CN113627093B - 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法 - Google Patents

一种基于改进Unet网络的水下机构跨尺度流场特征预测方法 Download PDF

Info

Publication number
CN113627093B
CN113627093B CN202110741244.5A CN202110741244A CN113627093B CN 113627093 B CN113627093 B CN 113627093B CN 202110741244 A CN202110741244 A CN 202110741244A CN 113627093 B CN113627093 B CN 113627093B
Authority
CN
China
Prior art keywords
flow field
underwater vehicle
model
training
moment
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
Application number
CN202110741244.5A
Other languages
English (en)
Other versions
CN113627093A (zh
Inventor
李辉
侯玉庆
申胜男
魏至桢
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202110741244.5A priority Critical patent/CN113627093B/zh
Publication of CN113627093A publication Critical patent/CN113627093A/zh
Application granted granted Critical
Publication of CN113627093B publication Critical patent/CN113627093B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

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)
  • Image Processing (AREA)

Abstract

本发明提出了一种基于改进Unet网络的水下机构跨尺度流场特征预测方法，该方法包括构建批次训练集样本数据集；基于该批次训练集样本数据集构建用于水下机构跨尺度流场特征预测的改进的Unet网络；结合每批次训练集样本数据集对应的真实标签构建损失函数模型，对该Unet网络进行训练，以得到水下机构跨尺度流场特征预测模型；本发明提出改进的Unet预测模型，通过深度特征提取、特征增强融合，实现跨尺度流场变化预测，提高了预测精度，解决了传统时序方法精确度较低的问题；且可通过在线学习各工况流场数据集以增强模型预测能力，基于少量样本训练实现未知时刻流场秒级高质量时序预测输出。

