CN113688578B - 一种基于多变量融合的流场关键时间步提取与重构方法 - Google Patents

一种基于多变量融合的流场关键时间步提取与重构方法 Download PDF

Info

Publication number
CN113688578B
CN113688578B CN202110787112.6A CN202110787112A CN113688578B CN 113688578 B CN113688578 B CN 113688578B CN 202110787112 A CN202110787112 A CN 202110787112A CN 113688578 B CN113688578 B CN 113688578B
Authority
CN
China
Prior art keywords
flow field
time step
time
dimension
key
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
CN202110787112.6A
Other languages
English (en)
Other versions
CN113688578A (zh
Inventor
王岳青
王俊
王昉
杨志供
邓亮
杨文祥
代喆
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.)
Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Original Assignee
Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
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 Computational Aerodynamics Institute of China Aerodynamics Research and Development Center filed Critical Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Priority to CN202110787112.6A priority Critical patent/CN113688578B/zh
Publication of CN113688578A publication Critical patent/CN113688578A/zh
Application granted granted Critical
Publication of CN113688578B publication Critical patent/CN113688578B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

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

Abstract

本发明公开了一种基于多变量融合的流场关键时间步提取与重构方法，所述流场关键时间步提取与重构方法包括：S1：非定常流场数据的获取和预处理；S2：针对步骤S1获得的非定常流场数据，完成基于数据融合的多变量物理流场关键时间步的提取；S3：对多变量非定常流场进行时空信息重构。通过本发明方法实现了快速准确的对多个时间步的流场进行关键时间步选取的目的。

