中,初始预测模型的输入维度和输出维度相同。
在本申请的实施例中,压力场的计算设备在生成训练样本数据之后,压力场的计算设备可以进一步构建出相应的初始预测模型。
可以理解的是,输入输出维度的相同可以有效的保证输入输出图像对应的分辨率。需要说明的是,在本申请的实施例中,初始预测模型为输入维度和输出维度相同的模型。例如,如果输入粒子图像为二维(256,256),那么输出压力场图像也为二维(256,256),有效避免了粒子图像计算压力场过程中分辨率的降低。
具体的,在本申请的实施例中,压力场的计算设备可以基于输入层结构、输出层结构进行不同初始预测模型的构建。
可选的,在本申请的实施例中,初始预测模型可以为包含一个输入层和一个输出层结构的单输入单输出模型,也可以是一个输出层和两个输出层结构的单输入双输出模型。
需要说明的是,在本申请的实施例中,压力场的计算设备可以创建具有不同输入层和输出层结构特性的初始预测模型。例如,输入层设置为三幅连续粒子图像输入,输出层为一个压力场输出的初始预测模型;或者输入层设置为四幅连续粒子图像输入,输出层为一个压力场输出的初始预测模型;或者输入层设置为四幅连续粒子图像输入,输出层为两个个压力场输出的初始预测模型;或者输入层设置为五幅连续粒子图像输入,输出层为一个压力场输出的初始预测模型。
进一步的,在申请的实施例中,压力场的计算设备在构建出初始预测模型之后,可以进一步利用训练样本数据对初始预测模型进行训练处理,以获得压力场预测模型。
步骤120、利用训练样本数据对初始预测模型进行训练处理,获得压力场预测模型。
步骤130、根据压力场预测模型确定待测粒子图像对应的目标压力场。
在本申请的实施例中,压力场的计算设备在构建出初始预测模型之后,压力场的计算设备可以进一步利用上述训练样本数据对初始预测模型进行训练处理,从而进一步得到压力场预测模型。
可以理解的是,基于不同的训练数据和/或不同的神经网络结构可以构建不同的神经网络模型,需要说明的是,在本申请的实施例中,压力场的计算设备可以基于上述不同训练样本数据分别对不同的初始预测模型进行训练处理,以获得不同的压力场预测模型。
具体的,在本申请的实施例中,在模型训练处理的过程中,压力场的计算设备可以结合目标损失函数以及优化算法(如Adam优化器)对初始预测模型进行训练处理,进而获得可从多张粒子图像预测压力场的神经网络模型。
进一步的,在本申请的实施例中,实际应用时,压力场的计算设备可以将待测粒子图像直接输入上述压力场预测模型,便可直接获得目标压力场。如,可以将实际PIV实验中获得的多幅连续的粒子图像输入值至压力场预测模型,进而得到预测的压力场。
本申请实施例提供了一种压力场的计算方法,压力场的计算设备可以利用具有压力标签的噪声粒子图像序列,对构建成的输入维度和输出维度相同的初始预测模型进行训练处理,以获得压力场预测模型,从而进一步基于该压力场预测模型直接确定待测粒子图像对应的目标压力场。可见,本申请通过构建压力场预测模型,可实现粒子图像直接计算获得压力场,不再需要繁琐的中间计算步骤,计算效率高、误差小;同时模型输入输出维度相同,避免了计算过程中分辨率的降低,进一步实现了压力场的高精度计算。
基于上述实施例,在本申请的在一实施例中,图3为本申请实施例突出的压力场的计算方法的实现流程示意图二,如图3所示,压力场的计算设备生成训练样本数据的方法包括以下步骤:
步骤101、通过预设流场模拟算法生成模拟流场,并从模拟流场中提取速度矢量场序列和压力场序列。
这里,压力场的计算设备可以通过CFD生成模拟流场,进而从该模拟流场中先进行速度矢量场序列和压力场序列的抽取。
应理解,速度矢量场序列指连续多个时刻的一系列用于反应速度的图像,同样的,压力场序列指连续多个时刻的一系列用于反应压力场的图像。
可选的,速度矢量场序列中的图像的维度大于或等于2,压力场序列中的图像的维度大于或等于2。即图像可以为二维图像,也可以为三维图像。
可选的,生成的模拟流场的流动新式不限定于backstep流动、圆柱绕流、湍流、均匀流、SQG流动中的任意一种。
可以理解的是,相关技术中,通常某相邻两个时刻速度场才可计算得到某一个时刻压力场,因此,在进行速度矢量场序列和压力场序列的抽取时,为了保证速度矢量场序列与压力场序列的对应,压力场的计算设备需要按照一定的时间规则进行抽取。
具体的,压力场的计算设备可以按照压力场序列的时刻相比速度矢量场序列延后半个时间间隔的这一规则进行抽取。如,压力场的计算设备从CFD模拟的结果中抽取t1,t2,t3……时刻的速度矢量场序列,并从CFD模拟的结果中抽取(t1+t2)/2,(t2+t3)/2,(t3+t4)/2……时刻对应的压力场。
需要说明的是,在本申请的实施例中,压力场的计算设备需要保证抽取的速度场序列的维度和压力场序列的维度相同。例如,二维情况下速度矢量场和压力场的维度大小均为(256,256),三维情况下速度矢量场和压力场的维度大小均为(256,256,256)。
步骤102、根据速度矢量场序列确定粒子图像序列,并对粒子图像序列进行噪声添加处理,获得噪声粒子图像序列。
需要说明的是,在本申请的实施例中,压力场的计算设备可以先基于获取的速度场序列进行粒子图像序列的生成,也就是添加噪声前的初始粒子图像序列。
具体的,在本申请的实施例中,压力场的计算设备可以先基于粒子图像随机生成算法按照一定的浓度随机生成第一幅粒子随机图像,然后基于第一幅粒子随机图像和速度矢量场序列生成粒子图像序列。
图4为本申请实施例提出的压力场的计算方法的实现流程示意图三,如图4所示,在本申请的实施例中,压力场的计算设备根据速度矢量场序列确定粒子图像序列(步骤102a)的方法包括以下步骤:
步骤102a1、按照预设粒子浓度生成第一幅粒子随机图像。
步骤102a2、确定目标粒子在第一幅粒子随机图像中的目标位置,并基于目标位置从速度矢量场序列的第一幅速度矢量场图中查找目标粒子对应的目标速度。