Description

一种基于改进Unet网络的水下机构跨尺度流场特征预测方法
技术领域
本发明涉及流体力学仿真与人工智能结合的领域，尤其涉及一种基于改进Unet网络的水下机构跨尺度流场特征预测方法。
背景技术
随着人类对海洋资源和生物的不断开发，各种水下机构的角色越来越重要，尤其是潜艇和AUV(水下自主航行器)等水下机构具有重要的科研意义和军事意义。计算流体动力学(CFD)的发展为人们研究各种水下机构的性能到来了方便。然而对于复杂的水下结构，依然存在建模耗时，计算成本较高的问题。
人工智能方法的不断发展为流体力学等学科为基础的工程问题提供新的解决思路，基于深度学习的流场预测技术越来越引起人们的重视。目前人工智能与流场计算结合方面已经取得了一些成果，例如有研究人员提出了使用卷积神经网络的方法进行时间序列回归预测，但这种方式需要大量的数据集进行训练，生成图像不清晰，存在很大的预测精度问题；也有研究人员提出了卷积神经网络结合长短期记忆网络来实现流场时序预测，但其方法同样存在很大的预测图像清晰度问题，且无法实现流场图像跨尺度级别预测。
发明内容
本发明的目的在于克服现有技术的缺点和不足，提供一种基于改进Unet网络的水下机构跨尺度流场特征预测方法，实时获得水下机构的运动位置和流场时序结果的跨尺度预测，并解决了目前技术预测流场图像不清晰的的问题，实测结果表明本文方法实现了水下机构流场特征跨尺度精准时序预测，mse误差较现有技术降低了两个数量级。
为实现上述目的，本发明所采用的技术方案为一种基于改进Unet网络的水下机构跨尺度流场特征预测方法，具体包括以下步骤：
步骤1：将多个时刻水下航行器模型参数依次通过FLUENT软件进行仿真，得到每个时刻水下航行器模型参数对应的流场结果，将每个时刻水下航行器模型参数对应的流场结果使用流场后处理软件处理得到每个时刻水下航行器模型参数对应的流场结果云图，将每个时刻水下航行器模型参数对应的流场结果云图依次进行标准化处理、归一化处理得到每个时刻水下航行器模型参数对应的预处理后云图，将连续多个时刻水下航行器模型参数对应的预处理后云图划分为批次训练集样本数据集，并将每批次训练集样本数据集中最后一个训练集样本作为每批次训练集样本数据集对应的真实标签；
步骤2：构建改进的深度Unet网络模型，将每批次训练集样本数据集中前k个训练集样本依次输入至改进的深度Unet网络模型，进一步通过网络模型训练预测得到下一时刻的预测结果，并结合每批次训练集样本数据集对应的真实标签构建损失函数模型，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：使用步骤2中得到的预测模型进行时序结果预测，输入待测试集中连续的k张时序流场结果，即可预测下一时刻流场图像。
作为优选，步骤1所述每个时刻水下航行器模型参数对应的流场结果为：
Datai
i∈[1,m]
其中，m表示水下航行器模型参数时刻的总数量，datai表示第i个时刻水下航行器模型参数对应的流场结果；
步骤1所述将每个时刻水下航行器模型参数对应的流场结果使用流场后处理软件处理得到每个时刻水下航行器模型参数对应的流场结果云图，具体为：
Φi
i∈[1,m]
其中，Φi表示第i个时刻水下航行器模型参数对应的流场结果云图，m表示水下航行器模型参数的总数量；
步骤1所述每个时刻水下航行器模型参数对应的预处理后云图为：
Φ*i
i∈[1,m]
其中，Φ*i表示第i个时刻水下航行器模型参数对应的预处理后云图，m表示水下航行器模型参数的总数量；
步骤1所述将连续多个时刻水下航行器模型参数对应的预处理后云图划分为批次训练集,样本数据集为：
datas＝(Φ*(s-1)*(k+1)+1，Φ*(s-1)*(k+1)+2…,Φ*(s-1)*(k+1)+1+k)
s∈[1,m/(k+1)]
其中，Φ*(s-1)*(k+1)+j表示第s批次训练集样本数据集中第j个样本，即对应
