CN114528759B - 基于深度学习的水下爆炸气泡形态及附近流场压力预测方法 - Google Patents

基于深度学习的水下爆炸气泡形态及附近流场压力预测方法 Download PDF

Info

Publication number
CN114528759B
CN114528759B CN202210125411.8A CN202210125411A CN114528759B CN 114528759 B CN114528759 B CN 114528759B CN 202210125411 A CN202210125411 A CN 202210125411A CN 114528759 B CN114528759 B CN 114528759B
Authority
CN
China
Prior art keywords
bubble
flow field
underwater explosion
predicting
pressure
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
CN202210125411.8A
Other languages
English (en)
Other versions
CN114528759A (zh
Inventor
任少飞
赵鹏飞
张阿漫
王诗平
刘永泽
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202210125411.8A priority Critical patent/CN114528759B/zh
Publication of CN114528759A publication Critical patent/CN114528759A/zh
Application granted granted Critical
Publication of CN114528759B publication Critical patent/CN114528759B/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
    • G06F30/27—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
    • 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
    • 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

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度学习的水下爆炸气泡形态及附近流场压力预测方法，包括：对水下爆炸气泡脉动特性进行数值计算，通过改变药包质量和爆炸水深，建立不同水下爆炸条件下气泡体积最大及最小时刻形态及附近流场压力的样本数据库；将样本数据库划分为训练集和验证集，以建立用于预测水下爆炸气泡体积最大及最小时刻形态的全连接深度神经网络模型，以预测气泡形态；基于所预测的气泡形态建立表征流场各点至气泡轮廓的最小距离函数；基于样本数据库和最小距离函数，建立用于预测水下爆炸气泡体积最大及最小时刻气泡附近流场压力的卷积反卷积神经网络模型，以预测典型时刻气泡附近流场压力。该方法可减少实验和数值模拟成本，以及提高预测效率。

