CN112949151B - 基于数据驱动的流固耦合预测方法 - Google Patents
基于数据驱动的流固耦合预测方法 Download PDFInfo
- Publication number
- CN112949151B CN112949151B CN202110189404.XA CN202110189404A CN112949151B CN 112949151 B CN112949151 B CN 112949151B CN 202110189404 A CN202110189404 A CN 202110189404A CN 112949151 B CN112949151 B CN 112949151B
- Authority
- CN
- China
- Prior art keywords
- fluid
- initial
- level set
- training
- neural network
- 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
- 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
- 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
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Fluid Mechanics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种基于数据驱动的流固耦合预测方法,该方法包括:获取历史时段内流体粒子和固体粒子在三维空间中的运动信息;按照插值规则,将运动信息插入三维空间对应的空间网格中,得到空间网格的原始速度和原始水平集;将原始速度和原始水平集,输入预先训练好的流固耦合预测模型,得到未来时段内空间网格的目标速度和目标水平集;按照插值规则,将未来时段内空间网格的目标速度和目标水平集插入粒子,得到未来时段内流体粒子和固体粒子在三维空间中的耦合运动信息。用于降低计算资源的占用率,提高仿真效率。
Description
技术领域
本申请实施例涉及仿真流固耦合预测技术领域,尤其涉及一种基于数据驱动的流固耦合预测方法。
背景技术
目前,流固耦合仿真用于对流体和固体在未来时段内的相互作用进行仿真预测。
在相关技术中,流固耦合仿真方法包括:在流体仿真与柔体仿真的基础上,进行碰撞检测,求解流体与柔体碰撞之后两种物体之间产生的耦合力,来更新碰撞之后的流体与柔体的速度和位置。
在上述仿真方法中,蕴含着复杂的物理机制,由于在对偏微分方程进行迭代求解和碰撞检测过程中,存在大量的计算耗散,使得计算资源的占用率较大,进而使得仿真效率低。
发明内容
本申请实施例提供一种基于数据驱动的流固耦合预测方法。计算资源的占用率,缩短预测时间,进而提高预测效率。
第一方面,本申请实施例提供一种基于数据驱动的流固耦合预测方法,包括:
获取历史时段内流体粒子和固体粒子在三维空间中的运动信息;运动信息包括流体粒子的速度和位置、以及固体粒子的速度和位置;
按照插值规则,将运动信息插入三维空间对应的空间网格中,得到空间网格的原始速度和原始水平集;原始速度包括流体粒子的速度和/或固体粒子的速度,原始水平集为根据流体粒子的位置和/或固体粒子的位置确定的;
通过流固耦合预测模型,对原始速度和原始水平集进行处理,得到未来时段内空间网格的目标速度和目标水平集;
按照插值规则,将未来时段内空间网格的目标速度和目标水平集插入粒子,得到未来时段内流体粒子和固体粒子在三维空间中的耦合运动信息。
在一种可能的设计中,流固耦合预测模型包括:依次连接的编码器神经网络、未来状态预测网络、修正网络和解码器神经网络;
将原始速度和原始水平集,输入预先训练好的流固耦合预测模型,得到未来时段内空间网格的目标速度和目标水平集,包括:
通过编码器神经网络对原始速度和原始水平集进行处理,得到特征信息;
通过未来状态预测网络对特征信息进行处理,得到推演信息;
通过修正网络对推演信息进行处理,得到修正信息;
通过解码器神经网络对修正信息进行处理,得到未来时段内空间网格中的目标速度和目标水平集。
在一种可能的设计中,方法还包括:
通过训练数据对初始流固耦合模型进行训练,得到流固耦合预测模型;训练数据包括空间网格的训练速度和训练水平集;
初始流固耦合模型中包括:依次连接的初始编码器神经网络、初始未来状态预测网络、初始修正网络和初始解码器神经网络。
在一种可能的设计中,通过训练数据对初始流固耦合模型进行训练,得到流固耦合预测模型,包括:
固定初始修正网络的第一初始参数,将训练数据输入初始流固耦合模型,得到初始编码器神经网络的第一目标参数、初始未来状态预测网络的第二目标参数、初始解码器神经网络的第三目标参数;
固定初始编码器神经网络的第一目标参数、初始未来状态预测网络的第二目标参数、初始解码器神经网络的第三目标参数,将训练数据输入初始流固耦合模型,得到初始修正网络的第四目标参数;
具有第一目标参数的初始编码器神经网络为流固耦合预测模型中的编码器神经网络,具有第二目标参数的初始未来状态预测网络为流固耦合预测模型中的未来状态预测网络,具有第四目标参数的初始解码器神经网络为流固耦合预测模型中的修正网络,具有第三目标参数的初始解码器神经网络为流固耦合预测模型中的解码器神经网络。
在一种可能的设计中,固定初始修正网络的第一初始参数,将训练数据输入初始流固耦合模型,得到初始编码器神经网络的第一目标参数、初始未来状态预测网络的第二目标参数、初始解码器神经网络的第三目标参数,包括:
执行获取操作,获取第i-1个目标损失值;
执行训练操作,将训练数据输入初始流固耦合模型,得到第i个训练结果;
执行处理操作,通过目标损失函数模型,对第i个训练结果进行处理,得到第i个目标损失值;目标损失函数模型为:
其中,v为训练速度,为第i个训练结果中训练速度通过初始编码器神经网络和初始解码器神经网络之后得到的第一预测速度,▽v为训练速度的梯度值,为第一预测速度的梯度值,ll为训练水平集中流体粒子的第一水平集,为第i个训练结果中流体粒子的第一水平集通过初始编码器神经网络和初始解码器神经网络之后得到的流体粒子的第一预测水平集,lr为训练水平集中固体粒子的第一水平集,为第i个训练结果中固体粒子的第一水平集通过初始编码器神经网络和初始解码器神经网络之后得到的固体粒子的第一预测水平集;
其中,为第i个训练结果中训练速度通过初始流固耦合模型之后得到的第二预测速度,为第二预测速度的梯度值,为第i个训练结果中流体粒子的第一水平集通过初始流固耦合模型之后得到的流体粒子的第二预测水平集、为第i个训练结果中固体粒子的第一水平集通过初始流固耦合模型之后得到的固体粒子的第二预测水平集;