Description

一种基于多变量融合的流场关键时间步提取与重构方法
技术领域
本发明属于计算流体力学领域，尤其涉及一种基于多变量融合的流场关键时间步提取与重构方法。
背景技术
随着计算流体力学(CFD)应用的精度需求不断提升，数值模拟的网格量不断增加，非定常流场模拟的时间间隔越来越精细，网格加密会导致流场空间信息复杂度增加，时间间隔变短会导致流场时间信息复杂度增加。时间和空间维度的复杂度增加必然会导致CFD数值计算产生的数据量不断增加，通常为TB级甚至PB级。同时，流场数据的时空复杂性提升，会导致时空特征难以辨认，也需要研究者耗费更多的时间人工抽取关键信息帮助认知流场中的复杂流动机理。如何自动抽取流场特征及关键时间步，将成为研究的热点，也是研究者面临的巨大挑战。
非定常流场往往包含时间维度，为精确求解非定常流场，往往需要设置较小的时间间隔，由于在计算过程中研究者不可能实时查看哪些时间步流场变化较大，因此一般保留所有时间步的流场，这导致流场存储需求不断提升。以并行分层自适应稳定瞬态分析为例，该算例使用超过60亿个网格单元来模拟垂直尾舵组件上的流，单个时间步流场存储已经超过2GB，1000个时间步的流场存储需要超过2TB空间。对于这种规模的数值模拟，不可能将所有时间步长的结果数据保存到存储系统中以进行流场分析，所以必须进行关键时间步的自动提取。观察发现，非定常流场计算结果中相邻流场的相似度往往比较高。流场关键时间步提取就是要尽可能保留流场发生变化的时间步，摒弃长时间未变化的时间步。在此过程中有几个问题需要解决：第一，单个流场网格量太大，如何通过降维或者压缩算法减少流场的表示；第二，如何自动捕捉流场发生变化的时间步。因此，在时变的大型非定常仿真中，如何选取关键的时间步长是一个难以解决的问题。
发明内容
本发明的目的在于，为克服现有技术缺陷，提供了一种基于多变量融合的流场关键时间步提取与重构方法，实现了快速准确的对多个时间步的流场进行关键时间步选取的目的。
本发明目的通过下述技术方案来实现：
一种基于多变量融合的流场关键时间步提取与重构方法，所述流场关键时间步提取与重构方法包括：S1：非定常流场数据的获取和预处理；S11：利用CFD数值模拟产生若干时间步长的流场数据，使用守恒形式的连续介质流动的控制方程纳维-斯托克斯(N-S)偏微分方程，获得各时间步的二维流场数据；S12：基于雅可比行列式的物理非均匀网格到计算平面的均匀网格转换，获得网格转换后的非定常流场计算数据；S2：针对步骤S1获得的非定常流场数据，完成基于数据融合的多变量物理流场关键时间步的提取；S21：构建自编码器网络模型，所述自编码器网络模型包括编码部分和解码部分，其中，编码部分被配置为实现高维流场的降维处理，解码部分被配置为对流场进行空间重构；S22：基于流场中的速度场(U,V)和压力场(P)，使用融合了物理变量U、V、P梯度信息的代价函数，完成自编码器网络模型的训练，其中，U表示x轴方向的速度，V表示y轴方向的速度，P表示压力；S23：基于步骤S22训练完成的自编码器网络模型对U、V、P三个变量进行降维处理，将高维流场转换为低维特征，得到时间步的低维流场特征；S24：将步骤S23得到的地为特征进行数据融合，对U、V、P按权重拼接，得到时间步流场的U、V、P三个视图的融合特征；S25：使用S24中得到的融合特征进行物理流场的关键时间步提取。
根据一个优选的实施方式，所述步骤S25具体包括：首先，对连续流场进行离散化；其次，计算流场任意两帧之间的互信息；最后，使用动态规划的方法进行关键时间步提取，得到指定数量的关键时间步流场。
根据一个优选的实施方式，使用动态规划的方法进行关键时间步提取是从各时间步中查找从第一帧流场一直到最后一帧流场的距离之和的最短路径，当距离之和最小时，则保留下来的流场为关键时间步的流场。
根据一个优选的实施方式，所述自编码器网络模型中，编码部分包括一个输入层、六个卷积层和两个全连接层，解码部分包括一个全连接层、一个重构层和六个反卷积层。
根据一个优选的实施方式，所述流场关键时间步提取与重构方法还包括：S3：对多变量非定常流场进行时空信息重构；S31：基于步骤S23获得的时间步的低维流场特征和步骤S25中提取的关键时间步流场，对时间步的非定常流场进行重构；S32：对非关键时间步的流场进行空间维度恢复；使用步骤S2中获得非关键时间步流场的低维特征，输入到步骤S22中训练得到的自编码器中的解码部分对低维特征进行解码，获得重构的高维流场。
根据一个优选的实施方式，所述步骤S3还包括：S33：对非关键时间步的流场进行时间维度恢复，使用S25中获取的关键时间步流场对非关键时间步流场进行重构，使用S25中提取的关键时间步流场k及k+j，对k到k+j中间的第k+i(i<j)个时间步流场进行重构，则第k+i个时间步长：
Figure BDA0003159435090000031
其中，fk表示第k个时间步流场，fk+j表示第k+j个时间步的流场，其中tk表示第k个时间步时获得流场数据。
前述本发明主方案及其各进一步选择方案可以自由组合以形成多个方案，均为本发明可采用并要求保护的方案；且本发明，(各非冲突选择)选择之间以及和其他选择之间也可以自由组合。本领域技术人员在了解本发明方案后根据现有技术和公知常识可明了有多种组合，均为本发明所要保护的技术方案，在此不做穷举。
本发明的有益效果在于：
1.本方法首先对多个时间步的流场数据进行降维处理，使用低维特征代替高维特征，低维特征在进行关键时间步流场选取的时间更短；