Description

基于深度学习的水下爆炸气泡形态及附近流场压力预测方法
技术领域
本发明涉及水下爆炸气泡动力学技术领域，特别涉及一种水下爆炸气泡典型脉动时刻形态及附近流场压力快速预测方法。
背景技术
水下爆炸气泡脉动特性的研究可为舰艇毁伤分析奠定基础。由于大当量爆炸试验成本巨大，观测气泡形态及脉动规律难度较高，且受安全性等条件限制，目前对于水下爆炸气泡脉动特性的研究主要以二维和三维数值计算以及小当量试验为主。然而，小当量试验并不能完全反映大当量炸药水下爆炸后气泡脉动规律，且数值模拟存在计算效率较低等问题，无法快速高效地给出水下爆炸气泡不同脉动周期内气泡形态及附近流场压力，而且对试验及数值计算产生的数据的挖掘和分析不够全面。
因此，亟待一种新方法实现水下爆炸气泡典型时刻形态及附近流场压力快速预测。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的目的在于提出一种基于深度学习的水下爆炸气泡形态及附近流场压力预测方法，该方法能够快速预测气泡体积最大及最小时刻形态及附近流场压力，减少实验和数值模拟成本，并提高预测效率。
为达到上述目的，本发明实施例提出了一种基于深度学习的水下爆炸气泡形态及附近流场压力预测方法，包括以下步骤：步骤S1，对水下爆炸气泡脉动特性进行数值计算，通过改变药包质量和爆炸水深，建立不同水下爆炸条件下气泡体积最大及最小时刻形态及附近流场压力的样本数据库；步骤S2，将所述样本数据库划分为训练集和验证集，以建立用于预测水下爆炸气泡体积最大及最小时刻形态的全连接深度神经网络模型，并通过贝叶斯方法优化所述全连接深度神经网络模型，以预测气泡形态；步骤S3，基于所述气泡形态建立表征流场各点至气泡轮廓的最小距离函数；步骤S4，基于所述样本数据库和所述最小距离函数，建立用于预测水下爆炸气泡体积最大及最小时刻气泡附近流场压力的卷积反卷积神经网络模型，并通过贝叶斯方法优化所述卷积反卷积神经网络模型，以预测典型时刻气泡附近流场压力。
本发明实施例中基于深度学习的水下爆炸气泡形态及附近流场压力预测方法，采用边界元、有限元、无网格等方法计算得到的水下爆炸气泡脉动特性结果进行深入分析和挖掘，并根据气泡形态及附近流场压力的不同数据形式，分别建立两个不同架构的深度神经网络，且将建立的全连接神经网络输出层预测值通过一定的公式计算，转换为卷积反卷积神经网络的输入层变量，从而得到不同脉动周期内气泡体积最大及最小时刻形态及附近流场压力快速预测方法，可大量节约计算资源和时间，具有较高的工程应用价值。
另外，根据本发明所述实施例的基于深度学习的水下爆炸气泡形态及附近流场压力预测方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述步骤S1中采用边界元、有限元或无网格任一种方法对水下爆炸气泡脉动特性进行数值计算。
进一步地，在本发明的一个实施例中，所述步骤S1的具体包括：步骤S101，对水下爆炸气泡脉动特性进行数值计算，收集计算得到的水下爆炸气泡体积最大及最小时刻形态及附近流场压力；步骤S102，改变所述药包质量和所述爆炸水深，计算后收集不同气泡脉动周期内气泡体积最大及最小时刻形态及附近流场压力；步骤S103，将所述水下爆炸气泡体积最大及最小时刻形态及附近流场压力和所述不同气泡脉动周期内气泡体积最大及最小时刻形态及附近流场压力构建成所述样本数据库。
