CN114462320A - 一种基于神经网络的结构网格生成方法及装置 - Google Patents
一种基于神经网络的结构网格生成方法及装置 Download PDFInfo
- Publication number
- CN114462320A CN114462320A CN202210363015.9A CN202210363015A CN114462320A CN 114462320 A CN114462320 A CN 114462320A CN 202210363015 A CN202210363015 A CN 202210363015A CN 114462320 A CN114462320 A CN 114462320A
- Authority
- CN
- China
- Prior art keywords
- value
- neural network
- domain
- grid
- model
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 37
- 238000005457 optimization Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G06F30/27—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
-
- 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
-
- 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)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种基于神经网络的结构网格生成方法及装置,方法包括:获取目标物的模型;通过绘制模型的物面网格线,将模型划分为多个封闭区域;随机生成封闭区域的第一参数域的值;根据第一参数域的值对神经网络进行训练,得到训练完成的神经网络模型;根据用户设置的点数值,计算封闭区域的第二参数域的值;将第二参数域的值输入至训练完成的神经网络模型中,得到神经网络模型输出的第二物理域网格点坐标值;根据第二物理域网格点坐标值,生成目标物的模型的表面网格,表面网格为结构网格。可见,本方案中,基于神经网络自动生成目标物的模型的表面网格,人为干预较少,提高了网格生成的自动化程度。
Description
技术领域
本发明实施例涉及计算流体动力学技术领域,特别是涉及一种基于神经网络的结构网格生成方法及装置。
背景技术
网格生成是CFD(Computational Fluid Dynamics,计算流体动力学)分析的前处理步骤,生成网格的大小和质量会影响CFD的分析结果。网格包括结构网格,结构网格通常具有统一的拓扑结构,网格区域可以划分为规则的单元,结构网格通常适用于求解模型简单、几何规则的情况。
目前,通常采用TFI(Transfinite Interpolation,超限插值)算法来生成结构网格。但随着网格规模逐渐增大、外形越来越复杂,采用TFI算法生成结构网格自动化程度较低。
发明内容
本发明实施例的目的在于提供一种基于神经网络的结构网格生成方法及装置,以提高网格生成的自动化程度。
为达到上述目的,本发明实施例提供了一种基于神经网络的结构网格生成方法,包括:
获取目标物的模型;
通过绘制所述模型的物面网格线,将所述模型划分为多个封闭区域;
随机生成所述封闭区域的参数域的值,作为第一参数域的值;将所述第一参数域的值输入至待训练的神经网络中,得到所述神经网络输出的物理域的网格点坐标值,作为第一物理域网格点坐标值;根据所述第一物理域网格点坐标值,对所述神经网络进行迭代调整,直至调整完毕得到训练完成的神经网络模型;
根据用户设置的点数值,计算所述封闭区域的参数域的值,作为第二参数域的值;将所述第二参数域的值输入至所述训练完成的神经网络模型中,得到所述神经网络模型输出的物理域的网格点坐标值,作为第二物理域网格点坐标值;
根据所述第二物理域网格点坐标值,生成所述目标物的模型的表面网格,所述表面网格为结构网格。
可选的,所述通过绘制所述模型的物面网格线,将所述模型划分为多个封闭区域之后,还包括:
根据所述物面网格线生成边界信息;
构造损失函数,所述损失函数包括偏微分方程的内部损失和边界条件损失,所述偏微分方程的内部损失基于所述第一物理域网格点坐标值得到,所述边界条件损失基于所述边界信息得到;
所述根据所述第一物理域网格点坐标值,对所述神经网络进行迭代调整,包括:
根据所述第一物理域网格点坐标值,计算所述损失函数的值;
通过随机梯度下降优化算法和Adam优化方法对所述损失函数的值进行优化,以对所述神经网络进行迭代调整。
