CN114329319B - 一种基于物理神经网络的流热固耦合计算方法 - Google Patents
一种基于物理神经网络的流热固耦合计算方法 Download PDFInfo
- Publication number
- CN114329319B CN114329319B CN202111619101.3A CN202111619101A CN114329319B CN 114329319 B CN114329319 B CN 114329319B CN 202111619101 A CN202111619101 A CN 202111619101A CN 114329319 B CN114329319 B CN 114329319B
- Authority
- CN
- China
- Prior art keywords
- field
- equation
- domain
- training
- physical
- 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
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 106
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 80
- 230000008878 coupling Effects 0.000 title claims abstract description 58
- 238000010168 coupling process Methods 0.000 title claims abstract description 58
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 58
- 229920001187 thermosetting polymer Polymers 0.000 title claims abstract description 29
- 239000007787 solid Substances 0.000 claims abstract description 114
- 238000005070 sampling Methods 0.000 claims abstract description 98
- 239000012530 fluid Substances 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 106
- 238000006073 displacement reaction Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 23
- 230000004907 flux Effects 0.000 claims description 13
- 238000005192 partition Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011438 discrete method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于物理神经网络的流热固耦合计算方法，涉及流热固耦合力学应用技术领域，解决现有方法需要耗费大量时间和计算资源，以及对于流热固耦合等复杂耦合问题中仍未有解决方法等问题，该方法包括两种不同的方法实现，一为流体域与固体域分开建立神经网络，采用交界面的连续性条件进行耦合计算的方案，称为分区耦合计算方法；二为对流体域与固体域建立一套神经网络进行求解的整场计算方案，称为整场耦合计算方法。本发明不需要对控制方程进行离散，用空间采样代替了网格划分进行了空间的离散，并且能够实现流体力学、传热学、弹性力学的双向耦合计算。这有利于得到更为准确的固体域和流体域的物理场信息。
Description
技术领域
本发明涉及一种基于物理神经网络的流热固耦合计算方法。
背景技术
流热固耦合力学涉及流体力学、传热学、弹性力学多个学科。处在流场的固体会与流体间产生相互对流换热，影响固体的温度场，温度场的不均匀性引起固体结构的变形，反过来又影响的流场。流热固多场耦合问题的重要特征是流场、温度场、变形场彼此间相互作用，从而在对物理场准确求解时产生影响。在耦合作用不强烈的简单系统中，采用物理场分开求解的方法能简化计算，并保证一定程度的计算准确度。然而，在换热复杂或结构变形强烈影响流场的情况下，分开求解方法不再适用，进行流热固耦合计算以得到较为准确的多个物理场，对于结构分析和设计来说都是十分必要的。