(s-1)*(k+1)+j个时刻水下航行器模型参数对应的预处理后云图，j∈[1,k+1],k+1表示每组训练集样本数据集中样本的数量；
步骤1所述将每组训练集样本数据集中最后一个训练集样本作为该组训练集样本数据集对应的真实标签为：
将Φ*(s-1)*(k+1)+1+k作为第s批次训练集样本数据集即datas的真实标签；
作为优选，步骤2所述改进的深度Unet网络模型由图像编码模块、第一LSTM网络模块、第二LSTM网络模块、图像解码模块、特征增强模块依次级联组成
步骤2所述编码和解码模块参考unet对称结构进行设计，网络深度由unet结构的5层改进为7层，每层进行两次卷积运算，一次最大池化运算。除编码器最后一层选择全局最大池化外，其余每一层均进行两次3*3卷积运算和一次最大池化运算，所有层的激活函数均采用ReLU函数。
步骤2所述图像编码模块将步骤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。
步骤2所述图像编码模块部分输入为k张时序流场结果图像：
datas′＝(Φ*(s-1)*(k+1)+1，Φ*(s-1)*(k+1)+2…,Φ*(s-1)*(k+1)+k)
s∈[1,m/(k+1)]
Φ*(s-1)*(k+1)+j表示第s批次训练集样本数据集中第j个样本，即对应(s-1)*(k+1)+j时间步水下航行器模型参数对应的预处理后云图，j∈[1,k],每组训练集样本数据集中样本的数量为k+1；
输出为序列特征向量：
vectora＝(X(s-1)*(k+1)+1，X(s-1)*(k+1)+2…,X(s-1)*(k+1)+k)
s∈[1,m/(k+1)]
其中，X(s-1)*(k+1)+j表示第(s-1)*(k+1)+j时间步水下航行器模型参数对应的流场结果图像的序列特征向量，j∈[1,k],每组训练集样本数据集中样本的数量为k+1；
将序列特征向量送入第一LSTM网络模块进行序列学习；
步骤2所述第一LSTM网络模块，输入为图像编码模块提取的序列特征向量：
vectora＝(X(s-1)*(k+1)+1，X(s-1)*(k+1)+2…,X(s-1)*(k+1)+k)
s∈[1,m/(k+1)]
输出为预测结果的特征向量：
vectors＝(Y(s-1)*(k+1)+2，Y(s-1)*(k+1)+3…,Y(s-1)*(k+1)+k+1)
j∈[j+1,j+k]；
其中，Y(s-1)*(k+1)+j表示第(s-1)*(k+1)+j时间步水下航行器模型参数对应的流场结果图像的预测结果的序列特征向量，j∈[2,k+1]；
步骤2所述第二LSTM网络模块，输入为预测结果的特征向量
vectors＝(Y(s-1)*(k+1)+2，Y(s-1)*(k+1)+3…,Y(s-1)*(k+1)+k+1)
j∈[j+1,j+k]；
输出为最后一个预测序列特征向量Y(s-1)*(k+1)+k+1；
步骤2所述特征增强模块将图像编码模块的每层输出的特征通道与图像解码模块的对称层进行特征通道融合，以增强网络的表达能力；
步骤2所述图像解码模块接收了编码阶段对称层的特征通道，通过反卷积运算将预测的流场图像特征Y(s-1)*(k+1)+k+1恢复为输入大小相同的图像
所述图像编码模块，作用为流场特征提取，同时将编码阶段对应维度参考Unet结构的进行通道拼接，以此增强网络的特征表达和学习能力。
步骤2所述构建损失函数模型为均方误差MSE：
其中，M为水下航行器模型参数的总数量，为第(s-1)*(k+1)+k+1时间步的预测结果，Φ(s-1)*(k+1)+k为对应时刻的真实流场结果。
步骤2所述进一步通过优化训练得到优化后改进的深度Unet网络模型，具体为：
采用Adam算法进行优化训练，设置初始学习率和训练次数后进行网络优化更新；
本发明和现有技术相比较，具备如下优点：