执行判断操作,判断第i-1个目标损失值与第i个目标损失值的差值是否小于或等于预设值;若是,则得到初始编码器神经网络的第一目标参数、初始未来状态预测网络的第二目标参数、初始解码器神经网络的第三目标参数;否,则将i加1,重复执行获取操作、训练操作、处理操作,直至连续两个目标损失值的差值小于或等于预设值,得到初始编码器神经网络的第一目标参数、初始未来状态预测网络的第二目标参数、初始解码器神经网络的第三目标参数;初始时i等于1。
在一种可能的设计中,训练数据通过如下步骤得到:
生成流体粒子和固体粒子在三维空间中的样本运动信息;
将所述样本运动信息插入所述三维空间对应的空间网格中,得到所述空间网格的中间速度和中间水平集;
根据所述空间网格的中间速度和中间水平集,确定所述训练数据。
在一种可能的设计中,根据空间网格的中间速度和中间水平集,确定训练数据,包括:
将中间速度,确定为训练速度;
将中间水平集,确定为训练水平集。
在一种可能的设计中,根据空间网格的训练速度和训练水平集,确定训练数据,包括:
将中间速度中第一预设数量的速度,确定为训练速度;
将中间水平集中训练速度对应的水平集,确定为训练水平集。
在一种可能的设计中,固体粒子为如下任意一种:刚体粒子、柔体粒子、可融固体粒子。
在一种可能的设计中,插值规则为线性插值规则。
第二方面,本申请实施例提供一种基于数据驱动的流固耦合预测装置,包括:获取模块、粒子插值网格模块、处理模型和网格插值粒子模块;其中,
获取模块用于,获取历史时段内流体粒子和固体粒子在三维空间中的运动信息;运动信息包括流体粒子的速度和位置、以及固体粒子的速度和位置;
粒子插值网格模块用于,按照插值规则,将运动信息插入三维空间对应的空间网格中,得到空间网格的原始速度和原始水平集;原始速度包括流体粒子的速度和/或固体粒子的速度,原始水平集为根据流体粒子的位置和/或固体粒子的位置确定的;
处理模块用于,通过流固耦合预测模型,对原始速度和原始水平集进行处理,得到未来时段内空间网格的目标速度和目标水平集;
网格插值粒子模块用于,按照插值规则,将未来时段内空间网格的目标速度和目标水平集插入粒子,得到未来时段内流体粒子和固体粒子在三维空间中的耦合运动信息。
在一种可能的设计中,流固耦合预测模型包括:依次连接的编码器神经网络、未来状态预测网络、修正网络和解码器神经网络;
处理模块具体用于:
通过流固耦合预测模型,对原始速度和原始水平集进行处理,得到未来时段内空间网格的目标速度和目标水平集,包括:
通过编码器神经网络对原始速度和原始水平集进行处理,得到特征信息;
通过未来状态预测网络对特征信息进行处理,得到推演信息;
通过修正网络对推演信息进行处理,得到修正信息;
通过解码器神经网络对修正信息进行处理,得到未来时段内空间网格中的目标速度和目标水平集。
在一种可能的设计中,还包括:训练模块;
训练模块用于,通过训练数据对初始流固耦合模型进行训练,得到流固耦合预测模型;训练数据包括空间网格的训练速度和训练水平集;
初始流固耦合模型中包括:依次连接的初始编码器神经网络、初始未来状态预测网络、初始修正网络和初始解码器神经网络。
在一种可能的设计中,训练模块具体用于:
固定初始修正网络的第一初始参数,将训练数据输入初始流固耦合模型,得到初始编码器神经网络的第一目标参数、初始未来状态预测网络的第二目标参数、初始解码器神经网络的第三目标参数;
固定初始编码器神经网络的第一目标参数、初始未来状态预测网络的第二目标参数、初始解码器神经网络的第三目标参数,将训练数据输入初始流固耦合模型,得到初始修正网络的第四目标参数;
具有第一目标参数的初始编码器神经网络为流固耦合预测模型中的编码器神经网络,具有第二目标参数的初始未来状态预测网络为流固耦合预测模型中的未来状态预测网络,具有第四目标参数的初始解码器神经网络为流固耦合预测模型中的修正网络,具有第三目标参数的初始解码器神经网络为流固耦合预测模型中的解码器神经网络。
在一种可能的设计中,训练模块具体用于:
执行获取操作,获取第i-1个目标损失值;
执行训练操作,将训练数据输入初始流固耦合模型,得到第i个训练结果;
执行处理操作,通过目标损失函数模型,对第i个训练结果进行处理,得到第i个目标损失值;目标损失函数模型为:
其中,v为训练速度,为第i个训练结果中训练速度通过初始编码器神经网络和初始解码器神经网络之后得到的第一预测速度,▽v为训练速度的梯度值,为第一预测速度的梯度值,ll为训练水平集中流体粒子的第一水平集,为第i个训练结果中流体粒子的第一水平集通过初始编码器神经网络和初始解码器神经网络之后得到的流体粒子的第一预测水平集,lr为训练水平集中固体粒子的第一水平集,为第i个训练结果中固体粒子的第一水平集通过初始编码器神经网络和初始解码器神经网络之后得到的固体粒子的第一预测水平集;
为第i个训练结果中训练速度通过初始流固耦合模型之后得到的第二预测速度,为第二预测速度的梯度值,为第i个训练结果中流体粒子的第一水平集通过初始流固耦合模型之后得到的流体粒子的第二预测水平集、为第i个训练结果中固体粒子的第一水平集通过初始流固耦合模型之后得到的固体粒子的第二预测水平集;
执行判断操作,判断第i-1个目标损失值与第i个目标损失值的差值是否小于或等于预设值;若是,则得到初始编码器神经网络的第一目标参数、初始未来状态预测网络的第二目标参数、初始解码器神经网络的第三目标参数;否,则将i加1,重复执行获取操作、训练操作、处理操作,直至连续两个目标损失值的差值小于或等于预设值,得到初始编码器神经网络的第一目标参数、初始未来状态预测网络的第二目标参数、初始解码器神经网络的第三目标参数;初始时i等于1。
在一种可能的设计中,训练模块还用于:
生成流体粒子和固体粒子在三维空间中的样本运动信息;
将所述样本运动信息插入所述三维空间对应的空间网格中,得到所述空间网格的中间速度和中间水平集;
根据所述空间网格的中间速度和中间水平集,确定所述训练数据。
在一种可能的设计中,训练模块还用于:
将中间速度,确定为训练速度;
将中间水平集,确定为训练水平集。
在一种可能的设计中,训练模块还用于:
将中间速度中第一预设数量的速度,确定为训练速度;
将中间水平集中训练速度对应的水平集,确定为训练水平集。
在一种可能的设计中,固体粒子为如下任意一种:刚体粒子、柔体粒子、可融固体粒子。
在一种可能的设计中,插值规则为线性插值规则。
第三方面,本申请实施例提供一种终端设备,包括:处理器和存储器;
存储器存储计算机执行指令;
处理器执行存储器存储的计算机执行指令,使得处理器执行如第一方面任一项的基于数据驱动的流固耦合预测方法。
第四方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当处理器执行计算机执行指令时实现如第一方面任一项的基于数据驱动的流固耦合预测方法。
第五方面,本申请实施例提供一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现如第一方面任一项的基于数据驱动的流固耦合预测方法。