进一步地，在本发明的一个实施例中，所述全连接深度神经网络模型由一个输入和输出层、多个隐含层构成，其中，所述输入层的变量为药包质量和爆炸水深，隐含层数目n≥4，用于预测气泡形态的各隐含层神经元数目依次为a1，a2，…，an-1，an，且an≥an-1≥…≥a2≥a1；输出层给出气泡形态δ(xi，yi)，其中i为气泡轮廓面离散点数目，且i≥50；将δ(xi，yi)上各离散点用光滑曲线连接以显示气泡形态。
进一步地，在本发明的一个实施例中，所述卷积反卷积神经网络模型由一个输入和输出层、多个卷积和反卷积层构成，其中，所述输入层变量为最小距离函数Mb×Nb，其中距离函数Mb×Nb为矩阵，且Mb×Nb表征沿水深方向和垂直于水深方向均匀离散出的流场各点至气泡形态的最小距离；卷积层层数q≥4；反卷积层数p，且满足p≥q≥4；输出层给出表征气泡附近流场压力的函数Mp×Np，其中Mp×Np为矩阵且表征沿水深方向和垂直于水深方向均匀离散出的流场各点压力，且矩阵Mp×Np与矩阵Mb×Nb的行、列元素数目相同。
进一步地，在本发明的一个实施例中，所述步骤S2中利用贝叶斯方法优化所述全连接深度神经网络模型中隐含层数目、各隐含层神经元数目、训练步数及学习率，所述步骤S3中利用贝叶斯方法优化所述卷积反卷积神经网络模型中的训练步数和学习率。
进一步地，在本发明的一个实施例中，所述步骤S1中若爆炸水深小于两倍气泡最大半径时，需同时建立自由液面形态数据库。
进一步地，在本发明的一个实施例中，若建立所述自由液面形态数据库，则所述自由液面形态数据库将用于所述步骤S2和步骤S4中，以建立用于预测水下爆炸气泡体积最大及最小时刻气泡形态和自由液面形态的全连接深度神经网络模型以及用于预测水下爆炸气泡体积最大及最小时刻气泡附近流场压力的卷积反卷积神经网络模型。
进一步地，在本发明的一个实施例中，所述全连接深度神经网络模型由一个输入和输出层、多个隐含层构成，其中，所述输入层的变量为药包质量和爆炸水深，隐含层数目n≥4，用于预测气泡形态的各隐含层神经元数目依次为a1，a2，…，an-1，an，且an≥an-1≥…≥a2≥a1；输出层给出气泡形态δ(xi，yi)和自由液面形态θ(xj，yj)，其中i、j分别为气泡轮廓面、自由液面离散点数目，且i≥50，j≥40；将δ(xi，yi)和θ(xj，yj)上各离散点用光滑曲线连接以显示气泡形态和自由液面形态。
进一步地，在本发明的一个实施例中，所述卷积反卷积神经网络模型由一个输入和输出层、多个卷积和反卷积层构成，其中，输入层的变量为最小距离函数Mb×Nb和Mf×Nf，其中距离函数Mb×Nb、Mf×Nf均为矩阵，且Mb×Nb表征沿水深方向和垂直于水深方向均匀离散出的流场各点至气泡轮廓的最小距离，Mf×Nf表征流场各点至自由液面的最小距离；Mb×Nb和Mf×Nf所构成的两个矩阵的行、列元素数目相同；卷积层层数q≥4；反卷积层数p，且满足p≥q≥4；输出层给出表征气泡附近流场压力的函数Mp×Np，其中Mp×Np为矩阵且表征沿水深方向和垂直于水深方向均匀离散出的流场各点压力，且矩阵Mp×Np与矩阵Mb×Nb的行、列元素数目相同。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明所述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一个实施例的基于深度学习的水下爆炸气泡形态及附近流场压力预测方法的流程图；
