CN114581733A - 一种cfd数据湍流特征分析方法及设备 - Google Patents

一种cfd数据湍流特征分析方法及设备 Download PDF

Info

Publication number
CN114581733A
CN114581733A CN202210214326.9A CN202210214326A CN114581733A CN 114581733 A CN114581733 A CN 114581733A CN 202210214326 A CN202210214326 A CN 202210214326A CN 114581733 A CN114581733 A CN 114581733A
Authority
CN
China
Prior art keywords
turbulence
target detection
data
flow field
target
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.)
Pending
Application number
CN202210214326.9A
Other languages
English (en)
Inventor
淮晓永
谌一三
郑和芳
王春霞
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.)
6th Research Institute of China Electronics Corp
Original Assignee
6th Research Institute of China Electronics Corp
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 6th Research Institute of China Electronics Corp filed Critical 6th Research Institute of China Electronics Corp
Priority to CN202210214326.9A priority Critical patent/CN114581733A/zh
Publication of CN114581733A publication Critical patent/CN114581733A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/24—Fluid dynamics
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种CFD数据湍流特征分析方法及设备，应用于数据分析技术领域，该方法包括：根据目标检测标注工具对三维流场数据的截面可视化图像进行目标标注，得到湍流目标训练样本集；根据湍流目标训练样本集中的训练集对目标检测模型进行模型训练，得到候选湍流目标检测模型；基于湍流目标训练样本集中的测试集对候选湍流目标检测模型进行模型评价，得到湍流特征目标检测模型；对计算域流场数据进行仿真试验求解计算，得到仿真试验流场数据；根据湍流特征目标检测模型对仿真试验流场数据中所蕴含的湍流特征进行目标检测分析处理，得到湍流特征分析结果；本申请的有益效果：有效提高数据分析处理的自动化水平、数据分析效率及数据分析准确率。

