CN113627073B - 一种基于改进的Unet++网络的水下航行器流场结果预测方法 - Google Patents

Abstract

本发明提出了一种基于改进的Unet++网络的水下航行器流场结果预测方法。技术方案为首先基于多组水下航行器模型进仿真参数组合下的CFD结果构建网络模型训练数据集；然后构建改进的Unet++网络模型，由下采样模块、上采样模块、跳层连接模块依次级联组成，并利用训练模型的数据集对网络进行训练，最后利用得到的训练模型结合新的仿真参数组合标签，即可实现位置仿真参数的流场结果快速回归预测。本发明优点在于，提出的改进的Unet++模型解决了现有技术预测清晰度精度较低的难题，可秒级实现更多标签组合的流场回归结果，大幅度提高流场结果获取效率。

Description

一种基于改进的Unet++网络的水下航行器流场结果预测方法

技术领域

本发明涉及计算机流体力学仿真与人工智能结合的技术领域，涉及一种基于改进的Unet++网络的水下航行器流场结果预测方法。

背景技术

20世纪50年代以来，随着计算机水平的不断发展和数值计算方法的长足进展，作为数学与流体力学的交叉学科，计算流体力学(Computational fluid dynamics,CFD)发展迅速。近年来机器学习与物理模型的融合发展，为流体力学学科及相关工程领域带来了新的研究模式。

目前计算机计算性能成倍提高，人工智能技术也得到了飞速发展。人工智能作为新一轮的科技革命和产业变革的核心驱动力，正不断对全球经济、社会发展产生深远影响。人工智能算法，特别是深度学习方法，被研究者应用于多个传统的以物理模型为基础的学科领域。结合人工神经网络算法的优点与各个学科面临的制约，人工智能方法与传统力学相结合的研究模式，可为流体力学和结构力学学科为基础的工程问题提供新的解决方案。通过机器学习建模预报方法，此前使用计算流体力学和实验流体力学积累的数据得到重新利用，模型建立后可以预报其他工况下的流场以及相关问题。

针对复杂的仿真问题，CFD方法仍然消耗巨大的计算资源，特别是水下结构的复杂流场仿真，往往需要技术人员大量的时间精力进行模型处理与设置。目前有研究人员进行了使用卷积神经网络进行流场图像的回归预测研究，依然存在预测精度有限以及预测图像质量不高的问题。故如何结合人工智能的方法，来实现更多结果的高质量回归预测是未来人们研究的热点和难点问题。

发明内容

本发明的目的是克服传统技术的不足，提出一种基于改进的Unet++算法的水下航行器流场结果预测方法，可大幅度提高流场结果的预测质量，并实现高精度预测新的未知工况与初始条件组合的水下机构的流场分布。

本发明为实现以上目标，采用的方案如下：首先基于流体力学软件实现水下航行器流场仿真，获得不同工况与初始条件下的流场结果图像；然后将工况与初始条件或结构几何尺寸等多个流场标签与流场结果图像组合做为训练数据集；通过搭建的改进的Unet++训练模型对训练数据集进行训练；最后使用训练好的预测模型对新的多标签组合的流场进行结果预测。

步骤1：构建多组水下航行器模型进仿真参数，将每组参数依次通过水下航行器模型进行流体动力学仿真，得到每组水下航行器模型进仿真参数对应的流场结果，根据每组水下航行器模型进仿真参数对应的流场结果得到每组水下航行器模型进仿真参数对应的流场结果云图，进一步结合多组水下航行器模型进仿真参数构建网络模型训练数据集；

步骤2：构建改进的Unet++网络模型，将步骤1网络模型训练数据集中每个样本中预处理后的水下航行器模型进仿真参数依次输入至改进的Unet++网络，进一步通过改进的Unet++网络模型预测得到每组预处理后水下航行器模型进仿真参数对应的预测流场结果，并结合网络模型训练数据集中每个样本中预处理后流场结果数据建立损失函数模型，进一步通过优化训练得到优化后改进的Unet++网络模型；

步骤3：使得到的预测模型进行多标签流场回归预测，输入新的未知工况标签，即可快速预测新标签组合下的水下航行器的流场分布。

作为优选，步骤1所述多组水下航行器模型进仿真参数为：

X_i＝(a_i,b_i,c_i)

i∈[1,m]

其中，m表示水下航行器模型进仿真参数的组的数量，X_i表示第i组水下航行器模型进仿真参数，a_i表示第i组水下航行器模型进仿真参数中入口速度，b_i表示第i组水下航行器模型进仿真参数中加速度，c_i表示第i组水下航行器模型进仿真参数中仿真时间；