图2是本发明一个具体实施例的基于深度学习的水下爆炸气泡形态及附近流场压力预测方法的执行图；
图3是本发明一个实施例的水下爆炸气泡形态及附近流场压力数值计算模型示意图；
图4是本发明一个实施例的水下爆炸气泡形态及自由液面形态预测结果示意图；
图5是本发明一个实施例的水下爆炸气泡形态及附近流场压力预测结果示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
需要说明的是，深度学习在大规模数据的分析、处理和预测方面已经展现出相当巨大的应用前景。通过选择合适的输入和输出量，建立由适当隐含层和神经元数目组成的深度神经网络，并基于网络训练、学习和优化，可以得到逼近真实情况的输入与输出量间的逻辑关系。因此本发明实施例采用基于深度神经网络对数值计算及试验结果进行深入、系统地分析和挖掘，实现水下爆炸气泡典型时刻形态及附近流场压力快速预测，具体如下所述。
下面参照附图描述根据本发明实施例提出的基于深度学习的水下爆炸气泡形态及附近流场压力预测方法。
图1是本发明一个实施例的基于深度学习的水下爆炸气泡形态及附近流场压力预测方法的流程图。
如图1所示，该基于深度学习的水下爆炸气泡形态及附近流场压力预测方法包括以下步骤：
在步骤S1中，对水下爆炸气泡脉动特性进行数值计算，通过改变药包质量和爆炸水深，建立不同水下爆炸条件下气泡体积最大及最小时刻形态及附近流场压力的样本数据库。
进一步地，在本发明的一个实施例中，步骤S1的具体包括：
步骤S101，采用边界元、有限元或无网格等方法对水下爆炸气泡脉动特性进行数值计算，收集计算得到的水下爆炸气泡体积最大及最小时刻形态及附近流场压力；
步骤S102，改变药包质量和爆炸水深，计算后收集不同气泡脉动周期内气泡体积最大及最小时刻形态及附近流场压力；
步骤S103，将水下爆炸气泡体积最大及最小时刻形态及附近流场压力和不同气泡脉动周期内气泡体积最大及最小时刻形态及附近流场压力构建成样本数据库。
具体地，本发明实施例采用边界元、有限元、无网格等方法计算水下爆炸气泡脉动特性，通过改变药包质量m和爆炸水深h，得到不同水下爆炸条件下气泡形态及附近流场压力的样本数据库，因气泡在不同时刻时会呈现不同形态，为提高建立样本数据库的效率并反映典型时刻气泡脉动规律，数值计算结果主要收集不同脉动周期内气泡体积最大及最小时刻形态及附近流场压力构建样本数据库，同一爆炸水深h或同一药包质量m条件下，样本数量应大于等于20，不同药包质量m和不同爆炸水深h条件下，样本数量应不少于100。
需要说明的是，若爆炸水深h小于两倍气泡最大半径rm时，需同时建立自由液面形态数据库。
在步骤S2中，将样本数据库划分为训练集和验证集，以建立用于预测水下爆炸气泡体积最大及最小时刻形态的全连接深度神经网络模型，并通过贝叶斯方法优化全连接深度神经网络模型，以预测气泡形态。
进一步地，在本发明的一个实施例中，若建立自由液面形态数据库，则自由液面形态数据库将用于步骤S2和步骤S4中，以建立用于预测水下爆炸气泡体积最大及最小时刻气泡形态和自由液面形态的全连接深度神经网络模型以及用于预测水下爆炸气泡体积最大及最小时刻气泡附近流场压力的卷积反卷积神经网络模型。