步骤102a3、根据目标速度、目标位置以及预设时间间隔生成下一幅粒子随机图像,直至获得速度矢量场序列对应的全部粒子随机图像;其中,预设时间间隔为速度矢量场序列中、相邻两幅速度矢量场图的时间差。
这里,预先随机生成第一幅粒子随机图像之后,压力场的计算设备可以先确定目标粒子在该第一幅粒子随机图像中的目标位置,然后从速度矢量场序列的第一幅速度矢量场图中查找到相同位置处该目标粒子对应的速度矢量值,并将该速度矢量值确定为目标粒子的目标速度。
可选的,目标粒子为粒子随机图像中的任意一个粒子。
进一步的,压力场的计算设备可以结合第一幅粒子随机图像中任意一个粒子对应的位置、速度以及预设时间间隔生成连续时刻的第二幅粒子随机图像。
可选的,预设时间间隔可以为速度矢量场序列中、相邻两幅速度矢量场图的时间差;或者也不限定于其他时间间隔值。
具体的,压力场的计算设备可以根据第一副粒子随机图像中任意一个粒子对应的位置、速度以及预设时间间隔结合公式(5)计算出每一个粒子在第二幅粒子随机图像中的位置。
其中,为粒子在第一幅粒子图像中的位置,v为粒子的速度,为预设时间间隔,为粒子在第二幅粒子图像中的位置。进一步的,确定出每一个了粒子在第二幅粒子随机图像中的位置之后,便基于这些位置信息进一步生成第二幅粒子随机图像。
这里,重复上述步骤,压力场的计算设备继续结合第二幅粒子随机图像和第二幅速度矢量场图像,利用上述操作进一步生成第三幅粒子随机图像,结合第三幅粒子随机图像和第三幅速度矢量场图像,利用上述操作进一步生成第四幅粒子随机图像,直至获得上述速度矢量场序列对应的全部粒子随机图像。
步骤102a4、根据全部粒子随机图像生成粒子图像序列。
进一步的,压力场的计算设备便可以根据上述速度矢量场序列对应的全部粒子随机图像生成上述粒子图像序列。也即是说,压力场的计算设备对于速度矢量场序列以第一幅粒子随机图像为起始图像生成粒子图像序列。
需要说明的是,在本申请的实施例中,由于压力场的计算设备第一幅粒子随机图像为随机生成的,可以随机生成多个不同浓度、不同位置以及不同大小的第一幅粒子随机图像,因此,相应的压力场的计算设备也可以生成多组不同的粒子图像序列。
可以理解的是,为了形成更加符合实际噪声环境下的粒子图像序列,在本申请的实施例中,压力场的计算设备可对获得的粒子图像序列进行噪声添加处理,进而得到噪声粒子图像序列。
步骤103、利用压力场序列对噪声粒子图像序列进行标记处理,获得训练样本数据。
具体的,获得噪声粒子图像序列和压力场序列之后,压力确定设备可以确定不同个数的粒子随机图像作为样本输入,并从压力场序列中确定对应的压力场标签,进而生成训练样本数据。
具体的,压力场的计算设备利用压力场序列对噪声粒子图像序列进行标记处理,获得训练样本数据的方法具体包括以下步骤:
步骤103a、利用压力场序列中的第i幅压力场图,对噪声粒子图像序列中的第i副至第(i+2)副噪声粒子图像进行标记处理,获得第一训练样本数据;其中,i为大于0的整数。
可以理解的是,根据现有基于PIV技术计算压力场的方法可知,两幅连续的粒子图像可以计算得到一个速度场,两幅连续的速度场可计算得到一个压力场,因此可以通过至少三张连续的粒子图像计算得到一个压力场。
可选的,在本申请的实施例中,压力场的计算设备可以将每三张连续的噪声粒子图像作为一个样本输入,并以连续三张噪声粒子图像所对应的压力场作为训练用的标签,即训练数据中的每一组样本数据为带相同压力场标签的连续三个图像。
具体的,图5A为训练样本生成架构示意图一,如图6A所示,压力场的计算设备先根据粒子图像序列200中随机生成的第一幅粒子图像(1),从速度矢量场序列210中的t1时刻的第一幅速度矢量场图M1找出粒子对应的速度矢量值,进而基于公式(5)确定粒子在第二幅粒子图像(2)中的位置,以生成第二副粒子图像(3),重复上述步骤,生成第三幅粒子图像(3)、第四幅粒子图像(4)、第五幅粒子图像(5)、……,进一步的,将粒子图像(1)、(2)、(3)作为一组样本输入,并将压力场序列220中时刻的压力场N1作为该样本输入所带有的标签;同理,将粒子图像(2)、(3)、(4)作为一组样本输入,并将压力场序列220中时刻的压力场N2作为该样本输入所带有的标签;同理,将粒子图像(3)、(4)、(5)作为一组样本输入,并将压力场序列220中时刻的压力场N3作为该样本输入所带有的标签。
步骤103b、利用压力场序列中的第i幅压力场图,对噪声粒子图像序列中的第i副至第(i+3)副噪声粒子图像进行标记处理,获得第二训练样本数据。
可选的,压力场的计算设备可以将每四张连续的噪声粒子图像作为一个样本输入,并以连续四张噪声粒子图像所对应的压力场作为训练用的标签,即训练数据中的每一组样本数据为带相同压力场标签的连续四个图像。
具体的,图5B为训练样本生成架构示意图二,如图5B所示,压力场的计算设备将粒子图像(1)、(2)、(3)、(4)作为一组样本输入,并将压力场序列220中时刻的压力场N4作为该样本输入所带有的标签;同理,将粒子图像(2)、(3)、(4)、(5)作为一组样本输入,并压力场序列220中时刻的压力场N5作为该样本输入所带有的标签。
步骤103c、利用压力场序列中的一幅压力场图,对噪声粒子图像序列中的第i副至第(i+4)副噪声粒子图像进行标记处理,获得第三训练样本数据。
可选的,压力场的计算设备可以将每五张连续的噪声粒子图像作为一个样本输入,并以连续五张噪声粒子图像所对应的压力场作为训练用的标签,即训练数据中的每一组样本数据为带相同压力场标签的连续五个图像。
具体的,图5C为训练样本生成架构示意图三,如图5C所示,压力场的计算设备将粒子图像(1)、(2)、(3)、(4)、(5)作为一组样本输入,并将压力场序列220中时刻的压力场N2作为该样本输入所带有的标签。