本申请实施例提供一种基于数据驱动的流固耦合预测方法。在该方法中,通过流固耦合预测模型,对原始速度和原始水平集进行处理,得到未来时段内空间网格的目标速度和目标水平集,进一步地,按照插值规则,将未来时段内空间网格的目标速度和目标水平集插入粒子,得到未来时段内流体粒子和固体粒子在三维空间中的耦合运动信息,降低计算资源的占用率,缩短预测时间,进而提高预测效率。
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一简单地介绍,显而易见地,下面描述中的附图是本申请实施例的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于数据驱动的流固耦合预测方法的流程示意图一;
图2为本申请实施例提供的空间网格的一种示意图;
图3为本申请实施例提供的基于数据驱动的流固耦合预测方法的流程示意图二;
图4为本申请实施例提供的一种流固耦合场景的示意图;
图5为本申请实施例提供的另一种流固耦合场景的示意图;
图6为本申请实施例提供的又一种流固耦合场景的示意图;
图7为本申请实施例提供的得到流固耦合预测模型的方法流程示意图;
图8为本申请实施例提供过的基于数据驱动的流固耦合预测方法的处理架构图;
图9为本申请实施例提供的基于数据驱动的流固耦合预测装置的结构示意图一;
图10为本申请实施例提供的基于数据驱动的流固耦合预测装置的结构示意图二;
图11为本申请实施例提供的终端设备的硬件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,显然,所描述的实施例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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本申请实施例提供的基于数据驱动的流固耦合预测方法的流程示意图一。如图1,该方法包括:
S101、获取历史时段内流体粒子和固体粒子在三维空间中运动信息,运动信息包括流体粒子的速度和位置、以及固体粒子的速度和位置。
本申请实施例的执行主体为终端设备,也可以为设置在终端设备中的基于数据驱动的流固耦合预测装置,基于数据驱动的流固耦合预测装置可以通过软件和/或硬件的结合来实现。终端设备例如可以为笔记本电脑、台式电脑等。
历史时段可以为第一预设帧数量对应的时长。其中,第一预设帧数量可以为1、5等,此处不对第一预设帧数量的具体取值进行限定。
三维空间为流体粒子和固体粒子所在的空间。需要说明的是,三维空间中可以包括至少一个流体粒子和至少一个固体粒子。可选地,固体粒子可以为如下任意一种:刚体粒子、柔体粒子、可融固体粒子。
其中,运动信息包括流体粒子的第一运动信息和固体粒子的第二运动信息;第一运动信息包括流体粒子的速度和位置,第二运动信息包括固体粒子的速度和位置。
第一运动信息包括:至少一个流体粒子中每个流体粒子的速度和位置。
第二运动信息包括:至少一个固体粒子中每个固体粒子的速度和位置。
S102、按照插值规则,将运动信息插入三维空间对应的空间网格中,得到空间网格的原始速度和原始水平集;原始速度包括流体粒子的速度和/或固体粒子的速度,原始水平集为根据流体粒子的位置和/或固体粒子的位置确定的。
可选地,插值规则可以为线性插值规则,也可以为其他插值规则。具体的本申请在此不再赘述。
空间网格为对三维空间进行虚拟划分后得到的。空间网格中多个方格。图2为本申请实施例提供的空间网格的一种示意图。如图2所示,空间网格20中包括多个方格201。
空间网格的原始速度中包括每个方格上的流体粒子的速度和/或固体粒子的速度。空间网格的原始水平集包括每个方格上的固体水平集和流体水平集。其中,固体水平集为根据方格中固体粒子的位置确定的,流体水平集根据方格中流体粒子的位置确定的。
具体的,每个方格的固体水平集指示方格对应的固体粒子与该方格的位置关系:固体在方格的内部、外部、或者表面。
具体的,每个方格的流体水平集指示方格对应的固体粒子与该方格的位置关系:流体在方格的内部、外部、或者表面。
可选地,每个方格可以对应八个粒子。例如八个粒子可以包括流体粒子和/或固体粒子。
S103、通过流固耦合预测模型,对原始速度和原始水平集进行处理,得到未来时段内空间网格的目标速度和目标水平集。
流固耦合预测模型为预先训练好的预测模型。
在一种可能的设计中,流固耦合预测模型包括:依次连接的编码器神经网络、未来状态预测网络、修正网络和解码器神经网络。
在一种可能的设计中,通过训练数据对初始流固耦合模型进行训练,得到流固耦合预测模型;训练数据包括空间网格的训练速度和训练水平集。
初始流固耦合模型中包括:依次连接的初始编码器神经网络、初始未来状态预测网络、初始修正网络和初始解码器神经网络。
将通过原始速度和原始水平集输入流固耦合预测模型,使得编码器神经网络、未来状态预测网络、修正网络和解码器神经网络对原始速度和原始水平集进行处理,得到未来时段内空间网格的目标速度和目标水平集。
未来时段与历史时段的比值等于预设值。可选地,预设值可以为5、10等。例如,若历史时段为第一预设帧数量5,则当预设值为5时,未来时段等于25帧。
需要说明的是,当原始速度和原始水平集的数据格式、与流固耦合预测模型可能处理的数据格式可能不匹配时,可以对原始速度和原始水平集的数据格式进行转换,使得转换后的数据格式与流固耦合预测模型处理的数据格式匹配。
例如,当原始速度和原始水平集的数据格式为txt格式,流固耦合预测模型可能处理的数据格式为npz格式时,可以将txt格式的原始速度和原始水平集转为npz格式原始速度和原始水平集,从而使得流固耦合预测模型可以对原始速度和原始水平集进行处理。
需要说明的是,流固耦合预测模型通常按照预设维度读取原始速度和原始水平集。预设维度为(input_frame_count,res_z,res_y,res_x,in_out_dim),input_frame_count为在时间维度上的读取数据的帧数,res_z、res_y、res_x分别为每帧读取数据在空间网格上分量大小,in_out_dim为流体粒子和固体粒子在空间网格上每一维空间的速度维度和水平集维度之和,即in_out_dim=v+ll+lr=5,其中,v为速度维度3,流体粒子的水平集维度1、固体粒子的水平集维度1。
S104、按照插值规则,将未来时段内空间网格的目标速度和目标水平集插入粒子,得到未来时段内流体粒子和固体粒子在三维空间中的耦合运动信息。
例如,当插值规则为线性插值规则时,按照逆线性插值规则,将基于空间网格的目标速度和目标水平集,转换为基于粒子的运动信息,从而得到未来时段内流体粒子和固体粒子在三维空间中的耦合运动信息。
需要说明的是,耦合运动信息为流体粒子和固体粒子在相互作用(即流体粒子驱动固体粒子运动、固体粒子驱动流体粒子运动)之后预测运动信息。
进一步地,可以通过开放式图形库(Open Graphics Library,OpenGL)对耦合运动信息进行渲染处理,得到流体粒子和固体粒子在预测时段内的流固耦合仿真结果。
需要说明的是,本申请实施例提供的基于数据驱动的流固耦合预测方法,可以应用于计算机动画和计算机仿真领域,具有较强的适用性。