可选的,所述偏微分方程为椭圆方程或双曲方程。
可选的,所述偏微分方程为泊松方程;所述损失函数为:
其中,Nr表示参数域内的点数值,Nb表示参数域的边界点的点数值,α、β、γ分别表示不同的非线性系数,(ζ,η)表示参数域的坐标,(g1,g2)表示边界信息,包含脚标ζζ,ζη,ηη的x和y表示物理域内网格点的坐标值,不包含脚标的x和y表示物理域边界上网格点的坐标值。
可选的,所述神经网络的训练周期为15000,其中初始学习率设置为1e-3,每1000个周期衰减0.9。
可选的,所述封闭区域的参数域的值的取值范围为0-1;
所述随机生成所述封闭区域的参数域的值,作为第一参数域的值,包括:
随机选取0-1范围内的值,作为第一参数域的值。
为达到上述目的,本发明实施例还提供了一种基于神经网络的结构网格生成装置,包括:
获取模块,用于获取目标物的模型;
绘制模块,用于通过绘制所述模型的物面网格线,将所述模型划分为多个封闭区域;
第一生成模块,用于随机生成所述封闭区域的参数域的值,作为第一参数域的值;
第一输入模块,用于将所述第一参数域的值输入至待训练的神经网络中,得到所述神经网络输出的物理域的网格点坐标值,作为第一物理域网格点坐标值;
训练模块,用于根据所述第一物理域网格点坐标值,对所述神经网络进行迭代调整,直至调整完毕得到训练完成的神经网络模型;
计算模块,用于根据用户设置的点数值,计算所述封闭区域的参数域的值,作为第二参数域的值;
第二输入模块,用于将所述第二参数域的值输入至所述训练完成的神经网络模型中,得到所述神经网络模型输出的物理域的网格点坐标值,作为第二物理域网格点坐标值;
第二生成模块,用于根据所述第二物理域网格点坐标值,生成所述目标物的模型的表面网格,所述表面网格为结构网格。
可选的,所述装置还包括:
第三生成模块,用于根据所述物面网格线生成边界信息;
构造模块,用于构造损失函数,所述损失函数包括偏微分方程的内部损失和边界条件损失,所述偏微分方程的内部损失基于所述第一物理域网格点坐标值得到,所述边界条件损失基于所述边界信息得到;
所述训练模块,具体用于:
根据所述第一物理域网格点坐标值,计算所述损失函数的值;
通过随机梯度下降优化算法和Adam优化方法对所述损失函数的值进行优化,以对所述神经网络进行迭代调整。
可选的,所述偏微分方程为椭圆方程或双曲方程。
可选的,所述偏微分方程为泊松方程;所述损失函数为:
其中,Nr表示参数域内的点数值,Nb表示参数域的边界点的点数值,α、β、γ分别表示不同的非线性系数,(ζ,η)表示参数域的坐标,(g1,g2)表示边界信息,包含脚标ζζ,ζη,ηη的x和y表示物理域内网格点的坐标值,不包含脚标的x和y表示物理域边界上网格点的坐标值。
应用本发明所示实施例,获取目标物的模型;通过绘制模型的物面网格线,将模型划分为多个封闭区域;随机生成封闭区域的参数域的值,作为第一参数域的值;根据第一参数域的值对神经网络进行训练,得到训练完成的神经网络模型;根据用户设置的点数值,计算封闭区域的参数域的值,作为第二参数域的值;将第二参数域的值输入至训练完成的神经网络模型中,得到神经网络模型输出的物理域的网格点坐标值,作为第二物理域网格点坐标值;根据第二物理域网格点坐标值,生成目标物的模型的表面网格,表面网格为结构网格。可见,本方案中,基于神经网络自动生成目标物的模型的表面网格,人为干预较少,提高了网格生成的自动化程度。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于神经网络的结构网格生成方法的流程示意图;
图2为本发明实施例提供的一种模型分区示意图;
图3为本发明实施例提供的一种神经网络的结构示意图;
图4为本发明实施例提供的一种基于神经网络的结构网格生成装置的结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员基于本申请所获得的所有其他实施例,都属于本发明保护的范围。
为了达到上述目的,本发明实施例提供了一种基于神经网络的结构网格生成方法及装置,该方法及装置可以应用于各种电子设备,具体不做限定。下面首先对该基于神经网络的结构网格生成方法进行详细介绍。以下方法实施例中的各个步骤按照合乎逻辑的顺序执行即可,步骤标号或者对各步骤进行介绍的先后顺序,并不对各步骤的执行顺序构成限定。
图1为本发明实施例提供的一种基于笛卡尔网格的运动仿真方法的流程示意图,包括:
S101:获取目标物的模型。
举例来说,这里的模型可以为CAD(Computer-Aided Design,计算机辅助设计)数模(数学模型),或者也可以为其他软件生成的模型。可以在电子设备中导入目标物的模型。这里的目标物可以为飞行器、车辆等等,具体的目标物不做限定。
S102:通过绘制该模型的物面网格线,将该模型划分为多个封闭区域。
