CN113420513A - 一种基于深度学习的水下圆柱体扰流分区流场预测方法 - Google Patents

一种基于深度学习的水下圆柱体扰流分区流场预测方法 Download PDF

Info

Publication number
CN113420513A
CN113420513A CN202110746086.2A CN202110746086A CN113420513A CN 113420513 A CN113420513 A CN 113420513A CN 202110746086 A CN202110746086 A CN 202110746086A CN 113420513 A CN113420513 A CN 113420513A
Authority
CN
China
Prior art keywords
data
flow field
lstm
deep learning
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.)
Granted
Application number
CN202110746086.2A
Other languages
English (en)
Other versions
CN113420513B (zh
Inventor
黄桥高
何幸
潘光
邱铖铖
施瑶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202110746086.2A priority Critical patent/CN113420513B/zh
Publication of CN113420513A publication Critical patent/CN113420513A/zh
Application granted granted Critical
Publication of CN113420513B publication Critical patent/CN113420513B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/28—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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于深度学习的水下圆柱体扰流分区流场预测方法。首先通过Fluent软件获取大量水下圆柱体扰流流场数据；利用空间聚类算法进行空间分区，得到若干个同质子区域；其次对数据进行预处理，并把数据分为训练集和测试集，对同质子区域的任意点目标进行时间序列建模；最后根据各部分流场特性对同质子区域基于长短时记忆网络(LSTM)构建预测模型。从而应用于水下圆柱体扰流流场预测。相比于传统全流场共用一套神经网络，本申请提出基于和来流速度比较划分，将水下圆柱体扰流流场分为四个区域，根据每个区域的数据特点和数据量分别进行模型建立。以期达到更好的预测效果。