解决流热固耦合的传统方法是数值计算的方法，求解过程需要对问题建立数学描述，将描述问题的偏微分方程离散为线性方程，将计算几何域离散为网格，再通过迭代的方法计算收敛。离散方法包括有限元法、有限体积法、有限差分法等。在计算流场和温度场(流热耦合)时，往往采用有限体积法，对流体域和固体域分别划分网格，根据流体固体交界面处的温度连续性、热流连续性条件进行迭代求解，得到流动场和固体温度场。变形场的求解往往采用有限元法，需要对固体域重新划分网格；在变形不强烈影响流场时，可仅考虑温度场及压力场对变形场的单向影响作用，进行一次计算，而在变形强烈影响流场时，则需要在交界面出设置移动网格，模拟固体发生的位移对流场产生影响，此时的求解将变得十分复杂和困难。现有的计算流体力学软件FLUENT、CFX等已经能够进行流热双向耦合计算，现有结构力学计算软件如ANSYS Mechanical等能够根据固体温度场单向耦合计算固体变形场，而考虑固体变形对于流场及温度场影响的双向耦合计算方法仍然是难点。传统数值模拟方法在对空间离散时需要进行大量划分网格的工作，网格的质量强烈影响计算结果的收敛性，网格质量需要技术人员反复调整和试验，往往需要耗费大量时间和计算资源。
求解流热固耦合问题本质是要求解带有定解条件的流体力学方程(N-S方程组)、导热偏微分方程、弹性力学偏微分方程组。论文[Raissi M.物理神经网络：一种求解偏微分方程正反问题的深度学习框架[J].计算物理学报，2019]([Raissi M.Physics-informedneural networks:A deep learning framework for solving forward and inverseproblems involving nonlinear partial differential equations[J].JournalofComputational Physics,2019])，最早提出了物理神经网络(PINNs),使用物理方程约束全连接神经网络的训练，在求解偏微分方程中取得了良好的效果。
物理神经网络的提出使得偏微分方程的求解无需进行方程离散，在空间离散是只需要在计算域内随机采样，而无需进行复杂的网格划分和优化工作，是一种能够替代传统数值模拟方法的可行性方案。物理神经网络在求解流体力学、固体力学、传热学、电磁学等问题方面已经有了一些成功的应用，但在解决流热固耦合等复杂耦合问题中仍然缺少通用方法的支持。
发明内容
本发明为解决现有方法需要耗费大量时间和计算资源，以及对于流热固耦合等复杂耦合问题中仍未有解决方法等问题，提供一种基于物理神经网络的流热固耦合计算方法。
一种基于物理神经网络的流热固耦合计算方法，该方法通过训练点采样模块、N-S方程组求解模块、导热方程求解模块、弹性力学方程组求解模块以及判断计算收敛模块进行分区耦合计算实现，具体过程如下：
步骤一、采用训练点采样模块计算流体域、固体域及边界上采样；
设定计算几何模型文件作为训练点采样模块的输入，在固体域、流体域、边界面上随机采样，模块的输出为固体域训练采样点坐标、流体域训练采样点坐标，边界面上训练采样点的坐标以及边界面上训练采样点的外法线向量；
步骤二、采用N-S方程组求解模块进行流体域的N-S方程求解，获得流体域计算结果；
设定N-S方程组的定解条件和步骤一输出的流体域训练采样点、边界面上训练采样点以及边界面上训练采样点的外法线向量作为所述N-S方程组求解模块的输入，N-S方程组求解模块的输出为流体域的压力场、速度场、密度场、温度场及其对应物理场的各阶偏导数场；
步骤三、采用导热方程求解模块进行固体域的导热微分方程求解，获得固体域温度计算结果；
根据步骤二流体域计算的结果，获得流体域与固体域交界面上的温度场，并将所述温度值作为求解固体导热方程的定解条件，将所述固体导热方程的定解条件、步骤一输出的固体域训练采样点、边界面上训练采样点及边界面上训练采样点的外法线向量作为导热方程求解模块的输入，该模块输出固体域温度场以及固体域温度场的各阶偏导数场；
步骤四、采用判断计算收敛模块进行流热耦合迭代计算；
将步骤三获得的固体域与流体域在交界面上的温度场的一阶偏导数场作为流体域与固体域交界面上新的热流密度场，对所述新的热流密度场与步骤二中所述定解条件中的流体域与固体域交界面上的热流密度场进行比较，计算相对误差，并采用判断计算收敛模块判断流热耦合计算是否收敛，如果是，该模块输出流体域压力场、速度场、密度场、温度场及其对应物理场的各阶偏导数场，固体域温度场以及固体域温度场的各阶偏导数场；如果否，更新步骤二中的定解条件中的流体域与固域交界面上的热流密度场，返回步骤二；
步骤五、弹性力学方程组求解模块根据步骤四得到的固体温度场以及根据步骤四流体域计算结果获取的流体域压力场，确定弹性力学方程组的定解条件；将所述弹性力学方程组的定解条件、步骤一输出的固体域训练采样点、边界面上训练采样点及边界面上训练采样点外法线向量作为输入，该模块的输出为固体域应力场、应变场、位移场以及对应物理场的各阶偏导数场；
步骤六、采用判断计算收敛模块进行流热固双向耦合求解；
采用判断计算收敛模块判断步骤五中的固体域的位移场与零的相对误差是否小于0.001，如果是，则判断计算收敛，并输出N-S方程组求解模块中的物理场预测网络、导热方程求解模块中的物理场预测网络以及弹性力学方程组求解模块中的物理场预测网络，输出步骤四中的流体域的压力场、速度场、密度场、温度场及其对应物理场的各阶偏导数场，固体域温度场及温度场各阶偏导数场，步骤五中的固体应力场、应变场、位移场以及对应物理场的各阶偏导数场；如果否，则计算不收敛，根据步骤五得到的固体域位移场，重新确定流体域和固体域的计算边界，更新几何模型文件信息，返回步骤一。