举例来说,可以通过在模型表面绘制物面网格线,以对整个模型进行分区,如图2所示,每个封闭区域可以由四条边围成。封闭区域所包含的边的具体数量不做限定。
S103:随机生成封闭区域的参数域的值,作为第一参数域的值。
本发明的一种实施方式中,所述封闭区域的参数域的值的取值范围为0-1;这种实施方式中,S103可以包括:随机选取0-1范围内的值,作为第一参数域的值。
封闭区域的参数域的值的取值范围可以根据实际需求设定,上述实施方式中的0-1仅为举例说明,实际取值范围不做限定。
S104:将第一参数域的值输入至待训练的神经网络中,得到该神经网络输出的物理域的网格点坐标值,作为第一物理域网格点坐标值。
S105:根据第一物理域网格点坐标值,对神经网络进行迭代调整,直至调整完毕得到训练完成的神经网络模型。
为了区分描述,将训练完成的神经网络称为神经网络模型,待训练的神经网络与训练完成的神经网络模型的网络结构类似,对神经网络的训练过程可以理解为对神经网络的神经元参数进行迭代调整的过程。
举例来说,该神经网络可以如图3所示,包括输入层、隐藏层、输出层、损失函数、优化算法。图3中实线箭头表示向前传播,虚线箭头表示向后传播。
输入层输入的是封闭区域的参数域的值,(ζ,η)表示参数域的坐标,为了区分描述,将神经网络的训练过程中输入的封闭区域的参数域的值称为第一参数域的值,将使用训练完成的神经网络模型时输入的封闭区域的参数域的值称为第二参数域的值。
隐藏层可以理解为关于变量的非线性变换。将关于变量的非线性变换结果通过输出层输出。每个隐藏层神经元包括一个权重,一个偏差,一个激活函数,激活函数可以理解为神经网络上层神经元的输出和下层神经元的输入之间的函数关系。举例来说,可以设置隐藏层个数,每层神经元个数k=100,激活函数。
隐藏层中的计算表达式可以为:
其中,, ,表示第l层的第k个神经元的权重向量,表示第l层的第k个神经元的偏差,表示第l层的第k个神经元的非线性输出,和表示神经网络中的第l层的参数,表示l层的总体权重,表示l层的总体偏差, 表示第l层隐藏层的非线性输出。的初始值可以通过Xavier初始化算法得到,的初始值可以为0。,在训练神经网络过程中进行迭代优化。
输出层输出的是物理域的网格点坐标值(x,y)。为了区分描述,将神经网络的训练过程中输出的物理域的网格点坐标值称为第一物理域网格点坐标值,将使用训练完成的神经网络模型时输出的物理域的网格点坐标值称为第二物理域网格点坐标值。
该损失函数可以为基于偏微分方程的损失函数。本发明的一种实施方式中,可以根据S102中绘制的物面网格线生成边界信息;构造损失函数,所述损失函数包括偏微分方程的内部损失和边界条件损失,所述偏微分方程的内部损失基于所述第一物理域网格点坐标值得到,所述边界条件损失基于所述边界信息得到。
举例来说,该偏微分方程可以为椭圆方程或双曲方程,椭圆方程可以为泊松方程、拉普拉斯方程等,具体的偏微分方程不做限定。
以泊松方程为例来说,基于泊松方程构建的损失函数可以为:
其中,Nr表示参数域内的点数值,Nb表示参数域的边界点的点数值,α、β、γ分别表示不同的非线性系数,(ζ,η)表示参数域的坐标,(g1,g2)表示边界信息,包含脚标ζζ,ζη,ηη的x和y表示物理域内网格点的坐标值,不包含脚标的x和y表示物理域边界上网格点的坐标值。
图3中的arg min(Loss)表示使损失函数的损失值达到最小。本发明的一种实施方式中,S105可以包括:根据所述第一物理域网格点坐标值,计算所述损失函数的值;通过随机梯度下降优化算法和Adam优化方法对所述损失函数的值进行优化,以对所述神经网络进行迭代调整。
本发明的一种实施方式中,神经网络的训练周期可以为15000,其中初始学习率可以设置为1e-3,每1000个周期衰减0.9。训练周期、学习率、衰减等参数可以根据实际需求进行调整,具体数值不做限定。
S106:根据用户设置的点数值,计算封闭区域的参数域的值,作为第二参数域的值。
如上所述,将神经网络的训练过程中输入的封闭区域的参数域的值称为第一参数域的值,将使用训练完成的神经网络模型时输入的封闭区域的参数域的值称为第二参数域的值。本实施例中,第一参数域的值为随机值,第二参数域的值可以理解为实际值。
举例来说,这里所说的点数值可以理解为每个封闭区域中各条边的总点数值,如果这些点均匀分布,可以根据点数及参数域的长度来获取参数域的值。例如,可以采用如下算式,计算封闭区域的参数域的值:
(ζi,ηi)=(i/M-1,i/N-1)
其中,i取0~M-1,j取0~N-1,M表示封闭区域中一条边的点数,N表示封闭区域中另一条边的点数,网格的总点数为M*N。
S107:将第二参数域的值输入至训练完成的神经网络模型中,得到神经网络模型输出的物理域的网格点坐标值,作为第二物理域网格点坐标值。