应理解,由于采用CFD可构造各种不同工况的模拟流场,那么压力场的计算设备可提取出不同的速度矢量场序列和不同的压力场序列,进而基于不同的第一副粒子图像、不同的速度矢量场序列和不同的压力场序列可生成覆盖面广泛的训练样本数据。
本申请实施例提出了一种压力场的计算方法,压力场的计算设备只需要随机生成一个随机位置的粒子图,即可基于该粒子随机图像通过速度矢量场序列生成一系列粒子随机图像,即粒子图像序列,也就是说,同一个速度矢量场序列基于不同的初始粒子随机图像即可生成完全不同的粒子图像序列,可以方便的构造非常丰富的数据集。进一步的,压力场的计算设备还可以对粒子图像序列进行噪声添加处理,以获得噪声粒子图像序列作为样本训练数据,能够使得训练获得的压力场预测模型有效的抑制噪声,降低噪声敏感性,进一步获得更高精度的压力场。
基于上述实施例,在本申请的在一实施例中,图6A为本申请实施例提出的压力场的计算方法的实现流程示意图四,如图6A所示,当训练样本数据为第一训练样本数据,且初始预测模型为单输入单输出模型时,压力场的计算设备利用训练样本数据对初始预测模型进行训练处理,获得压力场预测模型的方法包括以下步骤:
步骤121、将第一训练样本数据输入单输入单输出模型,输出压力场预测结果。
需要说明的是,在本申请的实施例中,第一训练样本数据为某一时刻连续三幅粒子图像为样本对应同一压力场标签,那么在该训练样本数据对应的单输入单输出模型中,输入层输入的是某一时刻连续的三幅粒子图像,输出层输出的是对应时刻的一个压力场。
具体的,在本申请的实施例中,图6B为本申请实施例提出的初始预测模型的结构示意图一,如图6B所示,单输入单输出模型对应的神经网络结构有一个输入层和一个输出层,输入层输入的是三幅连续的粒子图像在通道方向拼接之后的拼接图像,之后设置一组均设置激活层和池化层的CNN卷积层对拼接之后的图像进行特征提取,得到粒子图像拼接之后的全部特征。之后设置一组与卷积层数相同的反卷积层从特征中逐步还原出压力场,最后输出压力场,其输出维度与训练样本中给定的压力场标签维度相同。基于图6B所示的神经网络结构计算的压力场具有一阶差分精度。
例如,二维情况时输入层的维度为(256,256,3),输入层之后设置四层2D卷积层,每层卷积层之后均设置激活层和池化层,其中前两个池化层的步长2,后两个池化层步长为4卷积层,最后抽取的特征维度为(4,4,2048)的特征,其后设置2D反卷积层,反卷积层的层数于前面卷积层的数目相同均为四层,前两个反卷积的步长为4,后两个反卷积的步长为2,利用反卷积层逐步的从特征中还原出压力场,最后设置一层没有激活层的卷积层作为输出层,输出的维度为(256,256),与输入维度相同。三维情况时输入层的维度均为(256,256,256,3),输入层之后设置四层3D卷积层,每层卷积层之后均设置激活层和池化层,其中前两个池化层的步长2,后两个池化层步长为4卷积层最后抽取的特征维度为(4,4,4,2048)的特征,其后设置3D反卷积层,反卷积层的层数与前面卷积层的数目相同均为四层,前两个反卷积的步长为4,后两个反卷积的步长为2,逐步的从特征中还原出压力场,最后设置一层没有激活层的卷积层作为输出层,输出的维度为(256,256,256),与输入维度相同。
可见,将第一训练样本数据输入图6B所示的单输入单输出模型,可实现从三幅连续的粒子图像直接计算得到一个压力场。
步骤122、基于预设目标损失函数、压力场预测结果以及压力场标签进行训练处理,获得压力场预测模型。
可以理解的是,在将不同的训练样本数据分别输入至对应的神经网络结构进行机器学习的过程中,可以读取目标损失函数,然后结合训练过程中模型的输出结果、压力场标签进行模型训练处理,直至训练结果满足一定条件,便可获得目标压力场模型。
具体的,图7为本申请实施例提出的压力场的计算方法的实现流程示意图五,在本申请的实施例中,压力场的计算设备基于预设目标损失函数和压力场预测结果进行训练处理,获得压力场预测模型的方法包括以下步骤:
步骤122a、通过目标损失函数计算压力场预测结果对应的旋度值、压力场预测结果和压力场标签的差异值。
步骤122b、根据差异值和旋度值进行训练处理,获得压力场预测模型。
需要说明的是,在本申请的实施例中,目标损失函数如公式(6)所示。
其中,公式(6)中,Loss为目标损失函数,N表示图像中的像素点数,例如维度(256,256)的图像总共由256*256个像素点,∇为哈密顿算子,∇×表示取旋操作,为真是压力值,即训练样本数据对应的标签值;为预测值,即初始预测模型输出的压力场预测结果。
由公式(6)可知,目标损失函数包括两部分,第一项表示真实压力值与预测值之差,即差异值,每个像素点处求差异值平方之后累加求和再求平均值。第二项表示压力场的旋度值。可以理解的是,损失函数(Loss值)越小,表示初始预测模型的压力场预测结果越接近于给定的真实压力场,并且预测的压力场越接近于无旋场。
基于上述实施例,在本申请的在一实施例中,图8A为本申请实施例突出的压力场的计算方法的实现流程示意图六,如图8A所示,当训练样本数据为第二训练样本数据,且初始预测模型为单输入单输出模型时,压力场的计算设备利用训练样本数据对初始预测模型进行训练处理,获得压力场预测模型的方法包括以下步骤:
步骤123、将第二训练样本数据输入单输入单输出模型,输出压力场预测结果。
步骤124、基于预设目标损失函数、压力场预测结果以及压力场标签进行训练处理,获得压力场预测模型。
需要说明的是,在本申请的实施例中,第二训练样本数据为某一时刻连续四幅粒子图像为样本对应同一压力场标签,那么在该训练样本数据对应的单输入单输出模型中,输入层输入的是某一时刻连续的四幅粒子图像,输出层输出的是对应时刻的一个压力场。
