CN114282448A

CN114282448A - 流场信息获取方法、模型训练方法、装置及电子设备

Info

Publication number: CN114282448A
Application number: CN202111358627.0A
Authority: CN
Inventors: 郑筠陶; 向辉
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2021-11-16
Filing date: 2021-11-16
Publication date: 2022-04-05

Abstract

本申请公开了一种流场信息获取方法、模型训练方法、装置及电子设备，涉及计算机技术领域，尤其涉及深度学习等人工智能领域、自动驾驶领域及科学计算领域。具体实现方案为：确定流体力学的边界条件；获取当前时刻的流场信息；将边界条件和当前时刻的流场信息输入至预先训练的基于物理信息的神经网络PINN模型中，获得下一时刻流场信息；其中，PINN模型中所使用的非线性偏微分方程组是基于大涡模拟LES和雷诺平均纳维－斯托克斯方程RANS而得到的方程组。本申请可根据当前时刻流场信息对下一时刻流场信息进行准确、快速的预测。

Description

流场信息获取方法、模型训练方法、装置及电子设备

技术领域

本申请涉及计算机技术领域，尤其涉及深度学习等人工智能领域、自动驾驶领域及科学计算领域，特别涉及一种流场信息获取方法、模型训练方法、装置、电子设备和计算机可读存储介质。

背景技术

当代社会对传统工业如汽车、飞机需求越来越大。相关技术中，在解决流体力学问题时通常采用有限差分、有限体积或有限元等方法进行计算，比如对特定的控制方程(通常形式为偏微分方程)进行离散并使用直接数值方法求解。但是由于这种技术方法计算量大，且对计算精度要求较高，因此需要花费大量的计算时间及算力，通常需要使用超级计算机来进行计算，在消耗大量计算成本的同时，无法很好的满足对实时性有要求的应用场景，例如固定翼无人机飞行控制及无人车驾驶等。

发明内容

本申请提供了一种流场信息获取方法、模型训练方法、装置、电子设备以及存储介质。

根据本申请的第一方面，提供了一种流场信息获取方法，包括：确定流体力学的边界条件；获取当前时刻的流场信息；将所述边界条件和所述当前时刻的流场信息输入至预先训练的基于物理信息的神经网络PINN模型中，获得下一时刻流场信息；其中，所述PINN模型中所使用的非线性偏微分方程组是基于大涡模拟LES和雷诺平均纳维－斯托克斯方程RANS而得到的方程组。

根据本申请的第二方面，提供了一种基于物理信息的神经网络PINN模型的训练方法，所述PINN模型用于实现流场信息的计算，所述训练方法包括：基于大涡模拟LES和雷诺平均对纳维－斯托克斯方程RANS进行优化，得到所述PINN模型的非线性偏微分方程组；基于Navier－Stokes方程组，构建所述PINN模型的损失函数；将转换Transformer神经网络、所述非线性偏微分方程组和所述损失函数结合，得到所述PINN模型；采用格子波尔兹曼法计算二维不可压缩流体的流程，得到所述二维不可压缩流体在目标时间段内的速度数据；将所述速度数据作为训练数据，并根据所述训练数据对所述PINN模型进行训练。

根据本申请第三方面，提供一种流场信息获取装置，包括：第一处理模块，用于确定流体力学的边界条件；获取模块，用于获取当前时刻的流场信息；第二处理模块，用于将所述边界条件和所述当前时刻的流场信息输入至预先训练的PINN模型中，获得下一时刻流场信息；其中，所述PINN模型中所使用的非线性偏微分方程组是基于大涡模拟LES和雷诺平均纳维－斯托克斯方程RANS而得到的方程组。

根据本申请第四方面，提供一种基于物理信息的神经网络PINN模型的训练装置，所述PINN模型用于实现流场信息的计算，所述装置包括：优化模块，用于基于大涡模拟LES和雷诺平均对纳维－斯托克斯方程RANS进行优化，得到所述PINN模型的非线性偏微分方程组；构建模块，用于基于Navier－Stokes方程组，构建所述PINN模型的损失函数；第一获取模块，用于将转换Transformer神经网络、所述非线性偏微分方程组和所述损失函数结合，得到所述PINN模型；第二获取模块，用于采用格子波尔兹曼法计算二维不可压缩流体的流程，得到所述二维不可压缩流体在目标时间段内的速度数据；训练模块，用于将所述速度数据作为训练数据，并根据所述训练数据对所述PINN模型进行训练。