提出改进的深度Unet预测模型，通过深度特征提取与特征增强融合，可精确捕捉到水下机构运动位置变化与以及流场像素级预测，解决了传统时序方法精确度较低的问题。
本方法可实现跨尺度的流场变化预测，实际测试结果显示生成预测结果与真实流场结果mse误差为10-5～10-4量级，与现有cnn结合lstm方法相比，预测结果图像mse误差至少提升了101数量级。
只需少量样本进行训练就可以生成高质量的流场预测结果，实现更多未知时刻时序流场结果的高质量秒级输出预测。对水下航行器的速度流场预测结果、三维压力分布预测结果均显示，本发明提出的预测模型可以捕捉到复杂的流场变化，对大尺度特征的预测结果与真实结果高度近似，小尺度特征也实现了较好的特征预测，实测单张预测结果输出时间为0.3s。
本发明数据集划分方式可通过训练奇数运动周期的流场图像，来进行类似分布规律的偶数运动周期的流场预测，从而能够实现整周期的流场结果实时时序生成输出。训练模型得到的各复杂工况的数据集的越充分，预测模型预测水下机构的预测范围和能力就越强，使其可以在线学习各工况下流场数据集以不断增强预测模型的预测能力。
附图说明
图1：为本发明方法流程图。
图2：为潜艇动态流场预测流程图。
图3：为本发明改进的深度Unet网络结构。
具体实施方式
下面结合附图1-3，对本发明的具体实施方式为一种基于改进Unet网络的水下机构跨尺度流场特征预测方法。
本实例所述的基于改进的深度Unet网络的水下航行器流场图像预测方法，包括首先基于重叠网格和UDF功能实现水下机构，以潜艇为例，全运动周期的动态流场仿真，后处理获得训练数据集；之后送入构建的改进的深度Unet网络进行训练；最后通过训练好的预测模型来实现水下机构刻流场；
本发明第一具体实施过程为：
步骤1：将多个时刻水下航行器模型参数依次通过FLUENT软件进行仿真，得到每个时刻水下航行器模型参数对应的流场结果，将每个时刻水下航行器模型参数对应的流场结果使用流场后处理软件处理得到每个时刻水下航行器模型参数对应的流场结果云图，将每个时刻水下航行器模型参数对应的流场结果云图依次进行标准化处理、归一化处理得到每个时刻水下航行器模型参数对应的预处理后云图，将连续多个时刻水下航行器模型参数对应的预处理后云图划分为批次训练集样本数据集，并将每批次训练集样本数据集中最后一个训练集样本作为每批次训练集样本数据集对应的真实标签；
步骤1所述每个时刻水下航行器模型参数对应的流场结果为：
Datai
i∈[1,m]
其中，m表示水下航行器模型参数时刻的总数量，datai表示第i个时刻水下航行器模型参数对应的流场结果；
步骤1所述将每个时刻水下航行器模型参数对应的流场结果使用流场后处理软件处理得到每个时刻水下航行器模型参数对应的流场结果云图，具体为：
Φi
i∈[1,m]
其中，Φi表示第i个时刻水下航行器模型参数对应的流场结果云图，m表示水下航行器模型参数的总数量；
步骤1所述每个时刻水下航行器模型参数对应的预处理后云图为：
Φ*i
i∈[1,m]
其中，Φ*i表示第i个时刻水下航行器模型参数对应的预处理后云图，m表示水下航行器模型参数的总数量；
步骤1所述将连续多个时刻水下航行器模型参数对应的预处理后云图划分为批次训练集,样本数据集为：
datas＝(Φ*(s-1)*(k+1)+1，Φ*(s-1)*(k+1)+2…,Φ*(s-1)*(k+1)+1+k)
s∈[1,m/(k+1)]
其中，Φ*(s-1)*(k+1)+j表示第s批次训练集样本数据集中第j个样本，即对应
(s-1)*(k+1)+j个时刻水下航行器模型参数对应的预处理后云图，j∈[1,k+1],k+1表示每组训练集样本数据集中样本的数量；
步骤1所述将每组训练集样本数据集中最后一个训练集样本作为该组训练集样本数据集对应的真实标签为：
将Φ*(s-1)*(k+1)+1+k作为第s批次训练集样本数据集即datas的真实标签；