具体的,在本申请的实施例中,图8B为本申请实施例提出的初始预测模型的结构示意图二,如图8B所示,单输入单输出模型对应的神经网络结构有一个输入层和一个输出层,输入层输入的是四幅连续的粒子图像在通道方向拼接之后的拼接图像,之后设置一组均设置激活层和池化层的CNN卷积层对拼接之后的图像进行特征提取,得到粒子图像拼接之后的全部特征。之后设置一组与卷积层数相同的反卷积层从特征中逐步还原出压力场,最后输出压力场,其输出维度与训练样本中给定的压力场标签维度相同。基于图8B所示的神经网络结构计算的压力场具有二阶中心差分精度。
例如,二维情况时输入层的维度为(256,256,4),输入层之后设置四层2D卷积层,每层卷积层之后均设置激活层和池化层,其中前两个池化层的步长2,后两个池化层步长为4卷积层,最后抽取的特征维度为(4,4,3072)的特征;三维情况时输入层的维度均为(256,256,256,4),输入层之后设置四层3D卷积层,每层卷积层之后均设置激活层和池化层,其中前两个池化层的步长2,后两个池化层步长为4卷积层,最后抽取的特征维度为(4,4,4,3072)的特征,反卷积层和输出层参考上述步骤131,此处不再赘述。
可见,将第二训练样本数据输入图8B所示的单输入单输出模型,可实现从四幅连续的粒子图像直接计算得到一个压力场。
进一步的,在本申请的实施例中,压力场的计算设备可基于公式(6)确定目标损失函数,结合训练过程中模型的输出结果和压力场标签进行模型训练处理,直至训练结果满足一定条件,便可获得目标压力场模型。
基于上述实施例,在本申请的在一实施例中,图9A为本申请实施例提出的压力场的计算方法的实现流程示意图七,如图9A所示,当训练样本数据为第三训练样本数据,且初始预测模型为单输入单输出模型时,压力场的计算设备利用训练样本数据对初始预测模型进行训练处理,获得压力场预测模型的方法包括以下步骤:
步骤125、将第三训练样本数据输入单输入单输出模型,输出压力场预测结果。
步骤126、基于预设目标损失函数、压力场预测结果以及压力场标签进行训练处理,获得压力场预测模型。
需要说明的是,在本申请的实施例中,第三训练样本数据为某一时刻连续五幅粒子图像为样本对应同一压力场标签,那么在该训练样本数据对应的单输入单输出模型中,输入层输入的是某一时刻连续的五幅粒子图像,输出层输出的是对应时刻的一个压力场。
具体的,在本申请的实施例中,图9B为本申请实施例提出的初始预测模型的结构示意图三,如图9B所示,单输入单输出模型对应的神经网络结构有一个输入层和一个输出层,输入层输入的是五幅连续的粒子图像在通道方向拼接之后的拼接图像,之后设置一组均设置激活层和池化层的CNN卷积层对拼接之后的图像进行特征提取,得到粒子图像拼接之后的全部特征。之后设置一组与卷积层数相同的反卷积层从特征中逐步还原出压力场,最后输出压力场,其输出维度与训练样本中给定的压力场标签维度相同。基于图9B所示的神经网络结构计算的压力场具有二阶中心差分精度。
例如,二维情况时输入层的维度为(256,256,5),输入层之后设置四层2D卷积层,每层卷积层之后均设置激活层和池化层,其中前两个池化层的步长2,后两个池化层步长为4卷积层,最后抽取的特征维度为(4,4,4096)的特征;三维情况时输入层的维度均为(256,256,256,5),输入层之后设置四层3D卷积层,每层卷积层之后均设置激活层和池化层,其中前两个池化层的步长2,后两个池化层步长为4卷积层,最后抽取的特征维度为(4,4,4,4096)的特征,反卷积层和输出层参考上述步骤131、133,此处不再赘述。
可见,将第三训练样本数据输入图9B所示的单输入单输出模型,可实现从五幅连续的粒子图像直接计算得到一个压力场。
进一步的,在本申请的实施例中,压力场的计算设备可基于公式(6)确定目标损失函数,结合训练过程中模型的输出结果和压力场标签进行模型训练处理,直至训练结果满足一定条件,便可获得目标压力场模型。
基于上述实施例,在本申请的在一实施例中,图10A为本申请实施例提出的压力场的计算方法的实现流程示意图八,如图10A所示,当训练样本数据为第三训练样本数据,且初始预测模型为单输入单输出模型时,压力场的计算设备利用训练样本数据对初始预测模型进行训练处理,获得压力场预测模型的方法包括以下步骤:
步骤127、将第二训练样本数据输入单输入双输出模型,输出压力场预测结果。
步骤128、基于预设目标损失函数、压力场预测结果以及压力场标签进行训练处理,获得压力场预测模型。
需要说明的是,在本申请的实施例中,第二训练样本数据为某一时刻连续四幅粒子图像为样本对应同一压力场标签,那么在该训练样本数据对应的单输入双输出模型中,输入层输入的是某一时刻连续的四幅粒子图像,输出层输出的是连续的两个压力场。
具体的,在本申请的实施例中,图10B为本申请实施例提出的初始预测模型的结构示意图四,如图10B所示,单输入双输出模型对应的神经网络结构有一个输入层和两个输出层,输入层输入的是四幅连续的粒子图像在通道方向拼接之后的拼接图像,之后设置一组均设置激活层和池化层的CNN卷积层对拼接之后的图像进行特征提取,得到粒子图像拼接之后的全部特征。之后设置一组与卷积层数相同的反卷积层从特征中逐步还原出与压力场形同维度的特征,最后输出两个压力场A和B。
例如,二维情况时输入层的维度为(256,256,5),输入层之后设置四层2D卷积层,每层卷积层之后均设置激活层和池化层,其中前两个池化层的步长2,后两个池化层步长为4卷积层,最后抽取的特征维度为(4,4,4096)的特征,之后设置一组反卷积层逐步还原特征,之后设置两组卷积层作为两个输出层,两个输出层的维度均为(256,256),模型中的其他结构可参考上述步骤131、133、135,此处不再赘述。
可见,将第二训练样本数据输入图10B所示的单输入双输出模型,可实现从四幅连续的粒子图像直接计算得到连续的两个压力场。
进一步的,在本申请的实施例中,压力场的计算设备可基于公式(6)确定目标损失函数,结合训练过程中模型的输出结果和压力场标签进行模型训练处理,直至训练结果满足一定条件,便可获得目标压力场模型。