在图1实施例提供的基于数据驱动的流固耦合预测方法中:通过流固耦合预测模型,对原始速度和原始水平集进行处理,得到未来时段内空间网格的目标速度和目标水平集,进一步地,按照插值规则,将未来时段内空间网格的目标速度和目标水平集插入粒子,得到未来时段内流体粒子和固体粒子在三维空间中的耦合运动信息,降低计算资源的占用率,缩短预测时间,进而提高预测效率。进一步地,由于本申请提供的基于数据驱动的流固耦合预测方法可以提高预测效率,因此能够实现实时地得到流体粒子和固体粒子的耦合运动信息,进而实时地得到流固耦合仿真结果。
与现有技术不同,在现有技术中,使用交互图网络的方法(适用于基于粒子的方式),快速地将相邻粒子间的影响在时间和空间维度进行传播来更新粒子位置,较好地预测了流体和固体的交互行为,却存在长期稳定预测的准确性较差的问题。而在本申请中,通过流固耦合预测模型,对原始速度和原始水平集进行处理,得到未来时段内空间网格的目标速度和目标水平集,进而将未来时段内空间网格的目标速度和目标水平集插入粒子,得到未来时段内流体粒子和固体粒子在三维空间中的耦合运动信息,可以提高长期稳定预测的准确性。
进一步地,与现有技术不同,在现有的预测方法中,只能预测流体粒子的运动信息,无法实现在流体粒子和固体粒子相互作用(即耦合)之后,预测流体粒子的运动信息和固体粒子的运动信息,导致现有的预测方法的应用场景较窄。而在本申请中,通过流固耦合预测模型,对原始速度和原始水平集进行处理,得到未来时段内空间网格的目标速度和目标水平集;按照插值规则,将未来时段内空间网格的目标速度和目标水平集插入粒子,得到未来时段内流体粒子和固体粒子在三维空间中的耦合运动信息,可以实现在流体粒子和固体粒子相互作用(即耦合)之后预测流体粒子的运动信息和固体粒子的运动信息,而且固体粒子可以为刚体粒子、柔体粒子、或者可融固体粒子,使得本申请提供的基于数据驱动的流固耦合预测方法的应用场景较宽。
在上述实施例的基础上,下面结合图3对本申请提供的基于数据驱动的基于数据驱动的流固耦合预测方法作进一步地说明,具体的,请参见图3实施例。
图3为本申请实施例提供的基于数据驱动的流固耦合预测方法的流程示意图二。如图3所示,该包括:
S301、获取历史时段内在至少两个流固耦合场景下流体粒子和固体粒子在三维空间中的运动信息。
至少两个流固耦合场景的个数例如可以为2、3、7等。对至少两个流固耦合场景的说明,请参见图4~图6。
图4为本申请实施例提供的一种流固耦合场景的示意图。如图4所示,包括:第一流固耦合场景。第一流固耦合场景中包括:流体101和固体102。
图5为本申请实施例提供的另一种流固耦合场景的示意图。如图5所示,包括:第二流固耦合场景。第二流固耦合场景中包括:流体101和固体102。
图6为本申请实施例提供的又一种流固耦合场景的示意图。如图6所示,包括:第三流固耦合场景。第三流固耦合场景中包括:流体101和固体102。
S302、按照插值规则,将运动信息插入三维空间对应的空间网格中,得到空间网格的原始速度和原始水平集。
具体的,S301和S302的执行方法与S101和S102的执行方法相同,此处不再赘述S301和S302的执行过程。
S303、通过编码器神经网络对原始速度和原始水平集进行处理,得到特征信息。
编码器神经网络由16层具有跳跃连接的卷积神经网络(Convolutional NeuralNetworks,CNN)和一层全连接网络构成。
特征信息为原始速度和原始水平集对应的潜在空间数据。
具体的,编码器神经网络对原始速度和原始水平集进行压缩处理,可以提取出特征信息。
S304、通过未来状态预测网络对特征信息进行处理,得到推演信息。
未来状态预测网络为两层门控循环单元(Gate Recurrent Unit,GRU)。
S305、通过修正网络对推演信息进行处理,得到修正信息。
修正网络由三层CNN构成。
S306、通过解码器神经网络对修正信息进行处理,得到未来时段内空间网格中的目标速度和目标水平集。
解码器神经网络由一层全连接网络与17层具有跳跃连接的CNN构成。
S307、按照插值规则,将未来时段内空间网格的目标速度和目标水平集插入粒子,得到未来时段内流体粒子和固体粒子在三维空间中的耦合运动信息。
具体的,S307的执行方法与S104的执行方法相同,此处不再赘述S307的执行过程。
在本申请中,S301~S307为计算机可以执行的方法步骤,因此本申请实施例提供的基于数据驱动的流固耦合预测方法,可以应用于计算机动画和计算机仿真领域,具有较强的适用性。
在上述方法步骤中,按照插值规则,将运动信息插入三维空间对应的空间网格中,得到空间网格的原始速度和原始水平集;然后通过流固耦合预测模型对原始速度和原始水平集进行处理;再按照插值规则,将未来时段内空间网格的目标速度和目标水平集插入粒子,得到未来时段内流体粒子和固体粒子在三维空间中的耦合运动信息,可以提高长期稳定预测的准确性,还可以保障输入至流固耦合预测模型的数据具有结构性,又能兼顾基于粒子方法的优点,使得平流过程更易计算。
在上述实施例的基础上,下面结合图7对得到流固耦合预测模型的方法进行说明,具体的,可以参见图7实施例。
图7为本申请实施例提供的得到流固耦合预测模型的方法流程示意图。如图7所示,该方法包括:
S701、生成流体粒子和固体粒子在三维空间中的样本运动信息。
其中,样本运动信息中包括流体粒子的样本速度和样本位置、以及固体粒子的样本速度和样本位置。
具体的,可以使用基于光滑粒子流体动力学(Smoothed ParticleHydrodynamics,SPH)方法的开源流体仿真程序SPlisHSPlasH和基于位置动力学(PositionBased Dynamics,PBD)方法的仿真程序FleX,生成上述生成流体粒子的样本速度和样本位置、以及固体粒子的样本速度和样本位置。
S702、将样本运动信息插入三维空间对应的空间网格中,得到空间网格的中间速度和中间水平集。
S703、根据空间网格的中间速度和中间水平集,确定训练数据,训练数据中包括训练速度和训练水平集。
可选地,可以通过如下2种方式,确定训练数据。
方式1:将中间速度,确定为训练速度;
将中间水平集,确定为训练水平集。
方式2:将中间速度中第一预设数量的速度,确定为训练速度;
将中间水平集中训练速度对应的水平集,确定为训练水平集。
其中,第一预设数量可以为60%、70%等。
S704、通过训练数据对初始流固耦合模型进行训练,得到流固耦合预测模型;初始流固耦合模型中包括:依次连接的初始编码器神经网络、初始未来状态预测网络、初始修正网络和初始解码器神经网络。
可选地,可以通过如下2种方式,得到流固耦合预测模型。
方式1,重复采用训练数据对初始流固耦合模型进行训练,直至初始流固耦合模型收敛,得到流固耦合预测模型。
方式2,固定初始修正网络的第一初始参数,将训练数据输入初始流固耦合模型,得到初始编码器神经网络的第一目标参数、初始未来状态预测网络的第二目标参数、初始解码器神经网络的第三目标参数;