Description

一种基于深度学习的水下圆柱体扰流分区流场预测方法
技术领域
本发明属于流体力学领域和神经网络应用，涉及一种基于深度学习的水下圆柱体扰流分区流场预测方法。
背景技术
流体绕圆柱流动时，过流断面收缩，流程沿程增加，压强沿程减小，由于粘性力的存在，就会在柱体周围发生边界层的分离，形成圆柱扰流。水下圆柱体扰流问题在工程实际中也很常见，如水流对桥梁、海上钻井平台支柱、海上运输管线等的作用中，风对塔设备、化工塔设备、高空电缆等的作用中，都具有重要的工程应用背景。因此，对水下圆柱扰流流场进行深入研究，对其流动机理进行分析，不仅具有理论意义，还有明显的社会经济效益。
传统的流体力学数据分析获取流场速度场和压力场的手段是实验测量与计算流体力学(CFD)。现场测量实验成本较高，每次实验得到的可利用数据量较少，结果泛化能力弱。CFD是利用计算机和数值方法求解满足定解方程的流体动力学方程以获得流动规律和解决流动问题的专门学科。CFD非常依赖网格质量，同时需要消耗大量的计算资源和时间。
近年来深度学习技术广泛的应用于各个领域，如图像识别、语音识别、游戏领域等。深度学习是基于人工神经网络的机器学习算法，受特征提取和数据维度问题的驱使和人脑深层结构的启发，深度神经网络模型逐渐发展起来。区别于传统的机器学习算法，深度学习在样本数据量的需求方面，需要更广泛的样本数据，达到使用更少的人工标注和更高的准确率的目的。早期的神经网络只有输入和输出层两层，无法处理复杂的逻辑，限制了其应用性，而深度神经网络通过在输入和输出层之间添加隐藏层，通过改变隐藏层的层数和神经元个数，理论上可以近似表示任何函数。图1为深度神经网络结构示意图。
循环神经网络作为深度学习的重要分支，最主要的应用场景是通过保存历史信息来帮助当前的决策，在处理时间序列的数据方面有很大的优势。长短时记忆网络(Longshort-term memory,LSTM)是一种特殊的循环体结构。LSTM靠一些“门”结构让信息有选择性地影响循环神经网络中每个时刻的状态。所谓“门”的结构就是使用sigmoid神经网络和一个按位做乘法的操作，这两个操作合在一起就是一个“门”的结构。之所以该结构叫做“门”是因为使用sigmoid作为激活函数的全连接神经网络层会输出一个0到1之间的数值，描述当前输入有多少信息量可以通过这个结构。于是这个结构的功能就类似于一扇门，当“门”打开时(sigmoid神经网络层输出为1时)，全部信息都可以通过；当“门”关上时(sigmoid神经网络层输出为0时)，任何信息都无法通过。图2为使用单层全连接神经网络作为循环体的循环神经网络结构图。
为了使循环神经网络更有效的保存长期记忆，输入门和遗忘门至关重要，它们是LSTM的核心。遗忘门的作用是让循环神经网络忘记之前没有用的信息，遗忘门会根据当前的输入xt和上一时刻输出ht-1决定哪一部分记忆需要被遗忘。假设状态c的维度为n，遗忘门会根据当前的输入xt和上一时刻的输出ht-1计算一个维度为n的向量f＝sigmoid(W1x+W2h)，它在每一个维度的值都在(0,1)范围内。再将上一个时刻的状态ct-1与f向量按位相乘，那么f取值接近0的维度信息就会被忘记，而f取值接近于1的维度上的信息就会被保留。
在循环神经网络“忘记”了部分之前状态好，它还需要从当前的输入补充最新的记忆。这个过程就是输入门完成的。输入门会根据xt和ht-1决定哪些信息加入到状态ct-1中生成新的状态ct。通过输入门和遗忘门，LSTM结构可以更加有效地决定哪些信息应该被遗忘，哪些信息应该被保留。图3为LSTM单元结构示意图。具体LSTM每个“门”的公式定义如下：
输入值：z＝tanh(Wz[ht-1,xt])
输入门：i＝sigmoid(Wi[ht-1,xt])
遗忘门：f＝sigmoid(Wf[ht-1,xt])
输出门：o＝sigmoid(W0[ht-1,xt])
新状态：ct＝f·ct-1+i·z
输出：ht＝o·tanhct
图4用流程图的形式表示了以上公式。
发明内容
要解决的技术问题
为了避免现有技术的不足之处，本发明提出一种基于深度学习的水下圆柱体扰流分区流场预测方法，目标是实现给出前序时间变量，即可基于深度学习预测后续时间对应非定常流场。以非定常流场数值仿真结果作为训练样本，分别建立LSTM神经网络，实现流场预测。技术流程如图16所示。
技术方案
流体绕圆柱流动时，过流断面收缩，流程沿程增加，压强沿程减小，由于粘性力的存在，就会在柱体周围发生边界层的分离，形成圆柱扰流。水下圆柱体扰流问题在工程实际中也很常见，如水流对桥梁、海上钻井平台支柱、海上运输管线等的作用中，风对塔设备、化工塔设备、高空电缆等的作用中，都具有重要的工程应用背景。因此，对水下圆柱扰流流场进行深入研究，对其流动机理进行分析，不仅具有理论意义，还有明显的社会经济效益。
一种基于深度学习的水下圆柱体分区流场预测方法，其特征在于步骤如下：