步骤2：构建改进的深度Unet网络模型，将每批次训练集样本数据集中前k个训练集样本依次输入至改进的深度Unet网络模型，进一步通过网络模型训练预测得到下一时刻的预测结果，并结合每批次训练集样本数据集对应的真实标签构建损失函数模型，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所述改进的深度Unet网络模型由图像编码模块、第一LSTM网络模块、第二LSTM网络模块、图像解码模块、特征增强模块依次级联组成
步骤2所述编码和解码模块参考unet对称结构进行设计，网络深度由unet结构的5层改进为7层，每层进行两次卷积运算，一次最大池化运算。除编码器最后一层选择全局最大池化外，其余每一层均进行两次3*3卷积运算和一次最大池化运算，所有层的激活函数均采用ReLU函数。
步骤2所述图像编码模块将步骤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。
步骤2所述图像编码模块部分输入为k张时序流场结果图像：
datas′＝(Φ*(s-1)*(k+1)+1，Φ*(s-1)*(k+1)+2…,Φ*(s-1)*(k+1)+k)
s∈[1,m/(k+1)]
Φ*(s-1)*(k+1)+j表示第s批次训练集样本数据集中第j个样本，即对应(s-1)*(k+1)+j时间步水下航行器模型参数对应的预处理后云图，j∈[1,k],每组训练集样本数据集中样本的数量为k+1；
输出为序列特征向量：
vectora＝(X(s-1)*(k+1)+1，X(s-1)*(k+1)+2…,X(s-1)*(k+1)+k)
s∈[1,m/(k+1)]
其中，X(s-1)*(k+1)+j表示第(s-1)*(k+1)+j时间步水下航行器模型参数对应的流场结果图像的序列特征向量，j∈[1,k],每组训练集样本数据集中样本的数量为k+1；
将序列特征向量送入第一LSTM网络模块进行序列学习；
步骤2所述第一LSTM网络模块，输入为图像编码模块提取的序列特征向量：
vectora＝(X(s-1)*(k+1)+1，X(s-1)*(k+1)+2…,X(s-1)*(k+1)+k)
s∈[1,m/(k+1)]
输出为预测结果的特征向量：
vectors＝(Y(s-1)*(k+1)+2，Y(s-1)*(k+1)+3…,Y(s-1)*(k+1)+k+1)
j∈[j+1,j+k]；
其中，Y(s-1)*(k+1)+j表示第(s-1)*(k+1)+j时间步水下航行器模型参数对应的流场结果图像的预测结果的序列特征向量，j∈[2,k+1]；
步骤2所述第二LSTM网络模块，输入为预测结果的特征向量
vectors＝(Y(s-1)*(k+1)+2，Y(s-1)*(k+1)+3…,Y(s-1)*(k+1)+k+1)
j∈[j+1,j+k]；
输出为最后一个预测序列特征向量Y(s-1)*(k+1)+k+1；
步骤2所述特征增强模块将图像编码模块的每层输出的特征通道与图像解码模块的对称层进行特征通道融合，以增强网络的表达能力；
步骤2所述图像解码模块接收了编码阶段对称层的特征通道，通过反卷积运算将预测的流场图像特征Y(s-1)*(k+1)+k+1恢复为输入大小相同的图像
所述图像编码模块，作用为流场特征提取，同时将编码阶段对应维度参考Unet结构的进行通道拼接，以此增强网络的特征表达和学习能力。
步骤2所述构建损失函数模型为均方误差MSE：
其中，M为水下航行器模型参数的总数量，为第(s-1)*(k+1)+k+1时间步的预测结果，Φ(s-1)*(k+1)+k为对应时刻的真实流场结果。
步骤2所述进一步通过优化训练得到优化后改进的深度Unet网络模型，具体为：
采用Adam算法进行优化训练，设置初始学习率和训练次数后进行网络优化更新；
步骤3：使用步骤2中得到的预测模型进行时序结果预测，输入待测试集中连续的k张时序流场结果，即可预测下一时刻流场图像。
本发明第二具体实施过程如下：