根据本申请第五方面，提供一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述第一方面或第二方面所述的方法。

根据本申请第六方面，提供一种存储有计算机指令的非瞬时计算机可读存储介质，用于存储有指令，所述指令用于使所述计算机执行前述第一方面或第二方面所述的方法。

根据本申请第七方面，提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现前述第一方面或第二方面所述的方法。

根据本申请的技术方案，可以提高流体力学控制方程的求解速度，进而能够加速流体力学计算过程，减少计算所需资源，从而可以在飞机飞行中攻角发生快速变化或无人机驾驶等对实时性要求较高的场景中进行应用，并可以加速飞机汽车等机械设计的速度。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请第一实施例的示意图；

图2是根据本申请第二实施例的示意图；

图3是根据本申请第三实施例的示意图；

图4是本申请实施例所提供的一种流场信息获取装置的结构示意图；

图5是本申请实施例所提供的另一种流场信息获取装置的结构示意图；

图6是本申请基于物理信息的神经网络PINN模型的训练装置的结构示意图；

图7是本申请实施例所提供的一种电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

请参见图1，图1为根据本申请第一实施例的示例图，如图1所示，本申请实施例的流场信息获取方法可以包括但不限于以下步骤。

步骤S101，确定流体力学的边界条件。

其中，在本申请实施例中，流体力学的边界条件是指需要求解的流体力学问题对应的非线性偏微分方程组的定解条件中的边界条件。非线性偏微分方程组的定解条件指使非线性偏微分方程组能够获得某一特定问题的解的附加条件，是能够对非线性偏微分方程组求解的前提；定解条件包括初始条件和边界条件；初始条件是指在非线性偏微分方程组中未知函数在初始时刻所需满足的条件，边界条件是指在运动边界上非线性偏微分方程组的解应该满足的条件。

举例而言，可以通过狄利克雷边界条件(Dirichlet boundary condition)指定需要求解的流体力学问题对应的非线性偏微分方程组的解在边界处的值；通过诺依曼边界条件(Neumannboundary condition)指定需要求解的流体力学问题对应的非线性偏微分方程组的解在边界处的微分，将上述条件作为需要求解的流体力学问题对应的非线性偏微分方程组的定解条件的一部分。

步骤S102，获取当前时刻的流场信息。

其中，在本申请实施例中，该流场信息可以包括但不限于流场中流体质点运动的速度矢量。

举例而言，可以通过多种测量装置，获取当前时刻流场内流体质点运动的速度。作为一种示例，测量装置可以为空速管。

又如，该当前时刻的流场信息还可以是利用上一时刻的流场信息和边界条件预测得到的。需要说明的是，若当前时刻为初始时刻，则当前时刻的流场信息可以为初始流场信息。

步骤S103，将边界条件和当前时刻的流场信息输入至预先训练的基于物理信息的神经网络PINN(Physics-informed Neural Networks)模型中，获得下一时刻流场信息。

其中，在本申请一些实施例中，PINN模型可以包括转换Transformer神经网络、非线性偏微分方程组和损失函数；非线性偏微分方程组指需要求解的流体力学问题对应的非线性偏微分方程组。

为解决流体力学问题，并根据数据分析物理现象，一般需要求解非线性偏微分方程组为纳维Navier-斯托克斯Stokes方程组，该方程组包含流体的动量守恒方程、质量守恒方程及能量守恒方程，并伴有关于密度、温度、压力及流体粘度的状态公式，在3D(3-dimension，三维)不稳定湍流中，Navier-Stokes方程组一般形式为：

连续型方程:

X-动量：

Y-动量：

Z-动量：

能量守恒方程：

其中，q为通量，p为压强，Re为雷诺系数，Pr为普朗特数，τ为压力，E为能量，T为温度，ρ为密度，u、v、w为速度。

由于湍流流场较为复杂，Navier-Stokes方程组中含有大量未知参数。为加快求解速度，本申请实施例可以基于大涡模拟(LES)及雷诺平均纳维－斯托克斯方程(RANS)将该方程组参数进行模型化，从而将该方程组进行优化得到本申请实施例中PINN模型中所使用的非线性偏微分方程组，表示如下：

连续性方程:

动量方程:

温度方程:

其中，p为压强，T为温度，κ为导热系数，ρ₀为初始温度下的密度，v为动力粘度，f为重力造成的体积力，

为梯度算子，t为时间；非线性偏微分方程组的方程解为w(x)。

在一种实现方式中，PINN模型通过以下步骤预先训练：采用格子波尔兹曼法计算二维不可压缩流体的流场，得到二维不可压缩流体在目标时间段内的速度数据；将速度数据作为训练数据，并根据训练数据对PINN模型进行训练。

在本申请的实施例中，PINN模型的训练方法可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。

通过实施本申请实施例，可以根据当前时刻流场信息对下一时刻流场信息进行快速预测，能够适用于流体力学计算实时性要求较高的应用场景，例如固定翼飞机在飞行中的由攻角变换造成的气流变换所需的实时控制。

请参见图2，图2为根据本申请第二实施例的示例图，本申请实施例可将当前时刻的流场信息作为PINN模型中非线性偏微分方程组求解的初始条件，对方程组进行求解，进而得到下一时刻流场信息。如图2所示，该流场信息获取方法可以包括但不限于以下步骤。

步骤S201，确定流体力学的边界条件。

在本申请的实施例中，步骤S201可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。

步骤S202，获取当前时刻的流场信息。

在本申请的实施例中，步骤S202可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。

步骤S203，将边界条件和当前时刻的流场信息输入至PINN模型中，获得Transformer神经网络的输出结果。

举例而言，可以通过Transformer神经网络逼近非线性偏微分方程组的解。

步骤S204，根据输出结果和非线性偏微分方程组，获得偏微分方程残差和初边值残差约束。

举例而言，可以根据Transformer神经网络的输出结果与非线性偏微分方程组，获得偏微分方程组实际值与输出结果之间的差值，及初边值的实际值与输出结果之间的差值，将上述差值作为残差约束。

步骤S205，采用损失函数，根据偏微分方程组残差和初边值残差约束作计算损失值。

其中，在本申请一些实施例中，该损失函数可以定义为加权求和的范数方程和边界条件的残差，由Navier-Stokes方程组、边界条件及计算流体动力学数据加权组成。

作为一种示例，损失函数可表示如下：

其中，NN为神经网络(Neural Network)，u、v、w为流体在t时刻在点(x、y)处的速度分量，f为重力造成的体积力。

举例而言，得到偏微分方程组残差和初边值残差约束后，将偏微分方程组残差和初边值残差约束作为正则项加入损失函数中，从而计算得到损失值。

步骤S206，根据损失值获得偏微分方程组物理参数，并根据偏微分方程物理参数和非线性偏微分方程组，获得下一时刻流场信息。

通过实施本申请实施例，可以根据边界条件和当前时刻的流场信息，快速计算得到下一时刻流场信息，减少了流体力学计算所需时间。

请参见图3，图3为根据本申请第三实施例的示例图，该实施例可对用于实现流场信息计算的PINN模型进行训练，如图3所示，本申请实施例的PINN模型的训练方法可以包括但不限于以下步骤。

步骤S301，基于大涡模拟LES和雷诺平均对纳维－斯托克斯方程组RANS进行优化，得到PINN模型的非线性偏微分方程组。

在本申请的实施例中，步骤S301可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。

步骤S302，基于Navier－Stokes方程组，构建PINN模型的损失函数。

在本申请的实施例中，步骤S302可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。

步骤S303，将转换Transformer神经网络、非线性偏微分方程组和损失函数结合，得到PINN模型。

步骤S304，采用格子波尔兹曼法计算二维不可压缩流体的流程，得到二维不可压缩流体在目标时间段内的速度数据。

举例而言，可以通过格子波尔兹曼法计算二维不可压缩流体的流程，得到二维不可压缩流体在一段连续时间的速度数据。作为一种示例，可以通过计算得到二维不可压缩流体在一个连续时间段t₁～t₁₀₀内的速度数据，其中该速度数据包含二维平面上两个方向的速度矢量。

步骤S305，将速度数据作为训练数据，并根据训练数据对PINN模型进行训练。

举例而言，可以将t₁～t₁₀时间段内的速度数据作为输入数据，将通过PINN模型得到的下一时段速度数据与t₁₁～t₁₀₀时间段内的速度数据进行比较，并使用基于梯度的优化器最小化损失函数，以对PINN模型进行训练。作为一种示例，优化器可以是Adam(AdaptiveMoment Estimation，自适应矩估计)优化器、L-BFGS(Limited-memory BFGS，有限内存拟牛顿)优化器等。