步骤1：采用ICEM软件对水下圆柱体几何形状进行建模，生成非结构化计算网格；然后将网格文件导入Fluent软件，设定来流速度V和监控点，选择湍流的计算模型和，进行数据模拟；得到时间长度为T的各监控点的速度和压力；
以神经网络的输入x为前n个时刻的v，标签y是该样本在n+1时刻中对应的v，用前n个时刻的速度x＝{v1,v2,v3...vn}预测后一时刻的速度y＝{vn+1}；
步骤2：利用空间聚类算法将步骤1的水下流场数据行空间分区，得到若干同质子区域；在区域中构建基于长短时记忆网络的时间序列预测模型；
所述同质子区域为：
(1)减速流区域
(2)两侧附在结构表面的边界层区域
(3)两侧的剪切和加速流区域
(4)尾流的下游分离流区域；
步骤3、建立LSTM预测模型：使用TensorFlow深度学习框架进行搭建，包括两层LSTM神经网络，连接一层全连接神经网络；
步骤4：将数据划分为训练集和测试集，80％数据为训练集，20％为测试集；在数据输入神经网络之前，使用scikit-learn库中的MinMaxScaler预处理类实现数据集的归一化，将数据调整到0到1的范围，避免由LSTM对输入数据的规模的高敏感造成的误差；
步骤5、模型预测：设定epochs和batch，并根据训练样本对所构建的LSTM模型进行训练；在fit()函数中设置validation_data参数，记录训练集和测试集的损失；对超参数、激活函数优化得到最优的深度网络结构；
步骤6、反归一化：将预测结果和测试集数据组合然后进行比例反转invert thescaling，同时将测试集的预期值也进行比例转化，然后绘制模型预测结果图。
所述建立的LSTM预测模型为：
Figure BDA0003144431640000051
所述减速流区域的LSTM网络结构参数：
网络层 关键参数 可训练参数 激活函数
LSTM1 循环体个数为70，Dropout＝0.1 20160 Sigmoid
LSTM2 循环体个数为70,Dropout＝0.1 39480 tanh
Dense 神经网络层数为1 71 RELU
所述两侧附在结构表面的边界层区域的LSTM网络结构参数：
网络层 关键参数 可训练参数 激活函数
LSTM1 循环体个数为10，Dropout＝0.1 480 Sigmoid
LSTM2 循环体个数为10,Dropout＝0.1 840 tanh
Dense 神经网络层数为1 11 RELU
所述两侧的剪切和加速流区域的LSTM网络结构参数：
网络层 关键参数 可训练参数 激活函数
LSTM1 循环体个数为40，Dropout＝0.2 6720 Sigmoid
LSTM2 循环体个数为40,Dropout＝0.2 12960 tanh
Dense 神经网络层数为1 41 RELU
所述尾流的下游分离流区域的LSTM网络结构参数：
网络层 关键参数 可训练参数 激活函数
LSTM1 循环体个数为60，Dropout＝0.2 14880 Sigmoid
LSTM2 循环体个数为60,Dropout＝0.2 29040 tanh
Dense 神经网络层数为1 61 RELU
有益效果
本发明提出的一种基于深度学习的水下圆柱体扰流分区流场预测方法。首先通过Fluent软件获取大量水下圆柱体扰流流场数据；利用空间聚类算法进行空间分区，得到若干个同质子区域；其次对数据进行预处理，并把数据分为训练集和测试集，对同质子区域的任意点目标进行时间序列建模；最后根据各部分流场特性对同质子区域基于长短时记忆网络(LSTM)构建预测模型。从而应用于水下圆柱体扰流流场预测。
本申请为克服传统手段的弊端，提出基于深度神经网络的流场预测方法。此方法本质为一个黑箱计算模型，弱化流体动力学物理知识；从结果中学习结果，得到流场速度和压力的变化规律，采用此方法进行流场规律学习，除了节省实验经费外还极大得缩短了计算时间和计算资源，同时此方法本质是依靠大量数据进行驱动，得到的模型泛化能力比传统方法强。
结果表明，基于深度学习的流场预测方法能够准确地进行预测，并且总计算时长比传统CFD方法减少至少一个数量级。
相比于传统全流场共用一套神经网络，本申请提出基于和来流速度比较划分，将水下圆柱体扰流流场分为四个区域，根据每个区域的数据特点和数据量分别进行模型建立。以期达到更好的预测效果。
附图说明
图1：深度神经网络结构示意图
图2：使用单层全连接神经网络作为循环体的循环神经网络结构图
图3：LSTM单元结构示意图
图4：LSTM单元细节图
图5：计算域与训练网格
图6：计算原理示意图
图7：扰流区域划分
图8：本发明建立的LSTM模型结构
图9：LSTM超参数优化过程
图10：记忆体为2的预测结果
图11：记忆体为10的预测结果
图12：10个循环体训练过程中loss变化曲线
图13：40个循环体训练过程中loss变化曲线