具体地，本发明实施例建立样本数据库后，可将样本数据库分为训练集和验证集，其中训练集样本数量与总样本数量比值不少于3/4，根据样本数据库建立一个用于预测不同脉动周期内气泡体积最大及最小时刻形态(和自由液面形态)的全连接神经网络模型，其中，全连接深度神经网络模型由一个输入和输出层、多个隐含层构成，其中，输入层的变量与步骤S1数值计算中变量一致；隐含层数目n≥4，且用于预测气泡形态(和自由液面形态)的各隐含层神经元数目依次为a1，a2，…，an-1，an，且an≥an-1≥…≥a2≥a1；输出层给出气泡形态δ(xi，yi)(和自由液面形态θ(xj，yj))，其中i、j分别为气泡轮廓面、自由液面离散点数目，且i≥50，j≥40。
进一步地，在本发明的一个实施例中，步骤S2中利用贝叶斯方法优化全连接深度神经网络模型中隐含层数目、各隐含层神经元数目、训练步数及学习率。
具体地，可将该全连接深度神经网络模型训练精度阈值ε设置为0.9，采用贝叶斯方法优化隐含层及每个隐含层神经元数量、学习率及训练步数，以提高深度神经网络的训练效率和精度。通过监督预测值与验证集数据间平均相对误差，确定最优的隐含层及各隐含层神经元的数目、训练步数和学习率，以此得到基于深度学习的水下爆炸气泡体积最大及最小时刻形态(和自由液面形态)预测方法，预测气泡形态。
在步骤S3中，基于气泡形态建立表征流场各点至气泡轮廓的最小距离函数。
在步骤S4中，基于样本数据库和最小距离函数，建立用于预测水下爆炸气泡体积最大及最小时刻气泡附近流场压力的卷积反卷积神经网络模型，并通过贝叶斯方法优化卷积反卷积神经网络模型，以预测典型时刻气泡附近流场压力。
具体地，将步骤S2所预测的气泡形态δ(xi，yi)(和自由液面形态θ(xj，yj))，转换为表征流场各点至气泡形态(和自由液面形态)最小距离的距离函数Mb×Nb(和Mf×Nf)；距离函数Mb×Nb、Mf×Nf均为矩阵，且Mb×Nb表征沿水深方向和垂直于水深方向均匀离散出的流场各点至气泡形态的最小距离，Mf×Nf表征流场各点至自由液面形态的最小距离；Mb×Nb和Mf×Nf所构成的两个矩阵的行、列元素数目相同，以此作为预测气泡附近流场压力的卷积反卷积深度学习模型的输入变量，该神经网络模型包含一个输入和输出层、多个卷积和反卷积层，同时该模型仍采用步骤S1所建立的样本数据库；其中卷积层层数q≥4；反卷积层数定义为p，且满足p≥q≥4；输出层给出表征气泡附近流场压力的函数Mp×Np，其中Mp×Np为矩阵且表征沿水深方向和垂直于水深方向均匀离散出的流场各点压力，且矩阵Mp×Np与矩阵Mb×Nb的行、列元素数目相同。
进一步地，在本发明的一个实施例中，步骤S3中利用贝叶斯方法优化卷积反卷积神经网络模型中的训练步数和学习率。
具体地，可将该模型训练精度阈值ε设置为0.9，采用贝叶斯方法优化训练步数和学习率，以提高深度神经网络的训练效率和精度。通过监督预测值与验证集数据间平均相对误差，选择最优的训练步数和学习率，以此构建最优的预测气泡附近流场压力的卷积反卷积深度神经网络模型，并将预测得到的气泡形态(和自由液面形态)及附近流场压力结果通过图像处理技术显示出来。
如图2所示，本发明实施例以近自由液面下水下爆炸气泡第一个脉动周期内最大气泡体积及对应时刻下附近流场压力预测为例，具体如下：
步骤一，首先根据GH模型得到药包质量m和爆炸水深h条件下气泡最大半径rm，取流体域尺寸为气泡最大半径rm的6倍或6倍以上。在此基础上，通过边界元、有限元或无网格等方法模拟水下爆炸气泡形态δ(xi，yi)及自由液面形态θ(xj，yj)，将气泡轮廓面和自由液面分别均匀离散为200个和100个点，即i＝200，j＝100。以初始气泡中心为中心点，并定义平行于初始自由液面平面为x轴，垂直与初始自由液面并指向自由液面方向为y轴正方向。为节约计算资源，流体域压力场数据仅收集沿x轴正负方向为1.2倍气泡最大半径、沿y轴负方向为2倍气泡最大半径、沿y轴正方向为3倍气泡最大半径区域内的结果，得到如附图3所示水下爆炸气泡数值计算模型。