2.本发明对降维后的x轴方向的速度U，y方向的速度V以及压力P进行多视图融合，从而获得三个变量的信息，再进行关键时间步流场选取时精度更高；
3.本发明可以使用所有时间步流场的压缩特征和提取的关键时间步流场重构任意时间步的流场。
附图说明
图1是本发明方法的流程示意图；
图2是本发明方法原理示意图；
图3是本发明中自编码器网络模型的结构示意图；
图4是本发明方法中自编码器网络模型训练过程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，为使本发明实施例的目的、技术方案和优点更加清楚，下面对本发明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发明一部分实施例，而不是全部的实施例。
因此，以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
参考图1所示，本发明公开了一种基于多变量融合的流场关键时间步提取与重构方法，本发明主要目的是快速准确的对多个时间步的流场进行关键时间步选取。
所述流场关键时间步提取与重构方法包括如下步骤：
步骤S1：非定常流场数据的获取和预处理。步骤S1具体包括：
步骤S11：利用CFD数值模拟产生若干时间步长的流场数据，使用守恒形式的连续介质流动的控制方程纳维-斯托克斯(N-S)偏微分方程，获得各时间步的二维流场数据。
在二维流场求解中，共有四个方程，分别为质量和能量守恒方程以及两个动量分量守恒方程。对非稳态可压缩的流动形式表示为公式(1)，进行数值求解。
Figure BDA0003159435090000041
Figure BDA0003159435090000042
Figure BDA0003159435090000043
公式(2)中的列向量E和F称为无黏矢通量，包括对流量通量项和相关项，其中p为压力。公式(3)中的向量Ev和Fv包括一些和黏性及导热相关的项，其中τxx、τxy、τyy表示二维流动中的黏性应力，f4和g4表示由黏性力和热传导所做的功。公式中的Q表示单位体积内的非独立守恒变量，其中包括密度ρ，单位体积内的动量分量ρu以及ρv，其中u和v分别表示笛卡尔速度分量，以及单位体积内的总能量e可以表示为公式(4)，其中ε表示单位体积内能。
Figure BDA0003159435090000051
至此得到多个时间步的二维流场数据。
步骤S12：基于雅可比行列式的物理非均匀网格(x,y)到计算平面(ξ,η)的均匀网格转换，获得网格转换后的非定常流场计算数据；
雅可比行列式表示为公式(5)，
Figure BDA0003159435090000052
其直接度量和逆度量之间的关系表示为公式(6),通过公式(6)获得网格转换后的非定常流场计算数据。
Figure BDA0003159435090000053
步骤S2：针对步骤S1获得的非定常流场数据，完成基于数据融合的多变量物理流场关键时间步的提取。步骤S2具体包括：
步骤S21：构建自编码器网络模型，所述自编码器网络模型包括编码部分和解码部分，其中，编码部分被配置为实现高维流场的降维处理，解码部分被配置为对流场进行空间重构。
优选地，所述自编码器网络模型中，编码部分包括一个输入层、六个卷积层和两个全连接层，解码部分包括一个全连接层、一个重构层和六个反卷积层。
步骤S22：基于流场中的速度场(U,V)和压力场(P)，使用融合了物理变量U、V、P梯度信息的代价函数，完成自编码器网络模型的训练，其中，U表示x轴方向的速度，V表示y轴方向的速度，P表示压力。自编码器网络模型的训练流程如图4所示。
流场在进行CFD计算时需要用到物理变量的梯度信息，所以使用融合物理梯度信息作为代价函数能更好保留物理特性。
步骤S23：基于步骤S22训练完成的自编码器网络模型对U、V、P三个变量进行降维处理，将高维流场转换为低维特征，得到时间步的低维流场特征。
本发明方法首先对多个时间步的流场数据进行降维处理，使用低维特征代替高维特征，低维特征在进行关键时间步流场选取的时间更短。
步骤S24：将步骤S23得到的地为特征进行数据融合，对U、V、P按权重拼接，得到时间步流场的U、V、P三个视图的融合特征。
本发明方法对降维后的x轴方向的速度U，y方向的速度V以及压力P进行多视图融合，从而获得三个变量的信息，再进行关键时间步流场选取时精度更高。
步骤S25：使用S24中得到的融合特征进行物理流场的关键时间步提取。
优选地，所述步骤S25具体包括：
首先，对连续流场进行离散化。
其次，计算流场任意两帧之间的互信息。互信息越小，两个流场越不相关，即二者差别越大。互信息越大，即保留下来的任意两帧之间的相关性很小。
互信息采用(7)式计算：
Figure BDA0003159435090000061
其中，X和Y表示两个流场，x和y分别表示X和Y两个流场中的变量，p(x,y)表示变量x和y的联合分布概率，p(x)和p(y)表示x和y变量的概率，I(X；Y)表示两个流场的互信息。
最后，使用动态规划的方法进行关键时间步提取，得到指定数量的关键时间步流场。
进一步地，使用动态规划的方法进行关键时间步提取是从各时间步中查找从第一帧流场一直到最后一帧流场的距离之和的最短路径，当距离之和最小时，则保留下来的流场为关键时间步的流场。