图14：10个循环体的预测结果
图15：40个循环体的预测结果
图16本发明的技术流程
具体实施方式
现结合实施例、附图对本发明作进一步描述：
本申请提出基于和来流速度比较划分，将水下圆柱体扰流流场分为四个区域，根据每个区域的数据特点和数据量分别进行模型建立。以期达到更好的预测效果。
技术方案：
步骤1：数据准备。通过ICEM软件将水下圆柱体几何形状表示，生成非结构化计算网格。然后导入Fluent软件，设定来流速度V、计算模型和监控点，进行数据模拟。得到时间长度为T的各监控点的速度和压力。由ICEM生成的非结构化计算网格和尺寸图如图5所示：
输入x为前n个时刻的v，标签y是该样本在n+1时刻中对应的v。也就是说用前n个时刻的速度x＝{v1,v2,v3...vn}预测后一时刻的速度y＝{vn+1}。例如设置n＝10，即以前10时刻速度，预测第11时刻速度，以此类推。压力p预测同理。原理示意图如图6。
步骤2：空间分区。利用空间聚类算法将研究区域进行空间分区，得到若干同质子区域。图7为扰流划分的四个区域，分别是：
(5)窄的减速流区域
(6)两侧附在结构表面的边界层区域
(7)两侧的剪切和加速流区域
(8)较宽的被称为尾流的下游分离流区域。
由步骤1获取大量水下流场数据，利用空间聚类算法进行空间分区，得到若干同质子区域，并根据同质子区域的监控点数据分为训练样本和测试样本，在区域中构建基于长短时记忆网络的时间序列预测模型，根据训练样本对所述预测模型对模型进行训练，获取网络的超参数，随后对时空预测模型进行测试后，对同质区域其他目标点数据进行预测。
步骤3：建立LSTM预测模型。使用TensorFlow深度学习框架进行搭建，包括两层LSTM神经网络，一层全连接神经网络。网络结构如图8。
本算例基本神经网络采用的是LSTM。四个区域中，附着在圆柱体表面的边界层区域2由于范围太小，不进行建模，其余三个区域根据获取数据量选取循环记忆体个数，通过计算，数据量大的区域3和区域4循环记忆体个数设定为10，数据量小的区域1循环记忆体个数设定为6，预测效果最好。
以区域3为例，采用两层LSTM神经网络模型，其中第一层LSTM可训练参数为20160个，第二层LSTM可训练参数为68400个，全连接神经网络可训练参数为101个。选取记忆体为2和记忆体为10进行结果比较，可看到记忆体为10可以得到较理想的预测结果。见附图10～11
步骤4：将数据划分为训练集和测试集，80％数据为训练集，20％为测试集。在数据输入神经网络之前，先进行数据预处理。使用scikit-learn库中的MinMaxScaler预处理类实现数据集的归一化，将数据调整到0到1的范围，避免由LSTM对输入数据的规模的高敏感造成的误差。
步骤5：模型预测。设定epochs和batch，并根据所述的训练样本对所构建的LSTM模型进行训练在fit()函数中设置validation_data参数，记录训练集和测试集的损失。对超参数、激活函数的选取进行研究，得到最优的深度网络结构。优化过程如图9所示。经过试验，各区域得到的最优网络结构参数如表1—表4所示。
表1区域一LSTM网络结构参数
网络层 关键参数 可训练参数 激活函数
LSTM1 循环体个数为70，Dropout＝0.1 20160 Sigmoid
LSTM2 循环体个数为70,Dropout＝0.1 39480 tanh
Dense 神经网络层数为1 71 RELU
表2区域二LSTM网络结构参数
网络层 关键参数 可训练参数 激活函数
LSTM1 循环体个数为10，Dropout＝0.1 480 Sigmoid
LSTM2 循环体个数为10,Dropout＝0.1 840 tanh
Dense 神经网络层数为1 11 RELU
表3区域三LSTM网络结构参数
网络层 关键参数 可训练参数 激活函数
LSTM1 循环体个数为40，Dropout＝0.2 6720 Sigmoid
LSTM2 循环体个数为40,Dropout＝0.2 12960 tanh
Dense 神经网络层数为1 41 RELU
表4区域四LSTM网络结构参数
网络层 关键参数 可训练参数 激活函数
LSTM1 循环体个数为60，Dropout＝0.2 14880 Sigmoid
LSTM2 循环体个数为60,Dropout＝0.2 29040 tanh
Dense 神经网络层数为1 61 RELU
步骤6：反归一化。将预测结果和测试集数据组合然后进行比例反转(invert thescaling)，同时需要将测试集的预期值也进行比例转化。然后绘制模型预测结果图。
结果表示：以区域三为例，选取循环体个数为10和40比较。在训练过程中，由于循环体个数的增加，可训练参数同时增加，循环体个数为40模型loss快速下降到最低值，预测的准确性明显高于循环体个数为10的模型。loss变化趋势和预测结果对比如图12～15。