S108:根据第二物理域网格点坐标值,生成目标物的模型的表面网格,该表面网格为结构网格。
举例来说,可以根据各第二物理域网格点之间的连接关系,将各第二物理域网格点进行连接,得到目标物的表面网格。
应用本发明所示实施例,先根据随机生成的参数域的值训练神经网络,再利用训练完成的神经网络模型对实际的参数域的值进行处理,能够自动生成目标物的模型的表面网格,人为干预较少,提高了网格生成的自动化程度。
一些相关方案中,采用TFI算法来生成结构网格,但对于一些外形复杂的模型来说,采用TFI算法不能将模型划分为规则的四边形,进而生成的网格质量较差。而应用本发明上述实施例生成的结构网格质量较高,其相当于对TFI算法所生成结构网格进行质量优化后的效果。
与上述方法实施例相对应,本发明实施例还提供了一种基于神经网络的结构网格生成装置,如图4所示,包括:
获取模块401,用于获取目标物的模型;
绘制模块402,用于通过绘制所述模型的物面网格线,将所述模型划分为多个封闭区域;
第一生成模块403,用于随机生成所述封闭区域的参数域的值,作为第一参数域的值;
第一输入模块404,用于将所述第一参数域的值输入至待训练的神经网络中,得到所述神经网络输出的物理域的网格点坐标值,作为第一物理域网格点坐标值;
训练模块405,用于根据所述第一物理域网格点坐标值,对所述神经网络进行迭代调整,直至调整完毕得到训练完成的神经网络模型;
计算模块406,用于根据用户设置的点数值,计算所述封闭区域的参数域的值,作为第二参数域的值;
第二输入模块407,用于将所述第二参数域的值输入至所述训练完成的神经网络模型中,得到所述神经网络模型输出的物理域的网格点坐标值,作为第二物理域网格点坐标值;
第二生成模块408,用于根据所述第二物理域网格点坐标值,生成所述目标物的模型的表面网格,所述表面网格为结构网格。
本发明的一种实施方式中,所述装置还包括:第三生成模块和构造模块(图中未示出),其中,
第三生成模块,用于根据所述物面网格线生成边界信息;
构造模块,用于构造损失函数,所述损失函数包括偏微分方程的内部损失和边界条件损失,所述偏微分方程的内部损失基于所述第一物理域网格点坐标值得到,所述边界条件损失基于所述边界信息得到;
训练模块405具体用于:
根据所述第一物理域网格点坐标值,计算所述损失函数的值;
通过随机梯度下降优化算法和Adam优化方法对所述损失函数的值进行优化,以对所述神经网络进行迭代调整。
本发明的一种实施方式中,所述偏微分方程为椭圆方程或双曲方程。
本发明的一种实施方式中,所述偏微分方程为泊松方程;所述损失函数为:
其中,Nr表示参数域内的点数值,Nb表示参数域的边界点的点数值,α、β、γ分别表示不同的非线性系数,(ζ,η)表示参数域的坐标,(g1,g2)表示边界信息,包含脚标ζζ,ζη,ηη的x和y表示物理域内网格点的坐标值,不包含脚标的x和y表示物理域边界上网格点的坐标值。
本发明的一种实施方式中,所述神经网络的训练周期为15000,其中初始学习率设置为1e-3,每1000个周期衰减0.9。
本发明的一种实施方式中,所述封闭区域的参数域的值的取值范围为0-1;
第一生成模块403,具体可以用于:
随机选取0-1范围内的值,作为第一参数域的值。
应用本发明所示实施例,先根据随机生成的参数域的值训练神经网络,再利用训练完成的神经网络模型对实际的参数域的值进行处理,能够自动生成目标物的模型的表面网格,人为干预较少,提高了网格生成的自动化程度。
本发明实施例还提供了一种电子设备,如图5所示,包括处理器501和存储器502,
存储器502,用于存放计算机程序;
处理器501,用于执行存储器502上所存放的程序时,实现上述任意一种基于神经网络的结构网格生成方法。
上述电子设备提到的存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一种基于神经网络的结构网格生成方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任意一种基于神经网络的结构网格生成方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk (SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例、设备实施例、计算机可读存储介质实施例、以及计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种基于神经网络的结构网格生成方法,其特征在于,包括:
获取目标物的模型;
通过绘制所述模型的物面网格线,将所述模型划分为多个封闭区域;
随机生成所述封闭区域的参数域的值,作为第一参数域的值;将所述第一参数域的值输入至待训练的神经网络中,得到所述神经网络输出的物理域的网格点坐标值,作为第一物理域网格点坐标值;根据所述第一物理域网格点坐标值,对所述神经网络进行迭代调整,直至调整完毕得到训练完成的神经网络模型;