在上述基础上，改变药包质量m和爆炸水深h中的任意一个或两个变量，对水下爆炸气泡脉动特性再次进行数值计算，得到不同工况下气泡形态和自由液面形态以及附近流场压力数据，以此建立样本数据库。当计算不同药包质量m或不同爆炸水深h时，样本总量不少于20个；当计算不同药包质量m和不同爆炸水深h时，样本总量不少于100个。建立样本数据库后，将样本数据库分为训练集和验证集，其中训练集样本数量与样本总数量比值不少于3/4。
步骤二，基于上述所建立的样本数据库，建立一个用于预测气泡第一个脉动周期内体积最大时刻形态的全连接神经网络模型，其由一个输入和输出层、多个隐含层构成。其中，输入层变量与步骤一数值计算变量一致。
将该模型训练精度阈值ε设置为0.9，采用贝叶斯方法优化隐含层及各隐含层神经元的数目、训练步数和学习率，以提高深度神经网络的训练效率和精度。通过监督预测值与验证集数据间平均相对误差，最终确定隐含层数目为4，第1-4隐含层的神经元数目依次为8、16、32、64，学习率为0.005，训练步数等于30000。
根据上述参数所建立的深度神经网络模型，其输出层给出气泡第一个脉动周期内体积最大时刻形态δ(xi，yi)和自由液面形态θ(xj，yj)，其中气泡轮廓面离散点数目i＝180，自由液面离散点数目j＝180，并结合图像处理技术给出如附图4所示气泡形态预测结果。
步骤三，将步骤二所预测的气泡形态δ(xi，yi)和自由液面形态θ(xj，yj)，转换为表征流场中各点至气泡以及自由液面最小距离的函数Mb×Nb和Mf×Nf，函数Mb×Nb(和Mf×Nf)均为矩阵，其中Mb×Nb表征沿水深方向和垂直于水深方向均匀离散出来的流场各点至气泡形态的最小距离，Mf×Nf表征流场各点至自由液面形态的最小距离，且Mb×Nb和Mf×Nf两个矩阵的行元素数目均为240，列元素数目均为60，并以此作为预测气泡体积最大及最小时刻附近流场压力的卷积反卷积深度神经网络模型输入层变量，该神经网络模型还包含多个卷积层和反卷积层、一个输出层。该神经网络模型仍采用步骤一所建立的样本数据库；同时，通过参数对比及优化，将卷积层和反卷积层数目均设置为5。
将该模型训练精度阈值ε设置为0.9，采用贝叶斯方法优化训练步数和学习率，以提高深度神经网络的训练效率和精度。通过监督预测值与验证集数据间平均相对误差，确定最优训练步数为50000、学习率为0.0035，以此建立用于预测气泡附近流场压力的卷积反卷积深度神经网络模型。基于此模型在输出层给出气泡和自由液面附近流场压力预测数据，并通过图像处理技术给出如附图5所示流场压力预测结果。
根据本发明实施例提出的基于深度学习的水下爆炸气泡形态及附近流场压力预测方法，采用边界元、有限元、无网格等方法计算得到的水下爆炸气泡脉动特性结果进行深入分析和挖掘，并根据气泡形态及附近流场压力的不同数据形式，分别建立两个不同架构的深度神经网络，且将建立的全连接神经网络输出层预测值计算转换为卷积反卷积神经网络的输入层变量，从而得到不同脉动周期内气泡体积最大及最小时刻形态及附近流场压力快速预测方法，可大量节约计算资源和时间，具有较高的工程应用价值。