Claims (6)

1.一种基于深度学习的水下圆柱体分区流场预测方法，其特征在于步骤如下：
步骤1：采用ICEM软件对水下圆柱体几何形状进行建模，生成非结构化计算网格；然后将网格文件导入Fluent软件，设定来流速度V和监控点，选择湍流的计算模型和，进行数据模拟；得到时间长度为T的各监控点的速度和压力；
以神经网络的输入x为前n个时刻的v，标签y是该样本在n+1时刻中对应的v，用前n个时刻的速度x＝{v1，v2，v3...vn}预测后一时刻的速度y＝{vn+1}；
步骤2：利用空间聚类算法将步骤1的水下流场数据行空间分区，得到若干同质子区域；在区域中构建基于长短时记忆网络的时间序列预测模型；
所述同质子区域为：
(1)减速流区域
(2)两侧附在结构表面的边界层区域
(3)两侧的剪切和加速流区域
(4)尾流的下游分离流区域；
步骤3、建立LSTM预测模型：使用TensorFlow深度学习框架进行搭建，包括两层LSTM神经网络，连接一层全连接神经网络；
步骤4：将数据划分为训练集和测试集，80％数据为训练集，20％为测试集；在数据输入神经网络之前，使用scikit-learn库中的MinMaxScaler预处理类实现数据集的归一化，将数据调整到0到1的范围，避免由LSTM对输入数据的规模的高敏感造成的误差；
步骤5、模型预测：设定epochs和batch，并根据训练样本对所构建的LSTM模型进行训练；在fit()函数中设置validation_data参数，记录训练集和测试集的损失；对超参数、激活函数优化得到最优的深度网络结构；
步骤6、反归一化：将预测结果和测试集数据组合然后进行比例反转invert thescaling，同时将测试集的预期值也进行比例转化，然后绘制模型预测结果图。
2.根据权利要求1所述的基于深度学习的水下圆柱体分区流场预测方法，其特征在于：所述建立的LSTM预测模型为：
Figure FDA0003144431630000021
3.根据权利要求1所述的基于深度学习的水下圆柱体分区流场预测方法，其特征在于：所述减速流区域的LSTM网络结构参数：
网络层 关键参数 可训练参数 激活函数 LSTM1 循环体个数为70，Dropout＝0.1 20160 Sigmoid LSTM2 循环体个数为70，Dropout＝0.1 39480 tanh Dense 神经网络层数为1 71 RELU
4.根据权利要求1所述的基于深度学习的水下圆柱体分区流场预测方法，其特征在于：所述两侧附在结构表面的边界层区域的LSTM网络结构参数：
网络层 关键参数 可训练参数 激活函数 LSTM1 循环体个数为10，Dropout＝0.1 480 Sigmoid LSTM2 循环体个数为10，Dropout＝0.1 840 tanh Dense 神经网络层数为1 11 RELU
5.根据权利要求1所述的基于深度学习的水下圆柱体分区流场预测方法，其特征在于：所述两侧的剪切和加速流区域的LSTM网络结构参数：
网络层 关键参数 可训练参数 激活函数 LSTM1 循环体个数为40，Dropout＝0.2 6720 Sigmoid LSTM2 循环体个数为40，Dropout＝0.2 12960 tanh Dense 神经网络层数为1 41 RELU
6.根据权利要求1所述的基于深度学习的水下圆柱体分区流场预测方法，其特征在于：所述尾流的下游分离流区域的LSTM网络结构参数：
网络层 关键参数 可训练参数 激活函数 LSTM1 循环体个数为60，Dropout＝0.2 14880 Sigmoid LSTM2 循环体个数为60，Dropout＝0.2 29040 tanh Dense 神经网络层数为1 61 RELU
CN202110746086.2A 2021-07-01 2021-07-01 一种基于深度学习的水下圆柱体扰流分区流场预测方法 Active CN113420513B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110746086.2A CN113420513B (zh) 2021-07-01 2021-07-01 一种基于深度学习的水下圆柱体扰流分区流场预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110746086.2A CN113420513B (zh) 2021-07-01 2021-07-01 一种基于深度学习的水下圆柱体扰流分区流场预测方法