固定初始编码器神经网络的第一目标参数、初始未来状态预测网络的第二目标参数、初始解码器神经网络的第三目标参数,将训练数据输入初始流固耦合模型,得到初始修正网络的第四目标参数;
具有第一目标参数的初始编码器神经网络为流固耦合预测模型中的编码器神经网络,具有第二目标参数的初始未来状态预测网络为流固耦合预测模型中的未来状态预测网络,具有第四目标参数的初始解码器神经网络为流固耦合预测模型中的修正网络,具有第三目标参数的初始解码器神经网络为流固耦合预测模型中的解码器神经网络。
在一种可能的设计中,固定初始修正网络的第一初始参数,将训练数据输入初始流固耦合模型,得到初始编码器神经网络的第一目标参数、初始未来状态预测网络的第二目标参数、初始解码器神经网络的第三目标参数,包括:
执行获取操作,获取第i-1个目标损失值;
执行训练操作,将训练数据输入初始流固耦合模型,得到第i个训练结果;
执行处理操作,通过目标损失函数模型,对第i个训练结果进行处理,得到第i个目标损失值;目标损失函数模型为:
其中,v为训练速度,为第i个训练结果中训练速度通过初始编码器神经网络和初始解码器神经网络之后得到的第一预测速度,▽v为训练速度的梯度值,为第一预测速度的梯度值,ll为训练水平集中流体粒子的第一水平集,为第i个训练结果中流体粒子的第一水平集通过初始编码器神经网络和初始解码器神经网络之后得到的流体粒子的第一预测水平集,lr为训练水平集中固体粒子的第一水平集,为第i个训练结果中固体粒子的第一水平集通过初始编码器神经网络和初始解码器神经网络之后得到的固体粒子的第一预测水平集;
其中,为第i个训练结果中训练速度通过初始流固耦合模型之后得到的第二预测速度,为第二预测速度的梯度值,为第i个训练结果中流体粒子的第一水平集通过初始流固耦合模型之后得到的流体粒子的第二预测水平集、为第i个训练结果中固体粒子的第一水平集通过初始流固耦合模型之后得到的固体粒子的第二预测水平集;
执行判断操作,判断第i-1个目标损失值与第i个目标损失值的差值是否小于或等于预设值;若是,则得到初始编码器神经网络的第一目标参数、初始未来状态预测网络的第二目标参数、初始解码器神经网络的第三目标参数;否,则将i加1,重复执行获取操作、训练操作、处理操作,直至连续两个目标损失值的差值小于或等于预设值,得到初始编码器神经网络的第一目标参数、初始未来状态预测网络的第二目标参数、初始解码器神经网络的第三目标参数;初始时i等于1。
在一种可能的设计中,固定初始编码器神经网络的第一目标参数、初始未来状态预测网络的第二目标参数、初始解码器神经网络的第三目标参数,将训练数据输入初始流固耦合模型,得到初始修正网络的第四目标参数,包括:
执行获取操作,获取第j-1个目标损失值;
执行训练操作,将训练数据输入包括具有第一目标参数的初始编码器神经网络、具有第二目标参数的初始未来状态预测网络、具有第三目标参数的初始解码器神经网络、具有第一初始参数的初始修正网络的初始流固耦合模型中,得到第j个训练结果;
执行处理操作,通过目标损失函数模型,对第j个训练结果进行处理,得到第j个目标损失值;目标损失函数模型为:
Huber()为Huber损失函数,为第j个训练结果中训练速度通过初始编码器神经网络和初始解码器神经网络之后得到的第一预测速度,为第一预测速度的梯度值,为第j个训练结果中流体粒子的第一水平集通过初始编码器神经网络和初始解码器神经网络之后得到的流体粒子的第一预测水平集,为第j个训练结果中固体粒子的第一水平集通过初始编码器神经网络和初始解码器神经网络之后得到的固体粒子的第一预测水平集;
为第j个训练结果中训练速度通过初始流固耦合模型之后得到的第二预测速度,为第二预测速度的梯度值,为第i个训练结果中流体粒子的第一水平集通过初始流固耦合模型之后得到的流体粒子的第二预测水平集、为第j个训练结果中固体粒子的第一水平集通过初始流固耦合模型之后得到的固体粒子的第二预测水平集;
执行判断操作,判断第j-1个目标损失值与第j个目标损失值的差值是否小于或等于预设值;若是,则得到初始编码器神经网络的第一目标参数、初始未来状态预测网络的第二目标参数、初始解码器神经网络的第三目标参数;否,则将j加1,重复执行获取操作、训练操作、处理操作,直至连续两个目标损失值的差值小于或等于预设值,得到初始修正网络的第四目标参数;初始时j等于1。
进一步地,在得到流固耦合预测模型之后,还可以通过验证数据对流固耦合预测模型进行验证。
可选地,可以将中间速度中第二预设数量的速度确定为验证速度;将中间水平集中验证速度对应的水平集确定为验证水平集。其中,第二预设数量可以为40%、30%等。第二预设数量与第一预设数量之和等于100%。
在另一种可能的设计中,还可以将中间速度中第三预设数量的速度确定为测试速度;将测试速度确定为原始速度;
将中间水平集中测试速度对应的水平集确定为测试水平集;将测试水平集确定为原始水平集。其中,第三预设数量、第二预设数量和第一预设数量之和等于100%。
具体的,可以通过如下方式确定速度峰值信噪比ev:
其中,vmax为验证速度中空间网格的最大速度,res_x为空间网格在x轴方向上的方格数量(例如为32),res_y为空间网格在y轴方向上的方格数量(例如为32),res_z为空间网格在z轴方向上的方格数量(例如为32),m为流固耦合预测模型的输出数据的帧数,v(i,j,k)为验证数据中在空间网格的(i,j,k)位置上的速度,为输出数据中在空间网格的(i,j,k)位置上的预测速度。
其中,llmax为验证速度中空间网格的验证水平集中的最大流体水平集,ll(i,j,k)为验证数据中在空间网格的(i,j,k)位置上的流体水平集,为输出数据中在空间网格的(i,j,k)位置上的预测流体水平集。
其中,lrmax为验证速度中空间网格的验证水平集中的最大固体水平集,lr(i,j,k)为验证数据中在空间网格的(i,j,k)位置上的固体水平集,为输出数据中在空间网格的(i,j,k)位置上的预测固体水平集。
图8为本申请实施例提供过的基于数据驱动的流固耦合预测方法的处理架构图。如图8所示,包括:依次连接的编码器神经网络、未来状态预测网络、修正网络和解码器神经网络,以及渲染图像81和渲染图像82。
渲染图像81为根据流体粒子和固体粒子的运动信息得到的渲染图像。
渲染图像82为根据流体粒子和固体粒子在三维空间中的耦合运动信息得到的渲染图像。
图9为本申请实施例提供的基于数据驱动的流固耦合预测装置的结构示意图一。如图9所示,基于数据驱动的流固耦合预测装置90包括:获取模块901、粒子插值网格模块902、处理模型903和网格插值粒子模块904;其中,
获取模块901用于,获取历史时段内流体粒子和固体粒子在三维空间中的运动信息;所述运动信息包括所述流体粒子的速度和位置、以及所述固体粒子的速度和位置;
粒子插值网格模块902用于,将所述运动信息插入所述三维空间对应的空间网格中,得到所述空间网格的原始速度和原始水平集;所述原始速度包括所述流体粒子的速度和/或所述固体粒子的速度,所述原始水平集为根据所述流体粒子的位置和/或所述固体粒子的位置确定的;