Description

一种CFD数据湍流特征分析方法及设备
技术领域
本申请涉及流场数据分析技术领域，具体而言，涉及一种CFD数据湍流特征分析方法及设备。
背景技术
CFD(Computational Fluid Dynamics，计算流体动力学)仿真软件,主要通过模拟仿真试验以分析工业设计方案的流体内部规律和动力学物理特性，进而改进优化设计方案，在航空航天、船舶、汽车、气象、医学等领域应用广泛。根据计算流体动力学仿真软件对三维流场数据进行可视化分析是常规方法，通过流场中标量的可视化云图、等值线图、流线图形象直观地观察分析流场的物理特性，识别分析其中的物理特征变化规律，进而分析设计方案的优缺点，提出对设计方案的优化改进。目前三维流场数据分析一般是基于分析人员经验，利用可视化工具生成流场数据的可视化图像，再根据经验识别其中的物理特征，如流场中是否存在湍流特征、及湍流特征变化规律。由于三维空间流场数据分析处理工作繁杂，需要手动选择各种可视化工具，设置多种参数进行反复的图像生成，再通过视觉观察分析提取其中的物理特征；并且分析处理需要依赖于分析人员的经验，需要熟悉各可视化分析工具的使用方法，以及对设计方案流场数据分析的经验积累，因此，如何利用人工智能方法自动进行特征检测分析处理，提高数据分析的智能化水平和分析效率是亟待解决的问题之一。
发明内容
有鉴于此，本申请实施例提供了一种CFD数据湍流特征分析方法，能够自动对CFD仿真试验数据进行湍流特征识别和湍流变化规律分析处理，有效提高数据分析处理的智能化水平和数据分析效率。
第一方面，本申请实施例提供了一种CFD数据湍流特征分析方法，包括：
根据目标检测标注工具对三维流场数据的截面可视化图像进行目标标注，得到湍流目标训练样本集，其中，所述目标训练样本集分为训练集和测试集；
根据所述湍流目标训练样本集中的训练集对目标检测模型进行模型训练，得到候选湍流目标检测模型；
基于所述湍流目标训练样本集中的测试集对所述候选湍流目标检测模型进行模型评价，得到湍流特征目标检测模型；
在设计方案工况下，对计算域流场数据进行仿真试验求解计算，得到仿真试验流场数据；
根据所述湍流特征目标检测模型对所述仿真试验流场数据中所蕴含的湍流特征进行目标检测分析处理，得到湍流特征分析结果。
结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，对三维流场数据的截面可视化图像进行目标标注之前，还包括：
获取历史仿真试验计算域流场的三维流场数据；
采用可视化类库的切片工具，对所述三维流场数据进行切片处理，得到若干个三维流场截平面的截面数据集；
采用可视化类库中数据可视化分析工具，对所述截面数据集中每个截平面进行可视化处理，得到每个截平面对应的截面可视化图像，其中，所述截面可视化图像包括云图、等值线图、流线图。
结合第一方面的第一种可能的实施方式，本申请实施例提供了第一方面的第二种可能的实施方式，其中，根据目标检测标注工具对三维流场数据的截面可视化图像进行目标标注，得到湍流目标训练样本集，包括：
对所述截面可视化图像进行湍流特征分析，确定所述截面可视化图像中的湍流特征对象；
根据所述目标检测标注工具对所述湍流特征对象进行目标标注，得到湍流目标训练样本集。
结合第一方面的第一种可能的实施方式或第二种可能的实施方式，本申请实施例提供了第一方面的第三种可能的实施方式，其中，根据所述湍流目标训练样本集中的训练集对目标检测模型进行模型训练，得到候选湍流目标检测模型，包括：
将所述训练集输入到卷积神经网络的目标检测模型中进行模型训练，训练后得到候选湍流目标检测模型，其中，所述流场训练集的预设训练参数包含：迭代次数、学习率、动量、类别数量、NMS阈值(Non maximum suppression，NMS非极大值抑制)。
结合第一方面的第一种可能的实施方式或第二种可能的实施方式，本申请实施例提供了第一方面的第四种可能的实施方式，其中，基于所述湍流目标训练样本集中的测试集对所述候选湍流目标检测模型进行模型评价，得到湍流特征目标检测模型，包括：
根据检测评价指标，利用测试集对候选湍流目标检测模型进行模型评价，其中，所述检测评价指标包含：精度评价指标和速度评价指标；
如果所述候选湍流目标检测模型的检测评价指标大于预设阈值，则候选湍流目标检测模型符合检测精度，得到湍流特征目标检测模型并存储至模型库中。
结合第一方面的第一种可能的实施方式或第二种可能的实施方式，本申请实施例提供了第一方面的第五种可能的实施方式，其中，在设计方案工况下，对计算域流场数据进行仿真试验求解计算，得到仿真试验流场数据，包括：
根据计算流体动力学模型在设计方案工况下，对计算域流场数据的流体压力、速度和湍流特征参数进行仿真试验求解计算，得到所述计算流体动力学模型外流场的所述仿真试验流场数据。
结合第一方面的第一种可能的实施方式或第二种可能的实施方式，本申请实施例提供了第一方面的第六种可能的实施方式，其中，根据所述湍流特征目标检测模型对所述仿真试验流场数据中所蕴含的湍流特征进行目标检测分析处理，得到湍流特征分析结果，包括：
根据所述湍流特征目标检测模型对坐标系Z轴方向的所述仿真试验流场数据中所蕴含的湍流特征进行目标检测分析处理；
采用可视化类库的切片工具，以Z轴向为切平面法向量，对三维流场数据进行切片处理，得到若干个Z轴三维流场截平面的截面数据集；
采用可视化类库中数据可视化分析工具，对所述截面数据集中每个截平面进行数据可视化处理，得到每个截平面对应的截面可视化图像；
根据目标检测算法，对每个截平面对应的所述可视化增强图像进行湍流特征的目标检测；
如果所述可视化增强图像中检测到湍流特征，则将该截平面的可视化增强图像添加到截面数据集中；
针对截面数据集中每个截平面从试验开始时刻到结束时刻中每个时长的可视化图像，使用动画制作工具，按照时间顺序，生成每个截平面位置的湍流特征动画数据；
将检测到的含有湍流特征对象的截面可视化图像和生成的湍流特征动画数据作为湍流特征分析结果。