本发明所述的另一种基于物理神经网络的流热固耦合计算方法，该方法通过训练点采样模块，N-S方程组、导热微分方程、弹性力学方程组共同求解模块，判断计算收敛模块，实现整场耦合计算方法；具体过程如下：
步骤A、采用训练点采样模块在计算流体域、固体域及边界上采样；
设定计算几何模型文件作为训练点采样模块的输入，在固体域、流体域、边界面上随机采样，模块的输出为固体域内训练采样点坐标、流体域内训练采样点坐标，边界面上训练采样点的坐标以及边界面上训练采样点的外法线向量；
步骤B、N-S方程组、导热微分方程和弹性力学方程组共同求解；
采用N-S方程组、导热微分方程和弹性力学方程组共同求解模块，输入方程组的定解条件及其对应训练采样点，边界采样点的法向量，训练神经网络n次后，输出为固体域的温度场、应力场、应变场、位移场以及对应物理场的各阶偏导数场，流体域的压力场、速度场、密度场、温度场以及相应物理场的各阶偏导数场；
步骤C、采用判断计算收敛模块进行流热固双向耦合求解；
采用判断计算收敛模块判断步骤B中的固体域的位移场与零的相对误差是否小于0.001，判断神经网络的损失函数是否小于0.001，相对误差小于0.001且损失函数小于0.001时，则判断计算收敛，输出共同求解模块中的物理场预测层神经网络，该神经网络即为所有物理场的拟合函数，输出步骤四中的固体域的温度场、应力场、应变场、位移场以及对应物理场的各阶偏导数场，流体域的压力场、速度场、密度场、温度场以及相应物理场的各阶偏导数场；
如果否，根据步骤B中得到的固体域位移场，重新确定流体域和固体域的计算边界，返回步骤A。
本发明的有益效果：
现有的流热固耦合计算方法依赖于数值计算方法，在计算时需要在不同计算软件间进行切换和数据传递，并且难以实现流体力学、传热学、弹性力学的双向耦合计算。本发明所述的流热固耦合计算方法，不需要对控制方程进行离散，用空间采样代替了网格划分进行了空间的离散，并且能够实现流体力学、传热学、弹性力学的双向耦合计算。这有利于得到更为准确的固体域和流体域的物理场信息。
附图说明
图1为本发明所述的一种基于物理神经网络的流热固耦合计算方法中分区耦合计算方法的流程图；
图2为N-S方程组求解模块的原理图；
图3为导热方程求解模块原理图；
图4为弹性力学方程组求解模块原理图；
图5为本发明所述的一种基于物理神经网络的流热固耦合计算方法中整场耦合计算方法的流程图；
图6为N-S方程组、导热微分方程、弹性力学方程组共同求解模块的原理图。
具体实施方式
具体实施方式一、结合图1至图4说明本实施方式，一种基于物理神经网络的流热固耦合计算方法，即使用物理神经网络耦合求解带定解条件的N-S方程，导热方程，弹性力学方程的方法，通过将流体域与固体域分开建立神经网络，采用交界面的连续性条件进行耦合计算，简称分区耦合计算方法。
该方法通过训练点采样模块、N-S方程组求解模块、导热方程求解模块、弹性力学方程组求解模块以及判断计算收敛模块进行分区耦合计算实现，具体步骤如下：
一、训练点采样模块；
设定计算几何模型文件作为训练点采样模块的输入，通过能够进行几何解析的商用软件(MeshLab,open3D，ICEM等)在固体域、流体域、边界面上随机采样，模块的输出为固体域内采样点坐标、流体域内采样点坐标，边界面上采样点的坐标以及边界面上采样点的外法线向量。
二、N-S方程组求解模块；
N-S方程组求解模块的输入为S方程组的定解条件和步骤一流体域训练采样点、边界面上训练采样点以及边界训练采样点的外法线向量，所述N-S方程组求解模块据此搭建一个N-S方程组约束的物理神经网络进行N-S方程组的计算求解；如图2所示：该物理神经网络包括了物理场预测层，偏导数计算层，方程及定解条件约束层；将N-S方程组和定解条件中的非零项均移到方程左端，使得方程右端项为零，方程及定解条件约束层为N-S方程组和定解条件中的左端项；训练采样点的训练标签为零；物理神经网络的损失函数为方程及定解条件约束层的预测值的均方误差之和；使用训练采样点训练物理神经网络，使得损失函数小于0.001(给定的小的常数)，则所述物理神经网络训练完成；使用训练好的物理神经网络的物理场预测层预测流体域的压力场、速度场、密度场、温度场，使用偏导数计算层预测流体域的压力场、速度场、密度场、温度场的各阶偏导数场，并将所有预测结果输出。图中，(x,y,z,t)代表空间时间坐标；(U,V,W,p,T,ρ)分别代表x方向速度,y方向速度,z方向速度,压力,温度,密度；代表边界采样点的法线向量。
三、导热方程求解模块；