可见,在本申请中,一方面不同预测模型具有不同的输入层和输出层结构,根据不同的计算精度需求灵活的选择目标压力场预测模型实现压力场的计算;另一方面,采用自定义的损失函数,同时考虑了预测值与真实值之间的差异值和预测的压力场的旋度,使得训练结果既逼近于CFD的模拟值,也尽量满足实际的物理规律无旋场的约束,进一步提高了利用神经网络模型预测压力场的真实性。
基于上述实施例,在本申请的另一实施例中,图11为本申请提出的压力场的计算设备的组成结构示意图一,如图11所示,本申请实施例提出的压力场的计算设备10可以包括生成单元11,构建单元12、训练单元13以及确定单元14,
所述生成单元11,用于生成训练样本数据;其中,所述训练样本数据为具有压力场标签的噪声粒子图像序列;
所述构建单元12,用于构建初始预测模型;其中,所述初始预测模型的输入维度和输出维度相同;
所述训练单元13,用于利用所述训练样本数据对所述初始预测模型进行训练处理,获得压力场预测模型;
所述确定单元14,用于根据所述压力场预测模型确定待测粒子图像对应的目标压力场。
进一步地,在本申请的实施例中,所述生成单元11,具体用于通过预设流场模拟算法生成模拟流场,并从所述模拟流场中提取速度矢量场序列和压力场序列;以及根据所述速度矢量场序列确定粒子图像序列,并对所述粒子图像序列进行噪声添加处理,获得所述噪声粒子图像序列;以及利用所述压力场序列对所述噪声粒子图像序列进行标记处理,获得所述训练样本数据。
进一步地,在本申请的实施例中,所述粒子图像序列对应的图像维度、所述速度矢量场序列对应的图像维度以及所述压力场序列对应的图像维度均大于或等于2。
进一步地,在本申请的实施例中,所述生成单元11,还具体用于按照预设粒子浓度生成第一幅粒子随机图像;以及确定目标粒子在所述第一幅粒子随机图像中的目标位置,并基于所述目标位置,从所述速度矢量场序列中的第一幅速度矢量场图中查找所述目标粒子对应的目标速度;以及根据所述目标速度、所述目标位置以及预设时间间隔生成下一幅粒子随机图像,直至获得所述速度矢量场序列对应的全部粒子随机图像;其中,所述预设时间间隔为所述速度矢量场序列中、相邻两幅速度矢量场图的时间差;以及基于所述全部粒子随机图像生成所述粒子图像序列。
进一步地,在本申请的实施例中,所述生成单元11,还具体用于利用所述压力场序列中的第i幅压力场图,对所述噪声粒子图像序列中的第i副至第(i+2)副噪声粒子图像进行标记处理,获得第一训练样本数据;其中,i为大于0的整数;以及利用所述压力场序列中的第i幅压力场图,对所述噪声粒子图像序列中的第i副至第(i+3)副噪声粒子图像进行标记处理,获得第二训练样本数据;
以及利用所述压力场序列中的一幅压力场图,对所述噪声粒子图像序列中的第i副至第(i+4)副噪声粒子图像进行标记处理,获得第三训练样本数据。
进一步地,在本申请的实施例中,所述初始预测模型为单输入单输出模型和单输入多输出模型中的任意一种。
进一步地,在本申请的实施例中,所述训练单元13,具体用于将所述第一训练样本数据输入所述单输入单输出模型,输出压力场预测结果;以及基于预设目标损失函数、所述压力场预测结果以及所述压力场标签进行所述训练处理,获得所述压力场预测模型。
进一步地,在本申请的实施例中,所述训练单元13,具体用于将所述第二训练样本数据输入所述单输入单输出模型,输出压力场预测结果;以及基于预设目标损失函数、所述压力场预测结果以及所述压力场标签进行所述训练处理,获得所述压力场预测模型。
进一步地,在本申请的实施例中,所述训练单元13,具体用于将所述第三训练样本数据输入所述单输入单输出模型,输出压力场预测结果;以及基于预设目标损失函数、所述压力场预测结果以及所述压力场标签进行所述训练处理,获得所述压力场预测模型。
进一步地,在本申请的实施例中,所述训练单元13,具体用于将所述第二训练样本数据输入所述单输入双输出模型,输出压力场预测结果;以及基于预设目标损失函数、所述压力场预测结果以及所述压力场标签进行所述训练处理,获得所述压力场预测模型。
进一步地,在本申请的实施例中,所述训练单元13,还具体用于通过所述目标损失函数计算所述压力场预测结果对应的旋度值、所述压力场预测结果和所述压力场标签的差异值;以及根据所述差异值和所述旋度值进行所述训练处理,获得所述压力场预测模型。
进一步地,在本申请的实施例中,所述确定单元14,具体用于将所述待测粒子图像输入所述压力场预测模型,获得所述目标压力场。
在本申请的实施例中,进一步地,图12为本申请提出的压力场的计算设备的组成结构示意图二,如图12所示,本申请实施例提出的压力场的计算设备10还可以包括处理器15、存储有处理器15可执行指令的存储器16,进一步地,压力场的计算设备10还可以包括通信接口17,和用于连接处理器15、存储器16以及通信接口17的总线18。
在本申请的实施例中,上述处理器15可以为特定用途集成电路(ApplicationSpecific Integrated Circuit,ASIC)、数字信号处理器(Digital Signal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(ProgRAMmable Logic Device,PLD)、现场可编程门阵列(Field ProgRAMmable GateArray,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地,对于不同的设备,用于实现上述处理器功能的电子器件还可以为其它,本申请实施例不作具体限定。压力场的计算设备10还可以包括存储器16,该存储器16可以与处理器15连接,其中,存储器16用于存储可执行程序代码,该程序代码包括计算机操作指令,存储器16可能包含高速RAM存储器,也可能还包括非易失性存储器,例如,至少两个磁盘存储器。
在本申请的实施例中,总线18用于连接通信接口17、处理器15以及存储器16以及这些器件之间的相互通信。