根据用户设置的点数值,计算所述封闭区域的参数域的值,作为第二参数域的值;将所述第二参数域的值输入至所述训练完成的神经网络模型中,得到所述神经网络模型输出的物理域的网格点坐标值,作为第二物理域网格点坐标值;
根据所述第二物理域网格点坐标值,生成所述目标物的模型的表面网格,所述表面网格为结构网格。
2.根据权利要求1所述的方法,其特征在于,所述通过绘制所述模型的物面网格线,将所述模型划分为多个封闭区域之后,还包括:
根据所述物面网格线生成边界信息;
构造损失函数,所述损失函数包括偏微分方程的内部损失和边界条件损失,所述偏微分方程的内部损失基于所述第一物理域网格点坐标值得到,所述边界条件损失基于所述边界信息得到;
所述根据所述第一物理域网格点坐标值,对所述神经网络进行迭代调整,包括:
根据所述第一物理域网格点坐标值,计算所述损失函数的值;
通过随机梯度下降优化算法和Adam优化方法对所述损失函数的值进行优化,以对所述神经网络进行迭代调整。
3.根据权利要求2所述的方法,其特征在于,所述偏微分方程为椭圆方程或双曲方程。
5.根据权利要求4所述的方法,其特征在于,所述神经网络的训练周期为15000,其中初始学习率设置为1e-3,每1000个周期衰减0.9。
6.根据权利要求1所述的方法,其特征在于,所述封闭区域的参数域的值的取值范围为0-1;
所述随机生成所述封闭区域的参数域的值,作为第一参数域的值,包括:
随机选取0-1范围内的值,作为第一参数域的值。
7.一种基于神经网络的结构网格生成装置,其特征在于,包括:
获取模块,用于获取目标物的模型;
绘制模块,用于通过绘制所述模型的物面网格线,将所述模型划分为多个封闭区域;
第一生成模块,用于随机生成所述封闭区域的参数域的值,作为第一参数域的值;
第一输入模块,用于将所述第一参数域的值输入至待训练的神经网络中,得到所述神经网络输出的物理域的网格点坐标值,作为第一物理域网格点坐标值;
训练模块,用于根据所述第一物理域网格点坐标值,对所述神经网络进行迭代调整,直至调整完毕得到训练完成的神经网络模型;
计算模块,用于根据用户设置的点数值,计算所述封闭区域的参数域的值,作为第二参数域的值;
第二输入模块,用于将所述第二参数域的值输入至所述训练完成的神经网络模型中,得到所述神经网络模型输出的物理域的网格点坐标值,作为第二物理域网格点坐标值;
第二生成模块,用于根据所述第二物理域网格点坐标值,生成所述目标物的模型的表面网格,所述表面网格为结构网格。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第三生成模块,用于根据所述物面网格线生成边界信息;
构造模块,用于构造损失函数,所述损失函数包括偏微分方程的内部损失和边界条件损失,所述偏微分方程的内部损失基于所述第一物理域网格点坐标值得到,所述边界条件损失基于所述边界信息得到;
所述训练模块,具体用于:
根据所述第一物理域网格点坐标值,计算所述损失函数的值;
通过随机梯度下降优化算法和Adam优化方法对所述损失函数的值进行优化,以对所述神经网络进行迭代调整。
9.根据权利要求8所述的装置,其特征在于,所述偏微分方程为椭圆方程或双曲方程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210363015.9A CN114462320B (zh) | 2022-04-08 | 2022-04-08 | 一种基于神经网络的结构网格生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210363015.9A CN114462320B (zh) | 2022-04-08 | 2022-04-08 | 一种基于神经网络的结构网格生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114462320A true CN114462320A (zh) | 2022-05-10 |
CN114462320B CN114462320B (zh) | 2022-07-05 |
Family
ID=81417241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210363015.9A Active CN114462320B (zh) | 2022-04-08 | 2022-04-08 | 一种基于神经网络的结构网格生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114462320B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818224A (zh) * | 2022-05-27 | 2022-07-29 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种结构网格生成方法、装置、设备及存储介质 |