Publications (2)

Publication Number Publication Date
CN113420513A true CN113420513A (zh) 2021-09-21
CN113420513B CN113420513B (zh) 2023-03-07

Family

ID=77720062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110746086.2A Active CN113420513B (zh) 2021-07-01 2021-07-01 一种基于深度学习的水下圆柱体扰流分区流场预测方法

Country Status (1)

Country Link
CN (1) CN113420513B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822000A (zh) * 2021-10-12 2021-12-21 中山大学 基于边缘计算的流场实时预测系统及其方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109799533A (zh) * 2018-12-28 2019-05-24 中国石油化工股份有限公司 一种基于双向循环神经网络的储层预测方法
US20190325334A1 (en) * 2018-04-23 2019-10-24 National Chung-Shan Institute Of Science And Technology Method for predicting air quality with aid of machine learning models
US20200210826A1 (en) * 2018-12-29 2020-07-02 Northeastern University Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection
CN112100834A (zh) * 2020-09-06 2020-12-18 西北工业大学 一种基于深度强化学习的水下滑翔机姿态控制方法
CN112116147A (zh) * 2020-09-16 2020-12-22 南京大学 一种基于lstm深度学习的河流水温预测方法
CN112182954A (zh) * 2020-09-08 2021-01-05 上海大学 一种基于lstm的流体仿真数据预测模型
CN112504141A (zh) * 2020-11-24 2021-03-16 水利部南京水利水文自动化研究所 全场景冰厚智能监测方法及系统
CN112784508A (zh) * 2021-02-12 2021-05-11 西北工业大学 一种基于深度学习的翼型流场快速预测方法
WO2021098472A1 (zh) * 2019-11-19 2021-05-27 浙江大学 一种深度时空特征联合学习的农作物产量估测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190325334A1 (en) * 2018-04-23 2019-10-24 National Chung-Shan Institute Of Science And Technology Method for predicting air quality with aid of machine learning models
CN109799533A (zh) * 2018-12-28 2019-05-24 中国石油化工股份有限公司 一种基于双向循环神经网络的储层预测方法
US20200210826A1 (en) * 2018-12-29 2020-07-02 Northeastern University Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection
WO2021098472A1 (zh) * 2019-11-19 2021-05-27 浙江大学 一种深度时空特征联合学习的农作物产量估测方法
CN112100834A (zh) * 2020-09-06 2020-12-18 西北工业大学 一种基于深度强化学习的水下滑翔机姿态控制方法
CN112182954A (zh) * 2020-09-08 2021-01-05 上海大学 一种基于lstm的流体仿真数据预测模型
CN112116147A (zh) * 2020-09-16 2020-12-22 南京大学 一种基于lstm深度学习的河流水温预测方法
CN112504141A (zh) * 2020-11-24 2021-03-16 水利部南京水利水文自动化研究所 全场景冰厚智能监测方法及系统
CN112784508A (zh) * 2021-02-12 2021-05-11 西北工业大学 一种基于深度学习的翼型流场快速预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
QIAOGAO HUANG等: "Computational Model Construction and Analysis of the Hydrodynamics of a Rhinoptera Javanica", 《IEEE ACCESS》 *
ZHILONG LUA等: "LSTM variants meet graph neural networks for road speed prediction", 《NEUROCOMPUTING》 *
徐源浩等: "基于长短时记忆(LSTM)神经网络的黄河中游洪水过程模拟及预报", 《北京师范大学学报(自然科学版)》 *
李阳 等: "仿生翼水下航行器直航运动时水动力性能分析", 《机械制造》 *
王正魁等: "超声速湍流密度脉动预测的神经网络方法", 《航空学报》 *
邱铖铖 等: "斜流中泵喷推进器流场变化规律数值分析", 《华中科技大学学报(自然科学版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822000A (zh) * 2021-10-12 2021-12-21 中山大学 基于边缘计算的流场实时预测系统及其方法
CN113822000B (zh) * 2021-10-12 2023-10-13 中山大学 基于边缘计算的流场实时预测系统及其方法