步骤1所述每组水下航行器模型进仿真参数对应的流场结果为：

data_i

i∈[1,m]

其中，m表示水下航行器模型进仿真参数的组的数量，data_i表示第i组水下航行器模型进仿真参数对应的流场结果；

步骤1所述根据每组水下航行器模型进仿真参数对应的流场结果使用流场后处理软件处理，得到每组水下航行器模型进仿真参数对应的流场结果云图，具体为：

Φ_i

i∈[1,m]

其中，Φ_i表示第i组水下航行器模型进仿真参数对应的流场结果云图；

将X_i,Φ_i分别进行标准化和归一化处理，得到步骤1所述网络模型训练数据集为：

Y*i＝(X*_i,Φ*_i)，i∈[1,m]

其中，m表示网络模型训练数据集中样本的数量，Y*_i表示网络模型训练数据集中第i个样本，X*_i表示网络模型训练数据集中第i个样本中预处理后水下航行器模型进仿真参数，Φ*_i为网络模型训练数据集中第i个样本中预处理后流场结果；

作为优选，步骤2所述改进的Unet++网络模型为：

改进的Unet++模型网络由下采样模块、上采样模块、跳层连接模块依次级联组成；

所述下采样模块由下采样卷积模块、下采样残差模块依次堆叠级联构成；

所述下采样卷积模块由多个下采样卷积层、降维批量归一化层、ReLU激活层依次堆叠级联；

所述上采样模块由上采样卷积模块、上采样残差模块依次级联构成；

所述上采样卷积模块由多个上采样卷积层、降维批量归一化层、ReLU激活层依次堆叠级联；

所述上采样残差模组与下采样残差模组均由多个Ghost残差块依次堆叠级联；

所述Ghost残差块由残差卷积层、残差批量归一化层、ReLU激活层按照传统残差块的堆叠方式构成；

所述上采样模块将步骤1网络模型训练数据集中每个样本进行特征提取，获得网络模型训练数据集中每个样本的多通道特征；

所述下采样模块将网络模型训练数据集中每个样本的多通道特征进行反卷积运算恢复得到与输入的图像尺寸相同的输出预测图像；

所述跳层连接模块除将下采样模块除每层输出的特征通道与上采样的对称层进行跳层连接外，网络层每次下采样后也同时依次上采样至原网络输入层特征图维度，得到的每层同维度的特征图与上采样层对称网络层进行融合；

步骤2所述构建损失函数模型为：

其中，m为数据总个数，为网络模型训练数据集中第i个样本中预处理后水下航行器模型进仿真参数对应的预测流场结果，Φ*_i为网络模型训练数据集中第i个样本中预处理后流场结果；

步骤2所述进一步通过优化训练得到优化后改进的Unet++网络模型为：

使用Adam算法进行优化训练，得到优化后改进的Unet++网络模型。

本发明和现有技术相比较，具备如下优点：

提出的改进的Unet++模型使用跳层连接及层与层之间的特征融合，解决了现有技术预测清晰度精度不高的问题。

通过训练后的预测模型可秒级实现更多标签组合的流场回归结果，省去了重新计算以及后处理的复杂流程，并可代替仿真计算来获取更多新标签组合下的流场结果。

附图说明：

图1：网络结构框图

图2：流场回归预测流程图。

具体实施方式：

下面结合附图对本发明的具体实施方式作进一步详细的描述。

本实施例所述的是基于改进的Unet++的水下机构周围流场快速预测方法，包括生成深度神经网络学习数据集，并基于该数据集构建用于水下机构如潜艇周围流场快速预测的训练模型，以及将训练好的网络用于流场快速回归预测，其具体实施过程如下：

步骤1：构建多组水下航行器模型进仿真参数，将每组参数依次通过水下航行器模型进行流体动力学仿真，得到每组水下航行器模型进仿真参数对应的流场结果，根据每组水下航行器模型进仿真参数对应的流场结果得到每组水下航行器模型进仿真参数对应的流场结果云图，进一步结合多组水下航行器模型进仿真参数构建网络模型训练数据集；

步骤1所述多组水下航行器模型进仿真参数为：

X_i＝(a_i,b_i,c_i)

i∈[1,m]

其中，m表示水下航行器模型进仿真参数的组的数量，X_i表示第i组水下航行器模型进仿真参数，a_i表示第i组水下航行器模型进仿真参数中入口速度，b_i表示第i组水下航行器模型进仿真参数中加速度，c_i表示第i组水下航行器模型进仿真参数中仿真时间；