在本申请的实施例中,存储器16,用于存储指令和数据。
进一步地,在本申请的实施例中,上述处理器15,用于生成训练样本数据;其中,所述训练样本数据为具有压力场标签的噪声粒子图像序列;构建初始预测模型;其中,所述初始预测模型的输入维度和输出维度相同;利用所述训练样本数据对所述初始预测模型进行训练处理,获得压力场预测模型;根据所述压力场预测模型确定待测粒子图像对应的目标压力场。
在实际应用中,上述存储器16可以是易失性存储器(volatile memory),例如随机存取存储器(Random-Access Memory,RAM);或者非易失性存储器(non-volatile memory),例如只读存储器(Read-Only Memory,ROM),快闪存储器(flash memory),硬盘(Hard DiskDrive,HDD)或固态硬盘(Solid-State Drive,SSD);或者上述种类的存储器的组合,并向处理器15提供指令和数据。
另外,在本实施例中的各功能模块可以集成在一个推荐单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时,可以存储在一个计算机可读取存储介质中,基于这样的理解,本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或processor(处理器)执行本实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例提供了一种压力场的计算设备,该压力场的计算设备可以利用具有压力标签的噪声粒子图像序列,对构建成的输入维度和输出维度相同的预测模型进行训练处理,以获得压力场预测模型,从而进一步基于该压力场模型直接确定待测粒子图像对应的压力场。可见,本申请通过构建压力场预测模型,可实现粒子图像直接计算获得压力场,不再需要繁琐的中间计算步骤,计算效率高、误差小;同时模型输入输出维度相同,避免了计算过程中分辨率的降低,进一步实现了压力场的高精度计算。
本申请实施例提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如上所述的压力场的计算方法。
具体来讲,本实施例中的一种压力场的计算方法对应的程序指令可以被存储在光盘,硬盘,U盘等存储介质上,当存储介质中的与一种压力场的计算方法对应的程序指令被一电子设备读取或被执行时,包括如下步骤:
生成训练样本数据;其中,所述训练样本数据为具有压力场标签的噪声粒子图像序列;
构建初始预测模型;其中,所述初始预测模型的输入维度和输出维度相同;
利用所述训练样本数据对所述初始预测模型进行训练处理,获得压力场预测模型;
根据所述压力场预测模型确定待测粒子图像对应的目标压力场。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的实现流程示意图和/或方框图来描述的。应理解可由计算机程序指令实现流程示意图和/或方框图中的每一流程和/或方框、以及实现流程示意图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在实现流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在实现流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在实现流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。
Claims (12)
1.一种压力场的计算方法,其特征在于,所述方法包括:
生成训练样本数据;其中,所述训练样本数据为具有压力场标签的噪声粒子图像序列;
构建初始预测模型;其中,所述初始预测模型的输入维度和输出维度相同;
利用所述训练样本数据对所述初始预测模型进行训练处理,获得压力场预测模型;
根据所述压力场预测模型确定待测粒子图像对应的目标压力场。
2.根据权利要求1所述的方法,其特征在于,所述生成训练样本数据,包括:
通过预设流场模拟算法生成模拟流场,并从所述模拟流场中提取速度矢量场序列和压力场序列;
根据所述速度矢量场序列确定粒子图像序列,并对所述粒子图像序列进行噪声添加处理,获得所述噪声粒子图像序列;
利用所述压力场序列对所述噪声粒子图像序列进行标记处理,获得所述训练样本数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述速度矢量场序列确定粒子图像序列,包括:
按照预设粒子浓度生成第一幅粒子随机图像;
确定目标粒子在所述第一幅粒子随机图像中的目标位置,并基于所述目标位置,从所述速度矢量场序列中的第一幅速度矢量场图中查找所述目标粒子对应的目标速度;
根据所述目标速度、所述目标位置以及预设时间间隔生成下一幅粒子随机图像,直至获得所述速度矢量场序列对应的全部粒子随机图像;其中,所述预设时间间隔为所述速度矢量场序列中、相邻两幅速度矢量场图的时间差;
基于所述全部粒子随机图像生成所述粒子图像序列。
4.根据权利要求2所述的方法,其特征在于,所述利用所述压力场序列对所述噪声粒子图像序列进行标记处理,获得所述训练样本数据,包括:
利用所述压力场序列中的第i幅压力场图,对所述噪声粒子图像序列中的第i副至第(i+2)副噪声粒子图像进行标记处理,获得第一训练样本数据;其中,i为大于0的整数;
利用所述压力场序列中的第i幅压力场图,对所述噪声粒子图像序列中的第i副至第(i+3)副噪声粒子图像进行标记处理,获得第二训练样本数据;
利用所述压力场序列中的一幅压力场图,对所述噪声粒子图像序列中的第i副至第(i+4)副噪声粒子图像进行标记处理,获得第三训练样本数据。