处理模块903用于,通过流固耦合预测模型,对原始速度和原始水平集进行处理,得到未来时段内空间网格的目标速度和目标水平集;
网格插值粒子模块904用于,按照插值规则,将所述未来时段内所述空间网格的目标速度和目标水平集插入粒子,得到所述未来时段内所述流体粒子和所述固体粒子在三维空间中的耦合运动信息。
本申请实施例提供的基于数据驱动的流固耦合预测装置90可以执行上述方法实施例所示的技术方案,其实现原理以及有益效果类似,此处不再进行赘述。
在一种可能的设计中,流固耦合预测模型包括:依次连接的编码器神经网络、未来状态预测网络、修正网络和解码器神经网络;
处理模块903具体用于:
通过流固耦合预测模型,对原始速度和原始水平集进行处理,得到未来时段内空间网格的目标速度和目标水平集,包括:
通过编码器神经网络对原始速度和原始水平集进行处理,得到特征信息;
通过未来状态预测网络对特征信息进行处理,得到推演信息;
通过修正网络对推演信息进行处理,得到修正信息;
通过解码器神经网络对修正信息进行处理,得到未来时段内空间网格中的目标速度和目标水平集。
图10为本申请实施例提供的基于数据驱动的流固耦合预测装置的结构示意图二。在图9的基础上,如图10所示,基于数据驱动的流固耦合预测装置90还包括:训练模块905;
训练模块905用于,通过训练数据对初始流固耦合模型进行训练,得到流固耦合预测模型;训练数据包括空间网格的训练速度和训练水平集;初始流固耦合模型中包括:依次连接的初始编码器神经网络、初始未来状态预测网络、初始修正网络和初始解码器神经网络。
在一种可能的设计中,训练模块905具体用于:
固定初始修正网络的第一初始参数,将训练数据输入初始流固耦合模型,得到初始编码器神经网络的第一目标参数、初始未来状态预测网络的第二目标参数、初始解码器神经网络的第三目标参数;
固定初始编码器神经网络的第一目标参数、初始未来状态预测网络的第二目标参数、初始解码器神经网络的第三目标参数,将训练数据输入初始流固耦合模型,得到初始修正网络的第四目标参数;
具有第一目标参数的初始编码器神经网络为流固耦合预测模型中的编码器神经网络,具有第二目标参数的初始未来状态预测网络为流固耦合预测模型中的未来状态预测网络,具有第四目标参数的初始解码器神经网络为流固耦合预测模型中的修正网络,具有第三目标参数的初始解码器神经网络为流固耦合预测模型中的解码器神经网络。
在一种可能的设计中,训练模块905具体用于:
执行获取操作,获取第i-1个目标损失值;
执行训练操作,将训练数据输入初始流固耦合模型,得到第i个训练结果;
执行处理操作,通过目标损失函数模型,对第i个训练结果进行处理,得到第i个目标损失值;目标损失函数模型为:
其中,v为训练速度,为第i个训练结果中训练速度通过初始编码器神经网络和初始解码器神经网络之后得到的第一预测速度,▽v为训练速度的梯度值,为第一预测速度的梯度值,ll为训练水平集中流体粒子的第一水平集,为第i个训练结果中流体粒子的第一水平集通过初始编码器神经网络和初始解码器神经网络之后得到的流体粒子的第一预测水平集,lr为训练水平集中固体粒子的第一水平集,为第i个训练结果中固体粒子的第一水平集通过初始编码器神经网络和初始解码器神经网络之后得到的固体粒子的第一预测水平集;
为第i个训练结果中训练速度通过初始流固耦合模型之后得到的第二预测速度,为第二预测速度的梯度值,为第i个训练结果中流体粒子的第一水平集通过初始流固耦合模型之后得到的流体粒子的第二预测水平集、为第i个训练结果中固体粒子的第一水平集通过初始流固耦合模型之后得到的固体粒子的第二预测水平集;
执行判断操作,判断第i-1个目标损失值与第i个目标损失值的差值是否小于或等于预设值;若是,则得到初始编码器神经网络的第一目标参数、初始未来状态预测网络的第二目标参数、初始解码器神经网络的第三目标参数;否,则将i加1,重复执行获取操作、训练操作、处理操作,直至连续两个目标损失值的差值小于或等于预设值,得到初始编码器神经网络的第一目标参数、初始未来状态预测网络的第二目标参数、初始解码器神经网络的第三目标参数;初始时i等于1。
在一种可能的设计中,训练模块905还用于:
生成流体粒子和固体粒子在三维空间中的样本运动信息;
将所述样本运动信息插入所述三维空间对应的空间网格中,得到所述空间网格的中间速度和中间水平集;
根据所述空间网格的中间速度和中间水平集,确定所述训练数据。
在一种可能的设计中,训练模块905还用于:
将中间速度,确定为训练速度;
将中间水平集,确定为训练水平集。
在一种可能的设计中,训练模块还用于:
将中间速度中第一预设数量的速度,确定为训练速度;
将中间水平集中训练速度对应的水平集,确定为训练水平集。
在一种可能的设计中,固体粒子为如下任意一种:刚体粒子、柔体粒子、可融固体粒子。
在一种可能的设计中,插值规则为线性插值规则。
本申请实施例提供的基于数据驱动的流固耦合预测装置90可以执行上述方法实施例所示的技术方案,其实现原理以及有益效果类似,此处不再进行赘述。
图11为本申请实施例提供的终端设备的硬件结构示意图。如图11所示,该终端设备100包括:处理器101和存储器102,
其中,处理器101、存储器102通过总线103连接。
在具体实现过程中,处理器101执行存储器102存储的计算机执行指令,使得处理器101执行如上的基于数据驱动的基于数据驱动的流固耦合预测方法。
处理器101的具体实现过程可参见上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
在上述图11所示的实施例中,应理解,处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当处理器执行计算机执行指令时,实现如上的基于数据驱动的基于数据驱动的流固耦合预测方法。
上述的计算机可读存储介质,上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。当然,处理器和可读存储介质也可以作为分立组件存在于设备中。
单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,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。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,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,本申请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)执行本申请各个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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (9)