根据步骤二流体域计算的结果，获得流体域与固体域交界面上的温度场，并将所述温度值作为求解固体导热方程的定解条件，所述导热方程求解模块的输入为导热方程的定解条件和固体域训练采样点、边界面上训练采样点以及边界训练采样点的外法线向量，导热方程求解模块据此搭建一个导热方程约束的物理神经网络进行导热方程的计算求解；该物理神经网络包括了物理场预测层，偏导数计算层，方程及定解条件约束层；方程及定解条件约束层根据导热方程和其定解条件确定；将导热方程和定解条件中的非零项均移到方程左端，使得方程右端项为零，方程及定解条件约束层为导热方程和定解条件中的左端项；训练采样点的训练标签为零；物理神经网络的损失函数为方程及定解条件约束层预测值的均方误差之和；使用训练采样点训练物理神经网络，使得损失函数小于0.0001，则所述物理神经网络训练完成；物理神经网络训练完成后，使用物理神经网络的物理场预测层和偏导数计算层预测固体域的温度场和其各阶偏导数场，模块的输出为固体域温度场和其各阶偏导数场数据。如图3所示。
四、判断计算收敛模块进行流热耦合迭代计算；该模块的输入为上一次迭代的物理场及新一次迭代得到的物理场或期望得到的目标场，通过计算两次迭代中物理场间的相对误差是否小于给定值或计算物理场和期望得到的目标场的相对误差是否小于给定值(一般为一个接近于0的正数)，输出计算是否收敛的结论。当计算不收敛时，更新并输出物理场信息和几何模型文件信息；计算收敛时，输出计算收敛得到的物理场及其偏导数场数据信息。具体为：
将步骤三获得的固体域与流体域在交界面上的温度场的一阶偏导数场作为流体域与固体域交界面上新的热流密度场，对所述新的热流密度场与步骤二中所述定解条件中的流体域与固体域交界面上的热流密度场进行比较，计算相对误差，并采用判断计算收敛模块判断流热耦合计算是否收敛，如果是，该模块输出流体域压力场(包含了流体域内部、边界以及与固体域的交界面的压力场)、速度场、密度场、温度场及其对应物理场的各阶偏导数场，固体域温度场以及固体域温度场的各阶偏导数场；如果否，更新步骤二中的定解条件中的流体域与固域交界面上的热流密度场，返回步骤二；
五、弹性力学方程组求解模块；根据步骤四得到的固体温度场以及流体域与固体域交界面上的压力场，确定弹性力学方程组的定解条件。
该求解模块的输入为弹性力学方程组的定解条件、训练采样点、边界采样点的外法线向量，输出为固体域的应力场、应变场、位移场，及这些物理场的各阶偏导数场。
所述弹性力学方程组求解模块是一个以弹性力学方程组约束的物理神经网络，该物理神经网络包括了物理场预测层，偏导数计算层，方程及定解条件约束层。神经网络的训练采样点来源于固体域的内部和边界，训练采样点的标签取决于弹性力学方程组和方程定解条件。将弹性力学方程组和定解条件中的非零项均移到方程左端，使得方程右端项为零，方程及定解条件约束层为弹性力学方程组和定解条件中的左端项；训练采样点的训练标签为零；物理神经网络的损失函数为方程及定解条件约束层的预测值的均方误差之和；使用训练采样点训练物理神经网络，使得损失函数小于0.001，所述物理神经网络训练完成；物理神经网络训练完成后，使用物理神经网络的物理场预测层和偏导数计算层预测固体域的应力场、应变场、位移场及各物理场的各阶偏导数场，模块的输出为固体域的应力场、应变场、位移场及各物理场的各阶偏导数场。如图4所示，ui代表3个位移分量；εij代表6个应变分量；σij代表6个应力分量。
六、采用判断计算收敛模块进行流热固双向耦合求解；
采用判断计算收敛模块判断步骤五中的固体域的位移场与零的相对误差是否小于0.001，如果是，则判断计算收敛，并输出N-S方程组求解模块中的物理场预测网络、导热方程求解模块中的物理场预测网络以及弹性力学方程组求解模块中的物理场预测网络，输出步骤四中的流体域的压力场、速度场、密度场、温度场及其对应物理场的各阶偏导数场，固体域温度场及温度场各阶偏导数场，步骤五中的固体应力场、应变场、位移场以及对应物理场的各阶偏导数场；如果否，则计算不收敛，根据步骤五得到的固体域位移场，重新确定流体域和固体域的计算边界，更新几何模型文件信息，返回步骤一。
具体实施方式二、结合图5和图6说明本实施方式，一种基于物理神经网络的流热固耦合计算方法，该方法对流体域与固体域建立一套神经网络进行求解的整场计算方案，称整场耦合计算方法；具体步骤如下：
A、所述训练点采样模块；设定计算几何模型文件作为训练点采样模块的输入，通过能够进行几何解析的商用软件(MeshLab,open3D，ICEM等)在固体域、流体域、边界面上随机采样，模块的输出为固体域内采样点坐标、流体域内采样点坐标，边界面上采样点的坐标以及边界面上采样点的外法线向量。
B、N-S方程组、导热方程、弹性力学方程组共同求解模块。
N-S方程组、导热方程、弹性力学方程组共同求解模块的输入为N-S方程组、导热方程、弹性力学方程组的定解条件和流体域训练采样点、边界面上训练采样点以及边界训练采样点的外法向量，N-S方程组、导热方程、弹性力学方程组共同求解模块据此搭建一个N-S方程组、导热方程、弹性力学方程组共同约束的物理神经网络进行弹性力学方程组的计算求解；将N-S方程组、导热微分方程和弹性力学方程组和定解条件中的非零项均移到方程左端，使得方程右端项为零，方程及定解条件约束层为N-S方程组、导热微分方程和弹性力学方程组和定解条件中的左端项；训练采样点的训练标签为零；该物理神经网络包括了物理场预测层，偏导数计算层，方程及定解条件约束层；方程及定解条件约束层根据弹性力学方程组和其定解条件确定；物理神经网络的损失函数为方程及定解条件约束层预测值的均方误差之和；使用训练采样点训练物理神经网络，使得损失函数小于0.001，则所述物理神经网络训练完成；物理神经网络训练完成后，使用物理神经网络的物理场预测层和偏导数计算层预测流体域的压力场、速度场、密度场、温度场及各物理场的各阶偏导数场，固体域的温度场、应力场、应变场、位移场及各物理场的各阶偏导数场，模块的输出为流体域的压力场、速度场、密度场、温度场及各物理场的各阶偏导数场数据，固体域的温度场、应力场、应变场、位移场及各物理场的各阶偏导数场数据。