通过实施本申请实施例，可以对PINN模型进行训练，以使该模型能够用于实现流场信息的快速计算，从而加快流体力学计算速度。

请参见图4，图4为本申请实施例提供的一种流场信息获取装置的结构示意图，图4所示的装置可以包括第一处理模块401，获取模块402，第二处理模块403。

在本申请实施例中，第一处理模块401，用于确定流体力学的边界条件；获取模块402，用于获取当前时刻的流场信息；第二处理模块403，用于将边界条件和当前时刻的流场信息输入至预先训练的PINN模型中，获得下一时刻流场信息；其中，PINN模型中所使用的非线性偏微分方程组是基于大涡模拟LES和雷诺平均纳维－斯托克斯方程RANS而得到的方程组。

在一种实现方式中，PINN模型包括转换Transformer神经网络和非线性偏微分方程组和损失函数；第二处理模块403具体用于：将边界条件和当前时刻的流场信息输入至PINN模型中，获得Transformer神经网络的输出结果；根据输出结果和非线性偏微分方程组，获得偏微分方程组残差和初边值残差约束；采用损失函数，根据偏微分方程组残差和初边值残差约束作计算损失值；根据损失值获得偏微分方程组物理参数，并根据偏微分方程物理参数和非线性偏微分方程组，获得下一时刻流场信息。

在一种可选地实现方式中，损失函数定义为加权求和的范数方程和边界条件的残差，由Navier-Stokes方程组、边界条件及计算流体动力学数据加权组成。

可选地，非线性偏微分方程组的公式表示如下：

连续性方程:

动量方程:

温度方程:

其中，p为压力，T为温度，κ为导热系数，ρ₀为初始温度下的密度，v为动力粘度，f为重力造成的体积力，

在一种实现方式中，该流场信息获取装置还包括，预训练模块；作为一种示例，如图5所示，该流场信息获取装置还包括预训练模块504。预训练模块504用于：采用格子波尔兹曼法计算二维不可压缩流体的流场，得到所述二维不可压缩流体在目标时间段内的速度数据；将所述速度数据作为训练数据，并根据所述训练数据对所述PINN模型进行训练。其中，图5中501-503和图4中401-403具有相同功能和结构。

请参见图6，图6为本申请实施例提供的一种PINN模型的训练装置的结构示意图，PINN模型用于实现流场信息的计算，该装置包括：优化模块601，构建模块602，第一获取模块603，第二获取模块604，训练模块605。

在本申请的实施例中，优化模块601，用于基于大涡模拟LES和雷诺平均对纳维－斯托克斯方程RANS进行优化，得到PINN模型的非线性偏微分方程组；构建模块602，用于基于Navier－Stokes方程组，构建PINN模型的损失函数；603，用于将转换Transformer神经网络、非线性偏微分方程组和损失函数结合，得到PINN模型；604，用于采用格子波尔兹曼法计算二维不可压缩流体的流程，得到二维不可压缩流体在目标时间段内的速度数据；训练模块605，用于将速度数据作为训练数据，并根据训练数据对PINN模型进行训练。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

如图7所示，是根据本申请实施例提供的电子设备的框图。该电子设备可用于实现上述方法实施例中描述的方法，具体可以参见上述方法实施例中的说明。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。

存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的流场信息获取方法或PINN模型的训练方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的流场信息获取方法或PINN模型的训练方法。

存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的流场信息获取方法或模型训练方法对应的程序指令/模块。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的流场信息获取方法或模型训练方法。

存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据流场信息获取方法或PINN模型的训练方法的电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至流场信息获取方法或模型训练方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

流场信息获取方法或模型训练方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。

输入装置703可接收输入的数字或字符信息，以及产生与流场信息获取方法或PINN模型的训练方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

根据本申请实施例的技术方案，解决了相关技术中，流体力学计算量大，且计算精度要求较高，不能满足实时性较高的应用场景的问题。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims

1.一种流场信息获取方法，包括：

确定流体力学的边界条件；

获取当前时刻的流场信息；

将所述边界条件和所述当前时刻的流场信息输入至预先训练的基于物理信息的神经网络PINN模型中，获得下一时刻流场信息；

其中，所述PINN模型中所使用的非线性偏微分方程组是基于大涡模拟LES和雷诺平均纳维－斯托克斯方程RANS而得到的方程组。

2.根据权利要求1所述的方法，其中，所述PINN模型包括转换Transformer神经网络和非线性偏微分方程组和损失函数；所述将所述边界条件和所述当前时刻的流场信息输入至预先训练的基于物理信息的神经网络PINN模型中，获得下一时刻流场信息，包括：

将所述边界条件和所述当前时刻的流场信息输入至所述PINN模型中，获得所述Transformer神经网络的输出结果；

根据所述输出结果和所述非线性偏微分方程组，获得偏微分方程组残差和初边值残差约束；

采用所述损失函数，根据所述偏微分方程组残差和初边值残差约束作计算损失值；

根据所述损失值获得偏微分方程组物理参数，并根据所述偏微分方程组物理参数和所述非线性偏微分方程组，获得下一时刻流场信息。

3.根据权利要求2所述的方法，其中，所述损失函数定义为加权求和的范数方程和所述边界条件的残差，由纳维Navier-斯托克斯Stokes方程组、所述边界条件及计算流体动力学数据加权组成。

4.根据权利要求1所述的方法，其中，所述非线性偏微分方程组的公式表示如下：

连续性方程:

动量方程:

温度方程:

5.根据权利要求1所述的方法，其中，所述PINN模型通过以下步骤预先训练：

采用格子波尔兹曼法计算二维不可压缩流体的流场，得到所述二维不可压缩流体在目标时间段内的速度数据；

将所述速度数据作为训练数据，并根据所述训练数据对所述PINN模型进行训练。

6.一种基于物理信息的神经网络PINN模型的训练方法，所述PINN模型用于实现流场信息的计算，所述训练方法包括：

基于大涡模拟LES和雷诺平均对纳维－斯托克斯方程RANS进行优化，得到所述PINN模型的非线性偏微分方程组；

基于Navier－Stokes方程组，构建所述PINN模型的损失函数；

将转换Transformer神经网络、所述非线性偏微分方程组和所述损失函数结合，得到所述PINN模型；

采用格子波尔兹曼法计算二维不可压缩流体的流程，得到所述二维不可压缩流体在目标时间段内的速度数据；

7.一种流场信息获取装置，包括：

第一处理模块，用于确定流体力学的边界条件；

获取模块，用于获取当前时刻的流场信息；

第二处理模块，用于将所述边界条件和所述当前时刻的流场信息输入至预先训练的PINN模型中，获得下一时刻流场信息；

8.根据权利要求7所述的装置，其中，所述PINN模型包括转换Transformer神经网络和非线性偏微分方程组和损失函数；所述第二处理模块具体用于：

9.根据权利要求8所述的装置，其中所述损失函数定义为加权求和的范数方程和所述边界条件的残差，由纳维Navier-斯托克斯Stokes方程、所述边界条件及计算流体动力学数据加权组成。

10.根据权利要求7所述的装置，其中，所述非线性偏微分方程组的公式表示如下：

连续性方程:

动量方程:

温度方程:

11.根据权利要求7所述的装置，还包括：

预训练模块，用于预先训练所述PINN模型；其中，所述预训练模块具体用于：

12.一种基于物理信息的神经网络PINN模型的训练装置，所述PINN模型用于实现流场信息的计算，所述装置包括：

优化模块，用于基于大涡模拟LES和雷诺平均对纳维－斯托克斯方程RANS进行优化，得到所述PINN模型的非线性偏微分方程组；

构建模块，用于基于Navier－Stokes方程，构建所述PINN模型的损失函数；

第一获取模块，用于将转换Transformer神经网络、所述非线性偏微分方程组和所述损失函数结合，得到所述PINN模型；

第二获取模块，用于采用格子波尔兹曼法计算二维不可压缩流体的流程，得到所述二维不可压缩流体在目标时间段内的速度数据；

训练模块，用于将所述速度数据作为训练数据，并根据所述训练数据对所述PINN模型进行训练。

13.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法，或者，执行权利要求6所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，用于存储有指令，所述指令用于使所述计算机执行权利要求1-5中任一项所述的方法，或者，执行权利要求6所述的方法。

15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现权利要求1-5中任一项所述的方法的步骤，或者，实现权利要求6所述的方法的步骤。