步骤1：基于CDF重叠网格划分技术与FLUENT的UDF二次开发功能来实现潜艇的动态流体仿真分析，由潜艇动态仿真结果构建构建潜艇动态流场数据集，流程如图1所示；
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：
Datai
i∈[1,m]
其中，m表示水下航行器仿真时间步总数量数量，m＝110，i示第i个时间步对应的流场结果；
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：
Φi
i∈[1,m]
其中，Φi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，m表示水下航行器模型进仿真时间步数量，m＝110
步骤一所得连续的(Φi，Φi+1…,Φi+k)的k+1个时序流场图像为一组，目的是k个结果为训练输入，预测第k+1个结果，进行标准化和归一化处理，得到训练数据集为：
Φ*i+k＝(Φi，Φi+1…,Φi+k)
i∈[1,n]
，Φ*i+k表示样本预处理后对应预测测结果Φi+k的分组，Φi表示第i个仿真时间步流场结果，k为每组输入流场的数量，k＝3，n表示流场结果训练集总数量，n＝106。
步骤2：构建改进的深度Unet网络模型，将每组前k个流场数据(Φi，Φi+1…,Φi+k-1)，作为训练集样本依次输入至改进的深度Unet网络模型，进一步通过网络模型训练预测得到下一时刻的预测结果并结合下一时刻真实流场结果Φi+k构建损失函数模型，进一步通过优化训练得到优化后改进的Unet网络模型，流程如图2所示；
步骤2所述改进的深度Unet网络模型由图像编码模块、第一LSTM网络模块、第二LSTM网络模块、图像解码模块、特征增强模块依次级联组成，网络结构如图3所示；
步骤2所述编码和解码模块参考unet对称结构进行设计，网络深度由unet结构的5层改进为7层，每层进行两次卷积运算，一次最大池化运算。除编码器最后一层选择全局最大池化外，其余每一层均进行两次3*3卷积运算和一次最大池化运算，所有层的激活函数均采用ReLU函数。
步骤2所述图像编码模块将步骤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。
步骤2所述图像编码模块部分输入为k张时序图像(Φi，Φi+1…,Φi+k-1)，输出为序列特征向量(Xi，Xi+1…,Xi+k-1)，将序列特征向量送入第一LSTM网络模块进行序列学习；
步骤2所述第一LSTM网络模块，输入为图像编码模块提取的序列特征向量(Xi，Xi+1…,Xi+k-1)，输出为预测结果的特征向量(Yi+1，Yi+2…,Yi+k)；
步骤2所述第二LSTM网络模块，输入为预测结果的特向量(Yi+1，Yi+2…,Yi+k)，输出为最后一个预测序列特征向量Yi+k；
步骤2所述特征增强模块将图像编码模块的每层输出的特征通道与图像解码模块的对称层进行特征通道融合，以增强网络的表达能力；
步骤2所述图像解码模块接收了编码阶段对称层的特征通道，通过反卷积运算将预测的流场图像特征Yi+k恢复为输入大小相同的图像
所述图像编码模块，作用为流场特征提取，同时将编码阶段对应维度参考Unet结构的进行通道拼接，以此增强网络的特征表达和学习能力。
步骤2所述构建损失函数模型为均方误差MSE：
其中，M为数据数量，为第i+k时间步的预测结果，Φk+1为对应时刻的真实流场结果。
步骤2所述进一步通过优化训练得到优化后改进的深度Unet网络模型，具体为：
采用Adam算法进行优化训练，设置初始学习率0.001进行网络优化更新；
步骤3：使用第二步中得到的预测模型进行时序结果预测，输入待测试集中连续的k张时序流场结果，即可预测下一时刻流场图像。
最后需要说明的是，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 (2)