C、采用判断计算收敛模块进行流热固双向耦合求解；该模块的输入为上一次迭代的物理场及新一次迭代得到的物理场或期望得到的目标场，通过计算两次迭代中物理场间的相对误差是否小于给定值或计算物理场和期望得到的目标场的相对误差是否小于给定值(一般为一个接近于0的正数)，输出计算是否收敛的结论。当计算不收敛时，更新并输出物理场信息和几何模型文件信息；计算收敛时，停止神经网络训练，输出计算收敛得到的物理场及其偏导数场数据信息。具体为：
采用判断计算收敛模块判断步骤B中的固体域的位移场与零的相对误差是否小于0.001，判断神经网络的损失函数是否小于0.001，相对误差小于0.001且损失函数小于0.001时，则判断计算收敛，输出共同求解模块中的物理场预测层神经网络，该神经网络即为所有物理场的拟合函数，输出步骤四中的固体域的温度场、应力场、应变场、位移场以及对应物理场的各阶偏导数场，流体域的压力场、速度场、密度场、温度场以及相应物理场的各阶偏导数场；
如果否，根据步骤B中得到的固体域位移场，重新确定流体域和固体域的计算边界，返回步骤A。
通过本发明，可无需进行方程离散及空间网格划分优化，通过神经网络的采样和训练求解流热固耦合计算问题。
本实施方式未详细阐述部分属于本领域公知技术。
以上所述，仅为本发明部分具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于物理神经网络的流热固耦合计算方法，其特征是：该方法通过训练点采样模块、N-S方程组求解模块、导热方程求解模块、弹性力学方程组求解模块以及判断计算收敛模块进行分区耦合计算实现，具体过程如下：
步骤一、采用训练点采样模块计算流体域、固体域及边界上采样；
设定计算几何模型文件作为训练点采样模块的输入，在固体域、流体域、边界面上随机采样，模块的输出为固体域训练采样点坐标、流体域训练采样点坐标，边界面上训练采样点的坐标以及边界面上训练采样点的外法线向量；
步骤二、采用N-S方程组求解模块进行流体域的N-S方程求解，获得流体域计算结果；
设定N-S方程组的定解条件和步骤一输出的流体域训练采样点、边界面上训练采样点以及边界面上训练采样点的外法线向量作为所述N-S方程组求解模块的输入，N-S方程组求解模块的输出为流体域的压力场、速度场、密度场、温度场及其对应物理场的各阶偏导数场；
步骤三、采用导热方程求解模块进行固体域的导热微分方程求解，获得固体域温度计算结果；
根据步骤二流体域计算的结果，获得流体域与固体域交界面上的温度场，并将所述温度值作为求解固体导热方程的定解条件，将所述固体导热方程的定解条件、步骤一输出的固体域训练采样点、边界面上训练采样点及边界面上训练采样点的外法线向量作为导热方程求解模块的输入，该模块输出固体域温度场以及固体域温度场的各阶偏导数场；
步骤四、采用判断计算收敛模块进行流热耦合迭代计算；
将步骤三获得的固体域与流体域在交界面上的温度场的一阶偏导数场作为流体域与固体域交界面上新的热流密度场，对所述新的热流密度场与步骤二中所述定解条件中的流体域与固体域交界面上的热流密度场进行比较，计算相对误差，并采用判断计算收敛模块判断流热耦合计算是否收敛，如果是，该模块输出流体域的压力场、速度场、密度场、温度场及其对应物理场的各阶偏导数场，固体域温度场以及固体域温度场的各阶偏导数场；如果否，更新步骤二中的定解条件中的流体域与固体域交界面上的热流密度场，返回步骤二；
判断收敛的条件为：当相对误差小于1%时，判断为收敛；反之，则判断为不收敛；
步骤五、弹性力学方程组求解模块根据步骤四得到的固体温度场以及根据步骤四流体域计算结果获取的流体域压力场，确定弹性力学方程组的定解条件；将所述弹性力学方程组的定解条件、步骤一输出的固体域训练采样点、边界面上训练采样点及边界面上训练采样点外法线向量作为输入，该模块的输出为固体域应力场、应变场、位移场以及对应物理场的各阶偏导数场；
步骤六、采用判断计算收敛模块进行流热固双向耦合求解；
采用判断计算收敛模块判断步骤五中的固体域的位移场与零的相对误差是否小于0.001，如果是，则判断计算收敛，并输出N-S方程组求解模块中的物理场预测网络、导热方程求解模块中的物理场预测网络以及弹性力学方程组求解模块中的物理场预测网络，输出步骤四中的流体域的压力场、速度场、密度场、温度场及其对应物理场的各阶偏导数场，固体域温度场及温度场各阶偏导数场，步骤五中的固体应力场、应变场、位移场以及对应物理场的各阶偏导数场；如果否，则计算不收敛，根据步骤五得到的固体域位移场，重新确定流体域和固体域的计算边界，更新几何模型文件信息，返回步骤一。