步骤1所述每组水下航行器模型进仿真参数对应的流场结果为：

data_i

i∈[1,m]

其中，m表示水下航行器模型进仿真参数的组的数量，m＝100，data_i表示第i组水下航行器模型进仿真参数对应的流场结果；

步骤1所述根据每组水下航行器模型进仿真参数对应的流场结果使用流场后处理软件处理，得到每组水下航行器模型进仿真参数对应的流场结果云图，具体为：

Φ_i

i∈[1,m]

其中，m表示水下航行器模型进仿真参数的组的数量，m＝100，Φ_i表示第i组水下航行器模型进仿真参数对应的流场结果云图；

将X_i,Φ_i分别进行标准化和归一化处理，得到步骤1所述网络模型训练数据集为：

Y*_i＝(X*_i,Φ*_i)，i∈[1,m]

其中，m表示网络模型训练数据集中样本的数量，m＝100，Y*_i表示网络模型训练数据集中第i个样本，X*_i表示网络模型训练数据集中第i个样本中预处理后水下航行器模型进仿真参数，Φ*_i为网络模型训练数据集中第i个样本中预处理后流场结果；

步骤2：构建改进的Unet++网络模型，如图1所示，将步骤1网络模型训练数据集中每个样本中预处理后水下航行器模型进仿真参数依次输入至改进的Unet++网络，进一步通过改进的Unet++网络模型预测，得到每组预处理后水下航行器模型进仿真参数对应的预测流场结果，并结合网络模型训练数据集中每个样本中预处理后流场结果数据建立损失函数模型，进一步通过优化训练得到优化后改进的Unet++网络模型；

步骤2所述改进的Unet++网络模型为：

改进的Unet++模型网络由下采样模块、上采样模块、跳层连接模块依次级联组成；

所述下采样模块由下采样卷积模块、下采样残差模块依次堆叠级联构成；

所述下采样卷积模块由多个下采样卷积层、降维批量归一化层、ReLU激活层依次堆叠级联；

所述上采样模块由上采样卷积模块、上采样残差模块依次级联构成；

所述上采样卷积模块由多个上采样卷积层、降维批量归一化层、ReLU激活层依次堆叠级联；

所述上采样残差模组与下采样残差模组均由多个Ghost残差块依次堆叠级联；

所述Ghost残差块由残差卷积层、残差批量归一化层、ReLU激活层按照传统残差块的堆叠方式构成；

所述上采样模块将步骤1网络模型训练数据集中每个样本进行特征提取，获得网络模型训练数据集中每个样本的多通道特征；

所述下采样模块将网络模型训练数据集中每个样本的多通道特征进行反卷积运算恢复，得到与输入的图像尺寸相同的输出预测图像；

所述跳层连接模块除将下采样模块除每层输出的特征通道与上采样的对称层进行跳层连接外，网络层每次下采样后也同时依次上采样至原网络输入层特征图维度，得到的每层同维度的特征图与上采样层对称网络层进行融合；

所述下采样模块每层表达为(X^0,0，X^1,0，X^2,0，X^3,0，X^4,0)，作用为流场特征提取。

所述上采样模块每层表达为(X^4,0，X^3,1，X^2,2，X^1,3，X^0,4)，下采样至X^4,0层之后开始进行上采样运算。

所述特征融合模块包括，在不同网络深度分别进行跳层连接，深度为2层时网络经下采样到X^1,0后上采样到X^0,1，X^0,1接收X^0,0的同维度特征通道进行跳层连接实现特征增强；网络深度为3层时(X^0,0，X^1,0，X^3,0)，下采样至X^3,0后上采样((X^1,1，X^0,2),除了对应维度的跳层连接外，X^0,2同时还接收了上一层深度为2层时的输出特征X^0,1，以此类推将深度增加至5层，实现所述的特征融合。

步骤2所述构建损失函数模型为：

其中，m为数据总个数，为网络模型训练数据集中第i个样本中预处理后水下航行器模型进仿真参数对应的预测流场结果，Φ*_i为网络模型训练数据集中第i个样本中预处理后流场结果；

步骤2所述进一步通过优化训练得到优化后改进的Unet++网络模型为：

使用Adam算法进行优化训练，得到优化后改进的Unet++网络模型。

步骤3：使得到的预测模型进行多标签流场回归预测，输入新的未知工况标签，即可快速预测新标签组合下的水下航行器的流场分布，预测与训练流程如图2所示。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施案例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种基于改进的Unet++网络的水下航行器流场结果预测方法，其特征在于，