1.一种基于数据驱动的流固耦合预测方法,其特征在于,包括:
获取历史时段内流体粒子和固体粒子在三维空间中的运动信息;所述运动信息包括所述流体粒子的速度和位置、以及所述固体粒子的速度和位置;
按照插值规则,将所述运动信息插入所述三维空间对应的空间网格中,得到所述空间网格的原始速度和原始水平集;所述原始速度包括所述流体粒子的速度和/或所述固体粒子的速度,所述原始水平集为根据所述流体粒子的位置和/或所述固体粒子的位置确定的;
通过流固耦合预测模型,对所述原始速度和所述原始水平集进行处理,得到未来时段内所述空间网格的目标速度和目标水平集;
按照插值规则,将所述未来时段内所述空间网格的目标速度和目标水平集插入粒子,得到所述未来时段内所述流体粒子和所述固体粒子在三维空间中的耦合运动信息;
所述流固耦合预测模型包括:依次连接的编码器神经网络、未来状态预测网络、修正网络和解码器神经网络;
通过流固耦合预测模型,对所述原始速度和所述原始水平集进行处理,得到未来时段内所述空间网格的目标速度和目标水平集,包括:
通过所述编码器神经网络对所述原始速度和所述原始水平集进行处理,得到特征信息;
通过所述未来状态预测网络对所述特征信息进行处理,得到推演信息;
通过所述修正网络对所述推演信息进行处理,得到修正信息;
通过所述解码器神经网络对所述修正信息进行处理,得到所述未来时段内所述空间网格中的目标速度和目标水平集。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
通过训练数据对初始流固耦合模型进行训练,得到所述流固耦合预测模型;所述训练数据包括所述空间网格的训练速度和训练水平集;
所述初始流固耦合模型中包括:依次连接的初始编码器神经网络、初始未来状态预测网络、初始修正网络和初始解码器神经网络。
3.根据权利要求2所述的方法,其特征在于,通过训练数据对初始流固耦合模型进行训练,得到所述流固耦合预测模型,包括:
固定所述初始修正网络的第一初始参数,将所述训练数据输入所述初始流固耦合模型,得到所述初始编码器神经网络的第一目标参数、所述初始未来状态预测网络的第二目标参数、所述初始解码器神经网络的第三目标参数;
固定所述初始编码器神经网络的第一目标参数、所述初始未来状态预测网络的第二目标参数、所述初始解码器神经网络的第三目标参数,将所述训练数据输入所述初始流固耦合模型,得到所述初始修正网络的第四目标参数;
具有所述第一目标参数的初始编码器神经网络为所述流固耦合预测模型中的编码器神经网络,具有所述第二目标参数的初始未来状态预测网络为所述流固耦合预测模型中的未来状态预测网络,具有所述第四目标参数的初始解码器神经网络为所述流固耦合预测模型中的修正网络,具有所述第三目标参数的初始解码器神经网络为所述流固耦合预测模型中的解码器神经网络。
4.根据权利要求3所述的方法,其特征在于,固定所述初始修正网络的第一初始参数,将所述训练数据输入所述初始流固耦合模型,得到所述初始编码器神经网络的第一目标参数、所述初始未来状态预测网络的第二目标参数、所述初始解码器神经网络的第三目标参数,包括:
执行获取操作,获取第i-1个目标损失值;
执行训练操作,将所述训练数据输入所述初始流固耦合模型,得到第i个训练结果;
执行处理操作,通过目标损失函数模型,对所述第i个训练结果进行处理,得到第i个目标损失值;所述目标损失函数模型为:
其中,v为所述训练速度,为所述第i个训练结果中所述训练速度通过所述初始编码器神经网络和所述初始解码器神经网络之后得到的第一预测速度,为所述训练速度的梯度值,为所述第一预测速度的梯度值,ll为所述训练水平集中流体粒子的第一水平集,为所述第i个训练结果中所述流体粒子的第一水平集通过初始编码器神经网络和所述初始解码器神经网络之后得到的流体粒子的第一预测水平集,lr为所述训练水平集中固体粒子的第一水平集,所述为所述第i个训练结果中固体粒子的第一水平集通过初始编码器神经网络和所述初始解码器神经网络之后得到的固体粒子的第一预测水平集;
其中,为所述第i个训练结果中所述训练速度通过所述初始流固耦合模型之后得到的第二预测速度,所述为所述第二预测速度的梯度值,为所述第i个训练结果中流体粒子的第一水平集通过所述初始流固耦合模型之后得到的流体粒子的第二预测水平集、为所述第i个训练结果中固体粒子的第一水平集通过所述初始流固耦合模型之后得到的固体粒子的第二预测水平集;
执行判断操作,判断所述第i-1个目标损失值与所述第i个目标损失值的差值是否小于或等于预设值;若是,则得到所述初始编码器神经网络的第一目标参数、所述初始未来状态预测网络的第二目标参数、所述初始解码器神经网络的第三目标参数;若否,则将i加1,重复执行所述执行获取操作、所述训练操作、所述处理操作,直至连续两个目标损失值的差值小于或等于预设值,得到所述初始编码器神经网络的第一目标参数、所述初始未来状态预测网络的第二目标参数、所述初始解码器神经网络的第三目标参数;初始时i等于1。
5.根据权利要求2所述的方法,其特征在于,所述训练数据通过如下步骤得到:
生成流体粒子和固体粒子在三维空间中的样本运动信息;
将所述样本运动信息插入所述三维空间对应的空间网格中,得到所述空间网格的中间速度和中间水平集;
根据所述空间网格的中间速度和中间水平集,确定所述训练数据。
6.根据权利要求5所述的方法,其特征在于,根据所述空间网格的中间速度和中间水平集,确定所述训练数据,包括:
将所述中间速度,确定为所述训练速度;
将所述中间水平集,确定为所述训练水平集。
7.根据权利要求5所述的方法,其特征在于,根据所述空间网格的训练速度和训练水平集,确定所述训练数据,包括:
将所述中间速度中第一预设数量的速度,确定为所述训练速度;
将所述中间水平集中所述训练速度对应的水平集,确定为所述训练水平集。
8.根据权利要求1-7中任一项所述的方法,其特征在于,所述固体粒子为如下任意一种:刚体粒子、柔体粒子、可融固体粒子。
9.根据权利要求1-7中任一项所述的方法,其特征在于,所述插值规则为线性插值规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110189404.XA CN112949151B (zh) | 2021-02-19 | 2021-02-19 | 基于数据驱动的流固耦合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110189404.XA CN112949151B (zh) | 2021-02-19 | 2021-02-19 | 基于数据驱动的流固耦合预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949151A CN112949151A (zh) | 2021-06-11 |
CN112949151B true CN112949151B (zh) | 2022-09-27 |
Family