Claims (10)

1.一种基于深度学习的水下爆炸气泡形态及附近流场压力预测方法，其特征在于，包括以下步骤：
步骤S1，对水下爆炸气泡脉动特性进行数值计算，通过改变药包质量和爆炸水深，建立不同水下爆炸条件下气泡体积最大及最小时刻形态及附近流场压力的样本数据库；
步骤S2，将所述样本数据库划分为训练集和验证集，以建立用于预测水下爆炸气泡体积最大及最小时刻形态的全连接深度神经网络模型，并通过贝叶斯方法优化所述全连接深度神经网络模型，以预测气泡形态；
步骤S3，基于所述气泡形态建立表征流场各点至气泡轮廓的最小距离函数；
步骤S4，基于所述样本数据库和所述最小距离函数，建立用于预测水下爆炸气泡体积最大及最小时刻气泡附近流场压力的卷积反卷积神经网络模型，并通过贝叶斯方法优化所述卷积反卷积神经网络模型，以预测典型时刻气泡附近流场压力。
2.根据权利要求1所述的基于深度学习的水下爆炸气泡形态及附近流场压力预测方法，其特征在于，所述步骤S1中采用边界元、有限元或无网格任一种方法对水下爆炸气泡脉动特性进行数值计算。
3.根据权利要求1所述的基于深度学习的水下爆炸气泡形态及附近流场压力预测方法，其特征在于，所述步骤S1的具体包括：
步骤S101，对水下爆炸气泡脉动特性进行数值计算，收集计算得到的水下爆炸气泡体积最大及最小时刻形态及附近流场压力；
步骤S102，改变所述药包质量和所述爆炸水深，计算后收集不同气泡脉动周期内气泡体积最大及最小时刻形态及附近流场压力；
步骤S103，将所述水下爆炸气泡体积最大及最小时刻形态及附近流场压力和所述不同气泡脉动周期内气泡体积最大及最小时刻形态及附近流场压力构建成所述样本数据库。
4.根据权利要求1所述的基于深度学习的水下爆炸气泡形态及附近流场压力预测方法，其特征在于，所述全连接深度神经网络模型由一个输入层 和输出层、多个隐含层构成，其中，所述输入层的变量为药包质量和爆炸水深，隐含层数目n≥4，用于预测气泡形态的各隐含层神经元数目依次为a1，a2，…，an-1，an，且an≥an-1≥…≥a2≥a1；输出层给出气泡形态δ(xi，yi)，其中i为气泡轮廓面离散点数目，且i≥50；将δ(xi，yi)上各离散点用光滑曲线连接以显示气泡形态。
5.根据权利要求1所述的基于深度学习的水下爆炸气泡形态及附近流场压力预测方法，其特征在于，所述卷积反卷积神经网络模型由一个输入层 和输出层、多个卷积和反卷积层构成，其中，所述输入层变量为最小距离函数Mb×Nb，其中距离函数Mb×Nb为矩阵，且Mb×Nb表征沿水深方向和垂直于水深方向均匀离散出的流场各点至气泡形态的最小距离；卷积层层数q≥4；反卷积层数p，且满足p≥q≥4；输出层给出表征气泡附近流场压力的函数Mp×Np，其中Mp×Np为矩阵且表征沿水深方向和垂直于水深方向均匀离散出的流场各点压力，且矩阵Mp×Np与矩阵Mb×Nb的行、列元素数目相同。
6.根据权利要求1所述的基于深度学习的水下爆炸气泡形态及附近流场压力预测方法，其特征在于，所述步骤S2中利用贝叶斯方法优化所述全连接深度神经网络模型中隐含层数目、各隐含层神经元数目、训练步数及学习率，所述步骤S3中利用贝叶斯方法优化所述卷积反卷积神经网络模型中的训练步数和学习率。
7.根据权利要求1所述的基于深度学习的水下爆炸气泡形态及附近流场压力预测方法，其特征在于，所述步骤S1中若爆炸水深小于两倍气泡最大半径时，需同时建立自由液面形态数据库。
8.根据权利要求7所述的基于深度学习的水下爆炸气泡形态及附近流场压力预测方法，其特征在于，若建立所述自由液面形态数据库，则所述自由液面形态数据库将用于所述步骤S2和步骤S4中，以建立用于预测水下爆炸气泡体积最大及最小时刻气泡形态和自由液面形态的全连接深度神经网络模型以及用于预测水下爆炸气泡体积最大及最小时刻气泡附近流场压力的卷积反卷积神经网络模型。
9.根据权利要求8所述的基于深度学习的水下爆炸气泡形态及附近流场压力预测方法，其特征在于，所述全连接深度神经网络模型由一个输入层 和输出层、多个隐含层构成，其中，所述输入层的变量为药包质量和爆炸水深，隐含层数目n≥4，用于预测气泡形态的各隐含层神经元数目依次为a1，a2，…，an-1，an，且an≥an-1≥…≥a2≥a1；输出层给出气泡形态δ(xi，yi)和自由液面形态θ(xj，yj)，其中i、j分别为气泡轮廓面、自由液面离散点数目，且i≥50，j≥40；将δ(xi，yi)和θ(xj，yj)上各离散点用光滑曲线连接以显示气泡形态和自由液面形态。
10.根据权利要求8所述的基于深度学习的水下爆炸气泡形态及附近流场压力预测方法，其特征在于，所述卷积反卷积神经网络模型由一个输入和输出层、多个卷积和反卷积层构成，其中，输入层的变量为最小距离函数Mb×Nb和Mf×Nf，其中距离函数Mb×Nb、Mf×Nf均为矩阵，且Mb×Nb表征沿水深方向和垂直于水深方向均匀离散出的流场各点至气泡轮廓的最小距离，Mf×Nf表征流场各点至自由液面的最小距离；Mb×Nb和Mf×Nf所构成的两个矩阵的行、列元素数目相同；卷积层层数q≥4；反卷积层数p，且满足p≥q≥4；输出层给出表征气泡附近流场压力的函数Mp×Np，其中Mp×Np为矩阵且表征沿水深方向和垂直于水深方向均匀离散出的流场各点压力，且矩阵Mp×Np与矩阵Mb×Nb的行、列元素数目相同。
CN202210125411.8A 2022-02-10 2022-02-10 基于深度学习的水下爆炸气泡形态及附近流场压力预测方法 Active CN114528759B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210125411.8A CN114528759B (zh) 2022-02-10 2022-02-10 基于深度学习的水下爆炸气泡形态及附近流场压力预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210125411.8A CN114528759B (zh) 2022-02-10 2022-02-10 基于深度学习的水下爆炸气泡形态及附近流场压力预测方法