CN118153141A (zh) * | 2024-05-11 | 2024-06-07 | 中国空气动力研究与发展中心计算空气动力研究所 | 大规模网格生成方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322548A (zh) * | 2019-06-11 | 2019-10-11 | 北京工业大学 | 一种基于几何图像参数化的三维网格模型生成方法 |
CN111709171A (zh) * | 2020-06-08 | 2020-09-25 | 西安交通大学 | 一种热流强耦合问题的等几何求解及散热拓扑生成方法 |
CN112182794A (zh) * | 2020-08-29 | 2021-01-05 | 大连理工大学 | 一种基于样条曲线的拓扑优化后几何模型建模方法 |
CN112257202A (zh) * | 2020-10-23 | 2021-01-22 | 杭州电子科技大学 | 多内孔零件的基于神经网络的二维结构网格自动分解方法 |
CN113283186A (zh) * | 2021-04-21 | 2021-08-20 | 南京航空航天大学 | 一种用于cfd的通用网格自适应方法 |
-
2022
- 2022-04-08 CN CN202210363015.9A patent/CN114462320B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322548A (zh) * | 2019-06-11 | 2019-10-11 | 北京工业大学 | 一种基于几何图像参数化的三维网格模型生成方法 |
CN111709171A (zh) * | 2020-06-08 | 2020-09-25 | 西安交通大学 | 一种热流强耦合问题的等几何求解及散热拓扑生成方法 |
CN112182794A (zh) * | 2020-08-29 | 2021-01-05 | 大连理工大学 | 一种基于样条曲线的拓扑优化后几何模型建模方法 |
CN112257202A (zh) * | 2020-10-23 | 2021-01-22 | 杭州电子科技大学 | 多内孔零件的基于神经网络的二维结构网格自动分解方法 |
CN113283186A (zh) * | 2021-04-21 | 2021-08-20 | 南京航空航天大学 | 一种用于cfd的通用网格自适应方法 |
Non-Patent Citations (2)
Title |
---|
XINHAI CHEN ET AL.: "MGNet: a novel diferential mesh generation method based on unsupervised neural networks", 《ENGINEERING WITH COMPUTERS 》 * |
王年华 等: "基于机器学习的非结构网格阵面推进生成技术初探", 《力学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818224A (zh) * | 2022-05-27 | 2022-07-29 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种结构网格生成方法、装置、设备及存储介质 |
CN118153141A (zh) * | 2024-05-11 | 2024-06-07 | 中国空气动力研究与发展中心计算空气动力研究所 | 大规模网格生成方法及装置 |
CN118153141B (zh) * | 2024-05-11 | 2024-07-16 | 中国空气动力研究与发展中心计算空气动力研究所 | 大规模网格生成方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114462320B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114462320B (zh) | 一种基于神经网络的结构网格生成方法及装置 | |
da Silva et al. | Three‐dimensional manufacturing tolerant topology optimization with hundreds of millions of local stress constraints | |