ID=76244307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110189404.XA Active CN112949151B (zh) | 2021-02-19 | 2021-02-19 | 基于数据驱动的流固耦合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949151B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102913464A (zh) * | 2012-09-05 | 2013-02-06 | 江苏大学 | 离心泵转子瞬态流固耦合特性预测方法 |
CN103699715A (zh) * | 2013-12-01 | 2014-04-02 | 北京航空航天大学 | 一种基于光滑粒子流体动力学和非线性有限元的流固耦合方法 |
CN110222828A (zh) * | 2019-06-12 | 2019-09-10 | 西安交通大学 | 一种基于混合深度神经网络的非定常流场快速预测方法 |
CN111444643A (zh) * | 2020-03-02 | 2020-07-24 | 北京理工大学 | 一种基于神经网络的复合材料螺旋桨铺层角优化方法 |
CN112364442A (zh) * | 2020-12-22 | 2021-02-12 | 北京机电工程研究所 | 一种双向智能选择的流固耦合分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4184028B2 (ja) * | 2001-10-12 | 2008-11-19 | シャープ株式会社 | 流体・構造連成数値モデルの作成方法 |
-
2021
- 2021-02-19 CN CN202110189404.XA patent/CN112949151B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102913464A (zh) * | 2012-09-05 | 2013-02-06 | 江苏大学 | 离心泵转子瞬态流固耦合特性预测方法 |
CN103699715A (zh) * | 2013-12-01 | 2014-04-02 | 北京航空航天大学 | 一种基于光滑粒子流体动力学和非线性有限元的流固耦合方法 |
CN110222828A (zh) * | 2019-06-12 | 2019-09-10 | 西安交通大学 | 一种基于混合深度神经网络的非定常流场快速预测方法 |
CN111444643A (zh) * | 2020-03-02 | 2020-07-24 | 北京理工大学 | 一种基于神经网络的复合材料螺旋桨铺层角优化方法 |
CN112364442A (zh) * | 2020-12-22 | 2021-02-12 | 北京机电工程研究所 | 一种双向智能选择的流固耦合分析方法 |
Non-Patent Citations (2)
Title |
---|
基于光滑粒子流体动力学的流固耦合问题研究;孙芳锦等;《地震工程与工程振动》;20131215(第06期);全文 * |
基于粒子的流体和可形变固体双向耦合;袁志勇等;《系统仿真学报》;20131008(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112949151A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20190031318A (ko) | 도메인 분리 뉴럴 네트워크들 | |
Schorn et al. | Efficient on-line error detection and mitigation for deep neural network accelerators | |
US11062502B2 (en) | Three-dimensional modeling volume for rendering images | |
CN113610172B (zh) | 神经网络模型训练方法和装置、传感数据融合方法和装置 | |
CN111192576A (zh) | 解码方法、语音识别设备和系统 | |
CN111160531A (zh) | 神经网络模型的分布式训练方法、装置及电子设备 | |
CN114283347B (zh) | 目标检测方法、系统、智能终端及计算机可读存储介质 | |
US10380293B1 (en) | Methods, systems, and computer program product for implementing physics aware model reduction for three-dimensional designs | |
CN112396085A (zh) | 识别图像的方法和设备 | |
CN111433791A (zh) | 用于电子装置的激活函数功能块 | |
CN112949151B (zh) | 基于数据驱动的流固耦合预测方法 | |
WO2022137696A1 (ja) | 情報処理装置、情報処理方法 | |
Shao et al. | Transformer with implicit edges for particle-based physics simulation | |
CN109960841B (zh) | 一种流体表面张力的仿真方法、终端设备及存储介质 | |
CN110728351A (zh) | 数据处理方法、相关设备及计算机存储介质 | |
CN114049539B (zh) | 基于去相关二值网络的协同目标识别方法、系统及装置 | |
Fleming | Risk sensitive stochastic control and differential games | |
CN109543557B (zh) | 视频帧的处理方法、装置、设备以及存储介质 | |
CN115812206A (zh) | 用于高质量图像处理的机器学习 | |
CN116434303A (zh) | 基于多尺度特征融合的人脸表情捕捉方法、装置及介质 | |
CN116611309A (zh) | 物理场仿真方法、系统、介质和电子设备 | |
CN110719487A (zh) | 视频预测方法和装置、电子设备及车辆 | |
Zamith et al. | A probabilistic cellular automata model for highway traffic simulation | |
CN114820755A (zh) | 一种深度图估计方法及系统 | |
CN110472700B (zh) | 一种基于卷积神经网络的参数填充方法与装置 |
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 |