5.根据权利要求4所述的方法,其特征在于,当所述初始预测模型为单输入单输出模型时,所述利用所述训练样本数据对所述初始预测模型进行训练处理,获得压力场预测模型,包括:
将所述第一训练样本数据输入所述单输入单输出模型,输出压力场预测结果;
基于预设目标损失函数、所述压力场预测结果以及所述压力场标签进行所述训练处理,获得所述压力场预测模型。
6.根据权利要求4所述的方法,其特征在于,当所述初始预测模型为单输入单输出模型时,所述利用所述训练样本数据对所述初始预测模型进行训练处理,获得压力场预测模型,包括:
将所述第二训练样本数据输入所述单输入单输出模型,输出压力场预测结果;
基于预设目标损失函数、所述压力场预测结果以及所述压力场标签进行所述训练处理,获得所述压力场预测模型。
7.根据权利要求4所述的方法,其特征在于,当所述初始预测模型为单输入单输出模型时,所述利用所述训练样本数据对所述初始预测模型进行训练处理,获得压力场预测模型,包括:
将所述第三训练样本数据输入所述单输入单输出模型,输出压力场预测结果;
基于预设目标损失函数、所述压力场预测结果以及所述压力场标签进行所述训练处理,获得所述压力场预测模型。
8.根据权利要求4所述的方法,其特征在于,当所述初始预测模型为单输入双输出模型时,所述利用所述训练样本数据对所述初始预测模型进行训练处理,获得压力场预测模型,包括:
将所述第二训练样本数据输入所述单输入双输出模型,输出压力场预测结果;
基于预设目标损失函数、所述压力场预测结果以及所述压力场标签进行所述训练处理,获得所述压力场预测模型。
9.根据权利要求5至8任一项所述的方法,其特征在于,所述基于预设目标损失函数和所述压力场预测结果进行所述训练处理,获得所述压力场预测模型
通过所述目标损失函数计算所述压力场预测结果对应的旋度值、所述压力场预测结果和所述压力场标签的差异值;
根据所述差异值和所述旋度值进行所述训练处理,获得所述压力场预测模型。
10.一种压力场的计算设备,其特征在于,所述压力场的计算设备包括:生成单元,构建单元、训练单元以及确定单元,
所述生成单元,用于生成训练样本数据;其中,所述训练样本数据为具有压力场标签的噪声粒子图像序列;
所述构建单元,用于构建初始预测模型;其中,所述初始预测模型的输入维度和输出维度相同;
所述训练单元,用于利用所述训练样本数据对所述初始预测模型进行训练处理,获得压力场预测模型;
所述确定单元,用于根据所述压力场预测模型确定待测粒子图像对应的目标压力场。
11.一种压力场的计算设备,其特征在于,所述压力场的计算设备包括处理器、存储有所述处理器可执行指令的存储器,当所述指令被所述处理器执行时,实现如权利要求1-9任一项所述的方法。
12.一种计算机可读存储介质,其上存储有程序,应用于压力场的计算设备中,其特征在于,所述程序被处理器执行时,实现如权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110323867.0A CN112711897B (zh) | 2021-03-26 | 2021-03-26 | 一种压力场的计算方法和设备,及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110323867.0A CN112711897B (zh) | 2021-03-26 | 2021-03-26 | 一种压力场的计算方法和设备,及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112711897A true CN112711897A (zh) | 2021-04-27 |
CN112711897B CN112711897B (zh) | 2021-07-09 |
Family
ID=75550367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110323867.0A Active CN112711897B (zh) | 2021-03-26 | 2021-03-26 | 一种压力场的计算方法和设备,及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112711897B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952173A (zh) * | 2024-03-26 | 2024-04-30 | 浙江大学 | 深度学习模型训练的piv及速度场数据集构建方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729564A (zh) * | 2014-01-06 | 2014-04-16 | 北京航空航天大学 | 一种基于粒子图像测速技术的压力场计算方法和装置 |
CN109669049A (zh) * | 2019-02-01 | 2019-04-23 | 浙江大学 | 一种基于卷积神经网络的粒子图像测速方法 |
CN110187143A (zh) * | 2019-05-28 | 2019-08-30 | 浙江大学 | 一种基于深度神经网络的层析piv重构方法和装置 |
CN111553373A (zh) * | 2020-04-30 | 2020-08-18 | 上海理工大学 | 一种基于cnn+svm的压力气泡图像识别算法 |
-
2021
- 2021-03-26 CN CN202110323867.0A patent/CN112711897B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729564A (zh) * | 2014-01-06 | 2014-04-16 | 北京航空航天大学 | 一种基于粒子图像测速技术的压力场计算方法和装置 |