步骤1：构建多组水下航行器模型进仿真参数，将每组参数依次通过水下航行器模型进行流体动力学仿真得到每组水下航行器模型进仿真参数对应的流场结果，根据每组水下航行器模型进仿真参数对应的流场结果得到每组水下航行器模型进仿真参数对应的流场结果云图，进一步结合多组水下航行器模型进仿真参数构建网络模型训练数据集；

步骤2：构建改进的Unet++网络模型，将步骤1网络模型训练数据集中每个样本中预处理后水下航行器模型进仿真参数依次输入至改进的Unet++网络，进一步通过改进的Unet++网络模型预测得到每组预处理后水下航行器模型进仿真参数对应的预测流场结果，并结合网络模型训练数据集中每个样本中预处理后流场结果数据建立损失函数模型，进一步通过优化训练得到优化后改进的Unet++网络模型；

步骤3：使得到的预测模型进行多标签流场回归预测，输入新的未知工况标签，即可快速预测新标签组合下的的水下航行器的流场分布；

步骤1所述多组水下航行器模型进仿真参数为：

X_i＝(a_i,b_i,c_i)

i∈[1,m]

其中，m表示水下航行器模型进仿真参数的组的数量，X_i表示第i组水下航行器模型进仿真参数，a_i表示第i组水下航行器模型进仿真参数中入口速度，b_i表示第i组水下航行器模型进仿真参数中加速度，c_i表示第i组水下航行器模型进仿真参数中仿真时间；

步骤1所述每组水下航行器模型进仿真参数对应的流场结果为：

data_i

i∈[1,m]

其中，m表示水下航行器模型进仿真参数的组的数量，data_i表示第i组水下航行器模型进仿真参数对应的流场结果；

步骤1所述根据每组水下航行器模型进仿真参数对应的流场结果使用流场后处理软件处理得到每组水下航行器模型进仿真参数对应的流场结果云图，具体为：

Φ_i

i∈[1,m]

其中，Φ_i表示第i组水下航行器模型进仿真参数对应的流场结果云图；

将X_i,Φ_i分别进行标准化和归一化处理，得到步骤1所述网络模型训练数据集为：

Y*_i＝(X*_i,Φ*_i)，i∈[1,m]

其中，m表示网络模型训练数据集中样本的数量，Y*_i表示网络模型训练数据集中第i个样本，X*_i表示网络模型训练数据集中第i个样本中预处理后水下航行器模型进仿真参数，Φ*_i为网络模型训练数据集中第i个样本中预处理后流场结果；

步骤2所述改进的Unet++网络模型为：

改进的Unet++模型网络由下采样模块、上采样模块、跳层连接模块依次级联组成；

所述下采样模块由下采样卷积模块、下采样残差模块依次堆叠级联构成；

所述下采样卷积模块由多个下采样卷积层、降维批量归一化层、ReLU激活层依次堆叠级联；

所述上采样模块由上采样卷积模块、上采样残差模块依次级联构成；

所述上采样卷积模块由多个上采样卷积层、降维批量归一化层、ReLU激活层依次堆叠级联；

所述上采样残差模组与下采样残差模组均由多个Ghost残差块依次堆叠级联；

所述Ghost残差块由残差卷积层、残差批量归一化层、ReLU激活层按照传统残差块的堆叠方式构成；

所述上采样模块将步骤1网络模型训练数据集中每个样本进行特征提取，获得网络模型训练数据集中每个样本的多通道特征；

所述下采样模块将网络模型训练数据集中每个样本的多通道特征进行反卷积运算恢复得到与输入的图像尺寸相同的输出预测图像；

所述跳层连接模块除将下采样模块除每层输出的特征通道与上采样的对称层进行跳层连接外，网络层每次下采样后也同时依次上采样至原网络输入层特征图维度，得到的每层同纬度的特征图与上采样层对称网络层进行融合；

步骤2所述构建损失函数模型为：

其中，m为数据总个数，为网络模型训练数据集中第i个样本中预处理后水下航行器模型进仿真参数对应的预测流场结果，Φ*_i为网络模型训练数据集中第i个样本中预处理后流场结果；

步骤2所述进一步通过优化训练得到优化后改进的Unet++网络模型为：

使用Adam算法进行优化训练，得到优化后改进的Unet++网络模型。