步骤S3：对多变量非定常流场进行时空信息重构。步骤S23得到的降维特征实际是对流场空间维度的压缩，使用空间压缩方法减少了互信息计算量，提升了计算效率。步骤S25获得的关键时间步实际是对流场时间维度的压缩，非关键时间步流场可以通过空间维度恢复，也可以通过时间维度重构，为进一步增强其重构精度，本发明方法设计了基于时空维度的非定常流场重构方法。具体包括：
步骤S31：基于步骤S23获得的时间步的低维流场特征和步骤S25中提取的关键时间步流场，对时间步的非定常流场进行重构；
步骤S32：对非关键时间步的流场进行空间维度恢复；使用步骤S2中获得非关键时间步流场的低维特征，输入到步骤S22中训练得到的自编码器中的解码部分对低维特征进行解码，获得重构的高维流场。
步骤S33：对非关键时间步的流场进行时间维度恢复，使用S25中获取的关键时间步流场对非关键时间步流场进行重构，使用S25中提取的关键时间步流场k及k+j，对k到k+j中间的第k+i(i<j)个时间步流场进行重构，则第k+i个时间步长：
Figure BDA0003159435090000071
其中，fk表示第k个时间步流场，fk+j表示第k+j个时间步的流场，其中tk表示第k个时间步时获得流场数据。
从而，本发明可以使用所有时间步流场的压缩特征和提取的关键时间步流场重构任意时间步的流场。
前述本发明基本例及其各进一步选择例可以自由组合以形成多个实施例，均为本发明可采用并要求保护的实施例。本发明方案中，各选择例，与其他任何基本例和选择例都可以进行任意组合。本领域技术人员可知有众多组合。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于多变量融合的流场关键时间步提取与重构方法，其特征在于，所述流场关键时间步提取与重构方法包括：
S1：非定常流场数据的获取和预处理；
S11：利用CFD数值模拟产生若干时间步长的流场数据，使用守恒形式的连续介质流动的控制方程纳维-斯托克斯偏微分方程，获得各时间步的二维流场数据；
S12：基于雅可比行列式的物理非均匀网格到计算平面的均匀网格转换，获得网格转换后的非定常流场计算数据；
S2：针对步骤S1获得的非定常流场数据，完成基于数据融合的多变量物理流场关键时间步的提取；
S21：构建自编码器网络模型，所述自编码器网络模型包括编码部分和解码部分，其中，编码部分被配置为实现高维流场的降维处理，解码部分被配置为对流场进行空间重构；
S22：基于流场中的速度场U、V和压力场P，使用融合了物理变量U、V、P梯度信息的代价函数，完成自编码器网络模型的训练，其中，U表示x轴方向的速度，V表示y轴方向的速度，P表示压力；
S23：基于步骤S22训练完成的自编码器网络模型对U、V、P三个变量进行降维处理，将高维流场转换为低维特征，得到时间步的低维流场特征；
S24：将步骤S23得到的地为特征进行数据融合，对U、V、P按权重拼接，得到时间步流场的U、V、P三个视图的融合特征；
S25：使用S24中得到的融合特征进行物理流场的关键时间步提取；
所述流场关键时间步提取与重构方法还包括：
S3：对多变量非定常流场进行时空信息重构；
S31：基于步骤S23获得的时间步的低维流场特征和步骤S25中提取的关键时间步流场，对时间步的非定常流场进行重构；
S32：对非关键时间步的流场进行空间维度恢复；
使用步骤S2中获得非关键时间步流场的低维特征，输入到步骤S22中训练得到的自编码器中的解码部分对低维特征进行解码，获得重构的高维流场；
所述步骤S3还包括：
S33：对非关键时间步的流场进行时间维度恢复，
使用S25中获取的关键时间步流场对非关键时间步流场进行重构，使用S25中提取的关键时间步流场k及k+j，对k到k+j中间的第k+i(i<j)个时间步流场进行重构，则第k+i个时间步长：
Figure FDA0004175438420000021
其中，fk表示第k个时间步流场，fk+j表示第k+j个时间步的流场，其中tk表示第k个时间步时获得流场数据。
2.如权利要求1所述的流场关键时间步提取与重构方法，其特征在于，所述步骤S25具体包括：
首先，对连续流场进行离散化；其次，计算流场任意两帧之间的互信息；最后，使用动态规划的方法进行关键时间步提取，得到指定数量的关键时间步流场。
3.如权利要求2所述的流场关键时间步提取与重构方法，其特征在于，使用动态规划的方法进行关键时间步提取是从各时间步中查找从第一帧流场一直到最后一帧流场的距离之和的最短路径，当距离之和最小时，则保留下来的流场为关键时间步的流场。
4.如权利要求1所述的流场关键时间步提取与重构方法，其特征在于，所述自编码器网络模型中，编码部分包括一个输入层、六个卷积层和两个全连接层，解码部分包括一个全连接层、一个重构层和六个反卷积层。
CN202110787112.6A 2021-07-13 2021-07-13 一种基于多变量融合的流场关键时间步提取与重构方法 Active CN113688578B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110787112.6A CN113688578B (zh) 2021-07-13 2021-07-13 一种基于多变量融合的流场关键时间步提取与重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110787112.6A CN113688578B (zh) 2021-07-13 2021-07-13 一种基于多变量融合的流场关键时间步提取与重构方法