2.根据权利要求1所述的一种基于物理神经网络的流热固耦合计算方法，其特征在于：
所述N-S方程组求解模块在输入定解条件和流体域训练采样点、边界面上训练采样点以及边界上训练采样点的外法线向量后，搭建一个由N-S方程约束的物理神经网络，该物理神经网络包括物理场预测层、偏导数计算层、方程及定解条件约束层，将N-S方程组和定解条件中的非零项均移到方程左端，使得方程右端项为零，方程及定解条件约束层为N-S方程组和定解条件中的左端项；训练采样点的训练标签为零；物理神经网络的损失函数为方程及定解条件约束层的预测值的均方误差之和；使用训练采样点训练物理神经网络，使得损失函数小于0.001，则所述物理神经网络训练完成；使用训练好的物理神经网络的物理场预测层预测流体域的压力场、速度场、密度场、温度场，使用偏导数计算层预测流体域的压力场、速度场、密度场、温度场的各阶偏导数场，并将所有预测结果输出。
3.根据权利要求1所述的一种基于物理神经网络的流热固耦合计算方法，其特征在于：
所述导热方程求解模块在输入定解条件和固体域训练采样点、边界面上训练采样点以及边界训练采样点的外法线向量后，搭建一个由导热方程约束的物理神经网络，该物理神经网络包括物理场预测层、偏导数计算层、方程及定解条件约束层；将导热方程和定解条件中的非零项均移到方程左端，使得方程右端项为零，方程及定解条件约束层为导热方程和定解条件中的左端项；训练采样点的训练标签为零；物理神经网络的损失函数为方程及定解条件约束层的预测值的均方误差之和；使用训练采样点训练物理神经网络，使得损失函数小于0.0001，则所述物理神经网络训练完成；使用训练好的物理神经网络的物理场预测层预测固体域的温度场，使用偏导数计算层预测温度场的各阶偏导数场，并将所有预测结果输出。
4.根据权利要求1所述的一种基于物理神经网络的流热固耦合计算方法，其特征在于：所述弹性力学方程组求解模块在输入定解条件和流体域训练采样点、边界面上训练采样点以及边界训练采样点的外法线向量后，搭建一个由弹性力学方程组约束的物理神经网络，该物理神经网络包括物理场预测层、偏导数计算层、方程及定解条件约束层，将弹性力学方程组和定解条件中的非零项均移到方程左端，使得方程右端项为零，方程及定解条件约束层为弹性力学方程组和定解条件中的左端项；训练采样点的训练标签为零；物理神经网络的损失函数为方程及定解条件约束层的预测值的均方误差之和；使用训练采样点训练物理神经网络，使得损失函数小于0.001，所述物理神经网络训练完成；使用训练好的物理神经网络的物理场预测层预测固体域的应力场、应变场、位移场，使用偏导数计算层预测固体域的应力场、应变场、位移场的各阶偏导数场，并将所有预测结果输出。
5.根据权利要求1所述的一种基于物理神经网络的流热固耦合计算方法，其特征在于：步骤二中，设定初始定解条件中流体域和固体域交界面上的热流密度场为零。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111619101.3A CN114329319B (zh) | 2021-12-27 | 2021-12-27 | 一种基于物理神经网络的流热固耦合计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111619101.3A CN114329319B (zh) | 2021-12-27 | 2021-12-27 | 一种基于物理神经网络的流热固耦合计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114329319A CN114329319A (zh) | 2022-04-12 |
| CN114329319B true CN114329319B (zh) | 2024-05-28 |
Family
ID=81014487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111619101.3A Active CN114329319B (zh) | 2021-12-27 | 2021-12-27 | 一种基于物理神经网络的流热固耦合计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114329319B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115687859A (zh) * | 2022-09-09 | 2023-02-03 | 郑州航空工业管理学院 | 一种偏微分方程数值求解系统 |
| CN115933409B (zh) * | 2023-01-06 | 2023-05-05 | 青岛哈尔滨工程大学创新发展中心 | 一种基于多物理场弱耦合的自适应调整时间步长的方法 |
| CN116595884B (zh) * | 2023-05-24 | 2024-05-14 | 上海交通大学 | 微型核反应堆系统超实时计算实现方法 |