Publications (2)

Publication Number Publication Date
CN114528759A CN114528759A (zh) 2022-05-24
CN114528759B true CN114528759B (zh) 2022-09-09

Family

ID=81623176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210125411.8A Active CN114528759B (zh) 2022-02-10 2022-02-10 基于深度学习的水下爆炸气泡形态及附近流场压力预测方法

Country Status (1)

Country Link
CN (1) CN114528759B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6707760B1 (en) * 2002-11-22 2004-03-16 Bbnt Solutions Llc Projectile sonar
CN112784508A (zh) * 2021-02-12 2021-05-11 西北工业大学 一种基于深度学习的翼型流场快速预测方法
CN113312832A (zh) * 2021-03-22 2021-08-27 哈尔滨工程大学 一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6707760B1 (en) * 2002-11-22 2004-03-16 Bbnt Solutions Llc Projectile sonar
CN112784508A (zh) * 2021-02-12 2021-05-11 西北工业大学 一种基于深度学习的翼型流场快速预测方法
CN113312832A (zh) * 2021-03-22 2021-08-27 哈尔滨工程大学 一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Nonlinear interaction between underwater explosion bubble and structure based on fully coupled model;Zhang, A. M等;《PHYSICS OF FLUIDS》;20170801;第29卷(第8期);全文 *
不同边界条件下水下爆炸气泡的数值模拟;方斌等;《海军工程大学学报》;20080415(第02期);全文 *
水下爆炸中气泡射流壁压特性实验研究;崔雄伟等;《爆炸与冲击》;20201218;第40卷(第11期);全文 *

Also Published As

Publication number Publication date
CN114528759A (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
CN110544011B (zh) 一种智能化的体系作战效能评估和优化方法
CN111292525B (zh) 基于神经网络的交通流预测方法
CN113378939B (zh) 基于物理驱动神经网络的结构数字孪生建模与参数识别法
CN108446794A (zh) 一种基于多个卷积神经网络结合架构深度学习预测方法
CN112307536B (zh) 一种大坝渗流参数反演方法
CN108537366B (zh) 基于最优卷积二维化的水库调度方法
CN112364560B (zh) 矿山凿岩装备作业工时智能预测方法
CN112949165A (zh) 一种基于神经网络模型与nsga-ii遗传算法的射流泵多目标优化方法
CN111105097A (zh) 一种基于卷积神经网络的大坝变形预测系统和方法
CN111651916B (zh) 一种基于深度学习的材料性能预测方法
CN113435128A (zh) 基于条件生成式对抗网络的油气藏产量预测方法及装置
CN112949944A (zh) 一种基于时空特征的地下水位智能预测方法及系统
CN106485030B (zh) 一种用于sph算法的对称边界处理方法
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN114743617A (zh) 一种高效的MOFs材料搜索与生成方法
CN114528759B (zh) 基于深度学习的水下爆炸气泡形态及附近流场压力预测方法
CN117556727A (zh) 基于深度学习的扑翼时变气动力预测方法及装置
CN111210877B (zh) 一种推断物性参数的方法及装置
CN116401755B (zh) 基于CNN-LSTM-Attention网络结构的固体火箭发动机总冲预测方法
CN114818128B (zh) 船体局部曲面优化神经网络建模方法及优化方法
CN106503456A (zh) 基于超球体变换的集合卡尔曼滤波油藏动态历史拟合方法
CN111159956A (zh) 一种基于特征的流场间断捕捉方法
CN115481554A (zh) 炸药熔铸固化过程热扩散数字孪生模型、温度场实时优化控制模型及方法
CN107784378B (zh) 一种弹带与坡膛尺寸公差方案的模糊优选方法
CN117435308B (zh) 一种基于并行计算算法的Modelica模型仿真方法及系统

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