CN109669049A (zh) * | 2019-02-01 | 2019-04-23 | 浙江大学 | 一种基于卷积神经网络的粒子图像测速方法 |
CN110187143A (zh) * | 2019-05-28 | 2019-08-30 | 浙江大学 | 一种基于深度神经网络的层析piv重构方法和装置 |
CN111553373A (zh) * | 2020-04-30 | 2020-08-18 | 上海理工大学 | 一种基于cnn+svm的压力气泡图像识别算法 |
Non-Patent Citations (2)
Title |
---|
SHENGZE CAI 等: "Particle Image Velocimetry Based on a Deep Learning Motion Estimator", 《IEEE》 * |
蔡声泽: "基于光流计算的复杂流动可视化测速算法研究", <中国博士学位论文全文数据库基础科学辑> * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952173A (zh) * | 2024-03-26 | 2024-04-30 | 浙江大学 | 深度学习模型训练的piv及速度场数据集构建方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112711897B (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7246392B2 (ja) | ニューラルネットワークの関数サブネットワークの同時トレーニング | |
US10984545B2 (en) | Estimating depth for a video stream captured with a monocular rgb camera | |
CN109324827B (zh) | 用于处理用于访问数据的指令的装置、方法和系统 | |
JP7059318B2 (ja) | 地域的特徴を有する分類器学習のための学習データ生成方法およびそのシステム | |
JP2022550730A (ja) | 高速なスパースニューラルネットワーク | |
CN113139989A (zh) | 一种基于深度学习的粒子图像测速方法与装置 | |
WO2018150798A1 (ja) | モデル推定システム、方法およびプログラム | |
EP3750113A1 (en) | Contiguous sparsity pattern neural networks | |
Chen et al. | Pedestrian trajectory prediction in heterogeneous traffic using pose keypoints-based convolutional encoder-decoder network | |
CN112711897B (zh) | 一种压力场的计算方法和设备,及存储介质 | |
KR20210045225A (ko) | 뉴럴 네트워크에서 연산을 수행하는 방법 및 장치 | |
CN110741413A (zh) | 一种刚体配置方法及光学动作捕捉方法 | |
US20230051237A1 (en) | Determining material properties based on machine learning models | |
CN113361194B (zh) | 一种基于深度学习的传感器漂移校准方法、电子设备及存储介质 | |
Enss et al. | Nonparametric quantile estimation based on surrogate models | |
US11875441B2 (en) | Data-driven extraction and composition of secondary dynamics in facial performance capture | |
Chao et al. | Dictionary-based fidelity measure for virtual traffic | |
US11699239B2 (en) | Image processing method and apparatus | |
US20220269950A1 (en) | Neural network operation method and device | |
US20230034245A1 (en) | Lbm-based fluid analysis simulation device, method, and computer program | |
GB2567038B (en) | Accessing prologue and epilogue data | |
Kawtikwar et al. | Multi-Target Tracking with GPU-Accelerated Data Association Engine | |
Lange et al. | Improving Reinforcement Learning Efficiency with Auxiliary Tasks in Non-visual Environments: A Comparison | |
JP5777506B2 (ja) | 解析装置およびシミュレーション方法 | |
Memmel et al. | Modality-invariant Visual Odometry for Embodied Vision |
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 |