| CN116992771B (zh) * | 2023-08-09 | 2024-03-12 | 上海交通大学 | 基于神经网络的热管堆多物理场快速预测方法 |
| CN116777010B (zh) * | 2023-08-25 | 2023-12-19 | 之江实验室 | 一种模型训练的方法以及任务执行方法及装置 |
| CN117473873B (zh) * | 2023-11-13 | 2024-04-26 | 上海交通大学 | 基于DeepM&Mnet神经网络的核热耦合实现方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107506562A (zh) * | 2017-09-29 | 2017-12-22 | 西安科技大学 | 一种水润滑橡胶轴承双向热流固耦合计算方法 |
| CN107832494A (zh) * | 2017-10-13 | 2018-03-23 | 南京航空航天大学 | 高超声速飞行器前缘流‑热‑固一体化计算方法 |
| CN110955991A (zh) * | 2019-11-18 | 2020-04-03 | 华北水利水电大学 | 一种界面双向数据交换的流固耦合计算方法 |
| KR20200071993A (ko) * | 2018-12-12 | 2020-06-22 | 주식회사 넥스트폼 | 에너지 방정식을 이용한 개선된 속도 압력 엔탈피 연계 해석 방법 및 이를 수행하기 위한 컴퓨팅 시스템 |
| CN111832204A (zh) * | 2020-07-02 | 2020-10-27 | 西安交通大学 | 一种热流耦合结构的非迭代式拓扑优化方法 |
| CN113297534A (zh) * | 2021-07-12 | 2021-08-24 | 东南大学 | 一种基于双神经网络框架的等离子体方程数值计算方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210295167A1 (en) * | 2020-03-23 | 2021-09-23 | Ansys, Inc. | Generative networks for physics based simulations |
-
2021
- 2021-12-27 CN CN202111619101.3A patent/CN114329319B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107506562A (zh) * | 2017-09-29 | 2017-12-22 | 西安科技大学 | 一种水润滑橡胶轴承双向热流固耦合计算方法 |
| CN107832494A (zh) * | 2017-10-13 | 2018-03-23 | 南京航空航天大学 | 高超声速飞行器前缘流‑热‑固一体化计算方法 |
| KR20200071993A (ko) * | 2018-12-12 | 2020-06-22 | 주식회사 넥스트폼 | 에너지 방정식을 이용한 개선된 속도 압력 엔탈피 연계 해석 방법 및 이를 수행하기 위한 컴퓨팅 시스템 |
| CN110955991A (zh) * | 2019-11-18 | 2020-04-03 | 华北水利水电大学 | 一种界面双向数据交换的流固耦合计算方法 |
| CN111832204A (zh) * | 2020-07-02 | 2020-10-27 | 西安交通大学 | 一种热流耦合结构的非迭代式拓扑优化方法 |
| CN113297534A (zh) * | 2021-07-12 | 2021-08-24 | 东南大学 | 一种基于双神经网络框架的等离子体方程数值计算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114329319A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114329319B (zh) | 一种基于物理神经网络的流热固耦合计算方法 | |
| Krishnapriyan et al. | Characterizing possible failure modes in physics-informed neural networks | |
| Liu et al. | Least squares based iterative algorithms for identifying Box–Jenkins models with finite measurement data | |
| Park et al. | Reduced-order model with an artificial neural network for aerostructural design optimization | |