Also Published As

Publication number Publication date
CN113420513B (zh) 2023-03-07

Similar Documents

Publication Publication Date Title
Ren et al. Cloud–edge-based lightweight temporal convolutional networks for remaining useful life prediction in iiot
Wen et al. U-FNO—An enhanced Fourier neural operator-based deep-learning model for multiphase flow
Yu et al. LSTM-EFG for wind power forecasting based on sequential correlation features
De et al. On transfer learning of neural networks using bi-fidelity data for uncertainty propagation
CN109543009B (zh) 文本相似度评估系统及文本相似度评估方法
Wang et al. Efficient uncertainty quantification for dynamic subsurface flow with surrogate by theory-guided neural network
Viquerat et al. A supervised neural network for drag prediction of arbitrary 2D shapes in laminar flows at low Reynolds number
Chen et al. Accurate discharge coefficient prediction of streamlined weirs by coupling linear regression and deep convolutional gated recurrent unit
Felix et al. Analysis of training parameters in the ANN learning process to mapping the concrete carbonation depth
Hui et al. Multi-object aerodynamic design optimization using deep reinforcement learning
CN113420513B (zh) 一种基于深度学习的水下圆柱体扰流分区流场预测方法
Ma et al. A vector-to-sequence based multilayer recurrent network surrogate model for history matching of large-scale reservoir
CN114638048A (zh) 三维喷管流场快速预测与敏感性参数分析方法及装置
Sun et al. Optimized light-weight convolutional neural networks for histopathologic cancer detection
Fomin et al. Interpretation of dynamic models based on neural networks in the form of integral-power series
Peng et al. Spatial convolution neural network for efficient prediction of aerodynamic coefficients
Starodubcev et al. Generative design of physical objects using modular framework
Cao et al. An effective parallel integrated neural network system for industrial data prediction
Wang et al. Reservoir production prediction based on variational mode decomposition and gated recurrent unit networks
Akkari et al. Deep convolutional generative adversarial networks applied to 2D incompressible and unsteady fluid flows
Díaz-Morales et al. Deep learning combined with singular value decomposition to reconstruct databases in fluid dynamics
Xu et al. Ucnn: A convolutional strategy on unstructured mesh
Bode et al. Acceleration of complex high-performance computing ensemble simulations with super-resolution-based subfilter models
Ziaei et al. Assessment of a CFD-based machine learning approach on turbulent flow approximation
Neskorodieva et al. Neural Network models ensembles for generalized analysis of audit data transformations

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