Publications (2)

Publication Number Publication Date
CN113688578A CN113688578A (zh) 2021-11-23
CN113688578B true CN113688578B (zh) 2023-05-23

Family

ID=78576986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110787112.6A Active CN113688578B (zh) 2021-07-13 2021-07-13 一种基于多变量融合的流场关键时间步提取与重构方法

Country Status (1)

Country Link
CN (1) CN113688578B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107590353A (zh) * 2017-10-19 2018-01-16 郑州云海信息技术有限公司 大气紊流场模拟方法和采用knl处理器的服务器的集群
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

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2158765A1 (en) * 2007-06-04 2010-03-03 BAE Systems PLC Indexing and compression of results of computational fluid dynamics simulations
CN105808954A (zh) * 2016-03-11 2016-07-27 中国航天空气动力技术研究院 一种适用于cfd数值模拟的周期非定常流场的预测方法
CN106798557B (zh) * 2017-02-27 2020-05-15 上海理工大学 基于原子磁力传感的脑磁信息检测分析方法
CN110348059B (zh) * 2019-06-12 2021-03-12 西安交通大学 一种基于结构化网格的通道内流场重构方法
CN110826178B (zh) * 2019-09-29 2022-04-12 哈尔滨工程大学 一种基于精细流场重构的反应堆堆芯组件流域快速cfd计算方法
CN111177882B (zh) * 2019-12-05 2021-11-19 西安交通大学 一种基于深度迁移学习的piv流场恢复方法
CN111651930B (zh) * 2020-05-07 2022-10-18 中国空气动力研究与发展中心计算空气动力研究所 一种基于极限学习机的流场涡区域检测方法
CN111859746B (zh) * 2020-07-10 2022-12-09 西安交通大学 一种基于流场重构的透平机械变工况性能预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107590353A (zh) * 2017-10-19 2018-01-16 郑州云海信息技术有限公司 大气紊流场模拟方法和采用knl处理器的服务器的集群
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

Also Published As

Publication number Publication date
CN113688578A (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
Jagtap et al. Locally adaptive activation functions with slope recovery for deep and physics-informed neural networks
Sun et al. Cell mapping methods
Hachem et al. Immersed stress method for fluid–structure interaction using anisotropic mesh adaptation
CN113299354A (zh) 基于Transformer和增强交互型MPNN神经网络的小分子表示学习方法
Einkemmer A performance comparison of semi-Lagrangian discontinuous Galerkin and spline based Vlasov solvers in four dimensions
Guyaguler et al. Optimization of well placement
Shi et al. Star: Sparse transformer-based action recognition
Kang et al. Ensemble Kalman filter with principal component analysis assisted sampling for channelized reservoir characterization
Lucor et al. Physics-aware deep neural networks for surrogate modeling of turbulent natural convection
Materassi et al. Metriplectic framework for dissipative magneto-hydrodynamics
Drakoulas et al. FastSVD-ML–ROM: A reduced-order modeling framework based on machine learning for real-time applications
Vinuesa et al. Emerging trends in machine learning for computational fluid dynamics
Yu et al. Exploration of digital twin design mechanism of the deep in situ rock insulation coring device
CN113688578B (zh) 一种基于多变量融合的流场关键时间步提取与重构方法
Shan et al. Physics-informed machine learning for solving partial differential equations in porous media.
Wen et al. Multiphase flow prediction with deep neural networks
Martin et al. Adaptive mesh refinement for multiscale nonequilibrium physics
Parashar et al. Towards dynamic data-driven management of the ruby gulch waste repository
Momenifar et al. Emulating spatio-temporal realizations of three-dimensional isotropic turbulence via deep sequence learning models
Suresh Efficient microstructural design for additive manufacturing
Karvounis et al. Modeling of flow and transport in enhanced geothermal systems
Liu et al. Scientific Paper Classification Based on Graph Neural Network with Hypergraph Self-attention Mechanism
Fan et al. A Graph‐based One‐Shot Learning Method for Point Cloud Recognition
Wang et al. Data-driven multiscale topology optimization using multi-response latent variable Gaussian process
Sun et al. Proper orthogonal decomposition-based method for predicting flow and heat transfer of oil and water in reservoir

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