CN114818224B (zh) | 一种结构网格生成方法、装置、设备及存储介质 | |
WO2018180263A1 (ja) | 情報処理装置、情報処理方法、及びコンピュータ可読記憶媒体 | |
Ito et al. | A neural network-based policy iteration algorithm with global h 2-superlinear convergence for stochastic games on domains | |
JP2017107568A (ja) | マルチコア最適化リカレントニューラルネットワーク用のシステムおよび方法 | |
Hoffmann et al. | Free-form surfaces for scattered data by neural networks | |
CN114444215A (zh) | 一种基于笛卡尔网格的运动仿真方法、装置及设备 | |
Bilski et al. | Parallel architectures for learning the RTRN and Elman dynamic neural networks | |
Chen et al. | MGNet: a novel differential mesh generation method based on unsupervised neural networks | |
CN112733933A (zh) | 基于统一优化目标框架图神经网络的数据分类方法及装置 | |
Wu et al. | Global uniform asymptotical stability for fractional-order gene regulatory networks with time-varying delays and structured uncertainties | |
Alqezweeni et al. | Solution of partial differential equations on radial basis functions networks | |
Ahmad et al. | Variationally improved Bézier surfaces with shifted knots | |
Zhang et al. | Development of stochastic isogeometric analysis (SIGA) method for uncertainty in shape | |
Fan et al. | Convergence of batch gradient method for training of pi-sigma neural network with regularizer and adaptive momentum term | |
CN113869350B (zh) | 基于空间特征差异的海流预测方法以及系统 | |
CN114444012A (zh) | 一种基于神经网络架构搜索的偏微分方程数值求解方法 | |
Xie et al. | Finite element simulations with adaptively moving mesh for the reaction diffusion system | |
Righeto et al. | Nonlinear plant identification by wavelets | |
Masjukov et al. | Multiscale modification of Shepard's method for multivariate interpolation of scattered data | |
Malek | Applications of recurrent neural networks to optimization problems | |
CN118152894B (zh) | 一种电力系统宽频振荡识别方法、装置、终端及介质 | |
Kurowski et al. | Reinforcement learning algorithm and FDTD-based simulation applied to schroeder diffuser design optimization | |
Bardi et al. | A Dijkstra-type algorithm for dynamic games |
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 |