1.一种基于改进Unet网络的水下机构跨尺度流场特征预测方法，其特征在于，包括以下步骤：
步骤1：将多个时刻水下航行器模型参数依次通过FLUENT软件进行仿真，得到每个时刻水下航行器模型参数对应的流场结果，将每个时刻水下航行器模型参数对应的流场结果使用流场后处理软件处理得到每个时刻水下航行器模型参数对应的流场结果云图，将每个时刻水下航行器模型参数对应的流场结果云图依次进行标准化处理、归一化处理得到每个时刻水下航行器模型参数对应的预处理后云图，将连续多个时刻水下航行器模型参数对应的预处理后云图划分为批次训练集样本数据集，并将每批次训练集样本数据集中最后一个训练集样本作为每批次训练集样本数据集对应的真实标签；
步骤2：构建改进的深度Unet网络模型，将每批次训练集样本数据集中前k个训练集样本依次输入至改进的深度Unet网络模型，进一步通过网络模型训练预测得到下一时刻的预测结果，并结合每批次训练集样本数据集对应的真实标签构建损失函数模型，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：使用步骤2中得到的预测模型进行时序结果预测，输入待测试集中连续的k张时序流场结果，即可预测下一时刻流场图像；
步骤2所述改进的深度Unet网络模型由图像编码模块、第一LSTM网络模块、第二LSTM网络模块、图像解码模块、特征增强模块依次级联组成
步骤2所述编码和解码模块参考unet对称结构进行设计，网络深度由unet结构的5层改进为7层，每层进行两次卷积运算，一次最大池化运算；除编码器最后一层选择全局最大池化外，其余每一层均进行两次3*3卷积运算和一次最大池化运算，所有层的激活函数均采用ReLU函数；
步骤2所述图像编码模块将步骤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；
步骤2所述图像编码模块部分输入为k张时序流场结果图像：
datas′＝(Φ*(s-1)*(k+1)+1，Φ*(s-1)*(k+1)+2…,Φ*(s-1)*(k+1)+k)
s∈[1,m/(k+1)]
Φ*(s-1)*(k+1)+j表示第s批次训练集样本数据集中第j个样本，即对应(s-1)*(k+1)+j时间步水下航行器模型参数对应的预处理后云图，j∈[1,k],每组训练集样本数据集中样本的数量为k+1；
输出为序列特征向量：
vectora＝(X(s-1)*(k+1)+1，X(s-1)*(k+1)+2…,X(s-1)*(k+1)+k)
s∈[1,m/(k+1)]
其中，X(s-1)*(k+1)+j表示第(s-1)*(k+1)+j时间步水下航行器模型参数对应的流场结果图像的序列特征向量，j∈[1,k],每组训练集样本数据集中样本的数量为k+1；
将序列特征向量送入第一LSTM网络模块进行序列学习；
步骤2所述第一LSTM网络模块，输入为图像编码模块提取的序列特征向量：
vectora＝(X(s-1)*(k+1)+1，X(s-1)*(k+1)+2…,X(s-1)*(k+1)+k)
s∈[1,m/(k+1)]
输出为预测结果的特征向量：
vectors＝(Y(s-1)*(k+1)+2，Y(s-1)*(k+1)+3…,Y(s-1)*(k+1)+k+1)
j∈[j+1,j+k]；
其中，Y(s-1)*(k+1)+j表示第(s-1)*(k+1)+j时间步水下航行器模型参数对应的流场结果图像的预测结果的序列特征向量，j∈[2,k+1]；
步骤2所述第二LSTM网络模块，输入为预测结果的特征向量
vectors＝(Y(s-1)*(k+1)+2，Y(s-1)*(k+1)+3…,Y(s-1)*(k+1)+k+1)
j∈[j+1,j+k]；
输出为最后一个预测序列特征向量Y(s-1)*(k+1)+k+1；
步骤2所述特征增强模块将图像编码模块的每层输出的特征通道与图像解码模块的对称层进行特征通道融合，以增强网络的表达能力；
步骤2所述图像解码模块接收了编码阶段对称层的特征通道，通过反卷积运算将预测的流场图像特征Y(s-1)*(k+1)+k+1恢复为输入大小相同的图像
所述图像编码模块，作用为流场特征提取，同时将编码阶段对应维度参考Unet结构的进行通道拼接，以此增强网络的特征表达和学习能力；
步骤2所述构建损失函数模型为均方误差MSE：
其中，M为水下航行器模型参数的总数量，为第(s-1)*(k+1)+k+1时间步的预测结果，Φ(s-1)*(k+1)+k为对应时刻的真实流场结果；
步骤2所述进一步通过优化训练得到优化后改进的深度Unet网络模型，具体为：
采用Adam算法进行优化训练，设置初始学习率和训练次数后进行网络优化更新。
2.根据权利要求1所述的基于改进的基于改进Unet网络的水下机构跨尺度流场特征预测方法，其特征在于，
步骤1所述每个时刻水下航行器模型参数对应的流场结果为：
Datai
i∈[1,m]
其中，m表示水下航行器模型参数时刻的总数量，datai表示第i个时刻水下航行器模型参数对应的流场结果；
步骤1所述将每个时刻水下航行器模型参数对应的流场结果使用流场后处理软件处理得到每个时刻水下航行器模型参数对应的流场结果云图，具体为：
Φi
i∈[1,m]
其中，Φi表示第i个时刻水下航行器模型参数对应的流场结果云图，m表示水下航行器模型参数的总数量；
步骤1所述每个时刻水下航行器模型参数对应的预处理后云图为：
Φ*i
i∈[1,m]
其中，Φ*i表示第i个时刻水下航行器模型参数对应的预处理后云图，m表示水下航行器模型参数的总数量；
步骤1所述将连续多个时刻水下航行器模型参数对应的预处理后云图划分为批次训练集,样本数据集为：
datas＝(Φ*(s-1)*(k+1)+1，Φ*(s-1)*(k+1)+2…,Φ*(s-1)*(k+1)+1+k)
s∈[1,m/(k+1)]
其中，Φ*(s-1)*(k+1)+j表示第s批次训练集样本数据集中第j个样本，即对应(s-1)*(k+1)+j个时刻水下航行器模型参数对应的预处理后云图，j∈[1,k+1],k+1表示每组训练集样本数据集中样本的数量；
将每组训练集样本数据集中最后一个训练集样本作为该组训练集样本数据集对应的真实标签为：
将Φ*(s-1)*(k+1)+1+k作为第s批次训练集样本数据集即datas的真实标签。
CN202110741244.5A 2021-07-01 2021-07-01 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法 Active CN113627093B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110741244.5A CN113627093B (zh) 2021-07-01 2021-07-01 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110741244.5A CN113627093B (zh) 2021-07-01 2021-07-01 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法