| Biancolini et al. | Static aeroelastic analysis of an aircraft wind-tunnel model by means of modal RBF mesh updating | |
| Zhang et al. | Data-driven nonlinear reduced-order modeling of unsteady fluid–structure interactions | |
| Li et al. | Deep learning for multifidelity aerodynamic distribution modeling from experimental and simulation data | |
| Aquino et al. | Self-learning finite elements for inverse estimation of thermal constitutive models | |
| Stalter et al. | Molecular dynamics simulations in hybrid particle-continuum schemes: pitfalls and caveats | |
| Rafiq et al. | A framework for parametric reduction in large-scale nonlinear dynamical systems | |
| Wong et al. | Graph neural network based surrogate model of physics simulations for geometry design | |
| Fischer et al. | A surrogate-based adjustment factor approach to multi-fidelity design optimization | |
| Lacroix et al. | Improved sensitivity analysis by a coupled FE–EFG method | |
| CN111625995B (zh) | 一种集成遗忘机制和双超限学习机的在线时空建模方法 | |
| He et al. | Toward a shape-performance integrated digital twin based on hybrid reduced-order modeling for engineering structures | |
| CN107682193A (zh) | 一种公共通信多业务流估计方法 | |
| Dai et al. | Delay-dependent stability and H∞ control for 2-D Markovian jump delay systems with missing measurements and sensor nonlinearities | |
| Clarich et al. | Formulations for Robust Design and Inverse Robust Design | |
| Li et al. | Clamping force prediction based on deep spatio-temporal network for machining process of deformable parts | |
| CN112925206A (zh) | 一种非线性多倒立摆互联系统分布式鲁棒故障诊断方法 | |
| Brown et al. | Performance of a Newton–Krylov–Schur Algorithm for Solving Steady Turbulent Flows | |
| Chu et al. | Physics Constrained Deep Learning For Turbulence Model Uncertainty Quantification | |
| Shen et al. | A Markov data-based approach to system identification and output error covariance analysis for tensegrity structures | |
| Kwon et al. | Development of an engineering education framework for aerodynamic shape optimization | |
| Yang et al. | Non-matching meshes data transfer using Kriging model and greedy algorithm |
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 |