Publications (2)

Publication Number Publication Date
CN113627093A CN113627093A (zh) 2021-11-09
CN113627093B true CN113627093B (zh) 2023-11-21

Family

ID=78378724

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110741244.5A Active CN113627093B (zh) 2021-07-01 2021-07-01 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法

Country Status (1)

Country Link
CN (1) CN113627093B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115238763B (zh) * 2022-06-10 2024-02-13 西北工业大学 基于深度学习的仿蝠鲼航行器多周期水动力实验数据增强方法
CN116070549B (zh) * 2023-03-06 2023-06-20 西南交通大学 一种地下空间水淹态势快速推演方法、装置、设备及介质
CN117077579B (zh) * 2023-10-17 2024-02-06 深圳十沣科技有限公司 翼型流场预测方法、装置、设备及存储介质
CN117864336B (zh) * 2023-12-18 2024-07-09 中国船舶集团有限公司第七一九研究所 一种水下水动力实时预测方法及可变间距微沟槽减阻结构
CN117864337B (zh) * 2023-12-18 2024-06-07 中国船舶集团有限公司第七一九研究所 一种水下水动力实时预测方法及可变倾角微沟槽减阻结构

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6830707B1 (ja) * 2020-01-23 2021-02-17 同▲済▼大学 ランダムバッチマスクとマルチスケール表現学習を融合した人物再同定方法
CN112508936A (zh) * 2020-12-22 2021-03-16 中国科学院空天信息创新研究院 一种基于深度学习的遥感图像变化检测方法
CN112765908A (zh) * 2021-01-14 2021-05-07 大连理工大学 一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200125945A1 (en) * 2018-10-18 2020-04-23 Drvision Technologies Llc Automated hyper-parameterization for image-based deep model learning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6830707B1 (ja) * 2020-01-23 2021-02-17 同▲済▼大学 ランダムバッチマスクとマルチスケール表現学習を融合した人物再同定方法
CN112508936A (zh) * 2020-12-22 2021-03-16 中国科学院空天信息创新研究院 一种基于深度学习的遥感图像变化检测方法
CN112765908A (zh) * 2021-01-14 2021-05-07 大连理工大学 一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于改进极端学习机的网络流量预测;刘春;计算机工程与应用;第50卷(第21期);全文 *

Also Published As

Publication number Publication date
CN113627093A (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
CN113627093B (zh) 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法
CN106156003B (zh) 一种问答系统中的问句理解方法
CN111784041B (zh) 一种基于图卷积神经网络的风电功率预测方法及系统
CN107833183A (zh) 一种基于多任务深度神经网络的卫星图像同时超分辨和着色的方法
CN113656570A (zh) 基于深度学习模型的视觉问答方法及装置、介质、设备
CN111127246A (zh) 一种输电线路工程造价的智能预测方法
CN114332578A (zh) 图像异常检测模型训练方法、图像异常检测方法和装置
CN116109978A (zh) 基于自约束动态文本特征的无监督视频描述方法
Vardhan et al. Deep learning based fea surrogate for sub-sea pressure vessel
CN115730631A (zh) 联邦学习的方法和装置
CN115620068A (zh) 一种深度学习模式下的岩石岩性自动识别分类方法
CN116451821A (zh) 基于深度学习的大区域新能源发电功率预测方法及系统
CN115797808A (zh) 一种无人机巡检缺陷图像的识别方法、系统、装置及介质
CN115983148A (zh) 一种cfd仿真云图预测方法、系统、电子设备及介质
CN114004152B (zh) 基于图卷积和循环神经网络的多风场风速时空预测方法
CN115618988A (zh) 基于深度神经网络的海水温度、盐度与流速的三维时空场联合预测方法
CN117410976A (zh) 一种基于天空图像的太阳能光伏发电短期预测方法
CN111898756A (zh) 一种多目标信息关联神经网络损失函数计算方法及装置
CN114385619B (zh) 一种多通道海洋观测时序标量数据缺失值预测方法及系统
CN114140524B (zh) 一种多尺度特征融合的闭环检测系统及方法
CN117011219A (zh) 物品质量检测方法、装置、设备、存储介质和程序产品
CN116341617A (zh) 一种使用三维卷积循环神经网络的三维声速场预测方法
CN115526107A (zh) 一种用于超表面智能设计的物理驱动机器学习方法
Zhang Deep learning-based hybrid short-term solar forecast using sky images and meteorological data
Yun et al. [Retracted] Quality Evaluation and Satisfaction Analysis of Online Learning of College Students Based on Artificial Intelligence

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