结合第一方面的第一种可能的实施方式或第二种可能的实施方式，本申请实施例提供了第一方面的第七种可能的实施方式，其中，针对湍流特征分析结果进行可视化展示，包括：
在图形交互视窗中对分析到的湍流特征变化动画数据结果进行可视化展示，其中，所述可视化展示包含：动画播放操作、步进操作、放大操作、缩小操作。
第二方面，本申请实施例还提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求中任一项的CFD数据湍流特征分析方法步骤。
本申请实施例提供的一种CFD数据湍流特征分析方法，根据目标检测标注工具对三维流场截面数据可视化图像进行目标标注，得到湍流目标训练样本集，将湍流目标训练样本集中的训练集输入到目标检测模型进行模型训练，得到候选湍流目标检测模型，基于目标训练样本集中的测试集对湍流目标检测模型进行评价，得到符合检测精度的湍流特征目标检测模型。在设计方案工况下，对计算域流场数据进行仿真试验求解计算，得到仿真试验流场数据，根据湍流特征目标检测模型对仿真试验流场数据中所蕴含的湍流特征进行目标检测分析处理，以及湍流特征动画生成处理，并将生成的湍流特征动画数据进行可视化展示。本方案有益效果能够基于目标检测模型自动对CFD仿真试验三维流场数据进行湍流特征识别，并生成湍流特征动画，能够有效提高CFD数据分析处理的智能化水平和数据分析效率。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例所提供的一种CFD数据湍流特征分析方法的流程示意图。
图2示出了本申请实施例所提供的一种CFD数据湍流特征分析方法中对截面可视化图像进行目标标注的流程示意图。
图3示出了本申请实施例所提供的一种CFD数据湍流特征分析方法中对湍流特征进行目标检测分析的流程示意图。
图4示出了本申请实施例所提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
目前分析处理CFD仿真试验三维流场数据，一般是通过切片工具生成若干个截面，再在各截面生成流场中标量的云图、等值线图，进而分析获取其中的物理特性与规律。这种基于可视化工具集的手工操作分析处理方式，需要分析人员根据经验手动选择利用各种工具，设置各种分析参数，生成不同的可视化图像，再通过人工观察识别图像中的物理特征与规律，现有方法存在如下缺点：
其一、分析处理工作繁杂，需要手动选择各种可视化工具，设置多种参数进行反复的图像生成，再通过视觉观察分析提取其中的物理特征，工作耗时、效率较低；
其二、依赖于分析员的经验，需要熟悉各可视化分析工具的使用方法，以及对设计方案流场数据分析的经验积累，否则很难分析得出科学准确的试验结论；
其三、同一类仿真试验往往具有一定的相关性，可以利用历史数据进行特征模型的训练建模，进而基于特征模型进行自动的特征识别处理，以提高数据处理的智能化水平。而当前的技术方案未考虑收集历史试验数据。
针对现阶段上述问题，可以根据目标检测智能处理方法，收集历史同类试验数据，建立湍流特征标注数据集，训练建立湍流特征目标检测模型，基于目标检测模型进行自动对CFD数据进行湍流特征识别处理。基于此，本申请实施例提供了一种CFD数据湍流特征分析方法，下面通过实施例进行描述。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
图1示出了本申请实施例所提供的一种CFD数据湍流特征分析方法的流程示意图；如图1所示，具体包括以下步骤：
步骤S10，根据目标检测标注工具对三维流场数据的截面可视化图像进行目标标注，得到湍流目标训练样本集，其中，目标训练样本集分为训练集和测试集。
步骤S10在具体实施时，在对三维流场数据的截面可视化图像进行目标标注之前，还包括在计算流体动力学软件的可视化窗口中打开工程菜单，从执行的工程菜单中选择待分析的工程文件，通过可视化类库读取工程文件中汽车外流场历史仿真试验的三维流场数据，并对读取的三维流场数据进行解析处理，再采用可视化类库的切片工具，在Z轴上取多个变量，以Z轴为切平面的法向量对解析后的三维流场数据中若干截平面进行切片处理，得到若干个三维流场截平面的截面数据集，再采用可视化类库中数据可视化分析工具，根据对截面数据集中每个截平面进行可视化处理，生成每个截平面速度标量的截面可视化图像，上述截面可视化图像可以为云图、等值线图、流线图；然后，根据目标检测标注工具，对图像中的湍流特征对象进行目标标注，得到标注的目标训练样本集，并将标注的目标训练样本集保存到标注数据库中，其中，上述湍流目标训练样本集的标注文件遵循PASCAL VOC格式的XML文件。
步骤S20，根据湍流目标训练样本集中的训练集对目标检测模型进行模型训练，得到候选湍流目标检测模型。
步骤S20在具体实施时，从湍流目标训练样本集中选取三分之二的样本集作为训练集，将选取的训练集输入到卷积神经网络的目标检测模型中，根据训练集的训练参数对目标检测模型进行模型训练，直到模型达到迭代次数得到候选湍流目标检测模型；常用的湍流目标检测模型有R-CNN模型(Selective Search+CNN+SVM)、Fast-R-CNN模型(Selective Search+CNN+ROI))、Faster-R-CNN模型(Selective Search+CNN+ROI)、YOLO模型(You Only Look Once)、SSD模型(Single Shot MultiBox Detector)。
步骤S30，基于湍流目标训练样本集中的测试集对候选湍流目标检测模型进行模型评价，得到湍流目标检测模型。
步骤S30在具体实施时，从湍流目标训练样本集中选取三分之一的样本集作为测试集，基于测试集对候选湍流目标检测模型进行模型精度和模型速度评价，若候选湍流目标检测模型的检测精度达到阈值时，则将候选湍流目标检测模型保存至模型库中，得到符合检测精度的湍流特征目标检测模型。
步骤S40，在设计方案工况下，对计算域流场数据进行仿真试验求解计算，得到仿真试验流场数据。
步骤S40在具体实施时，在工业设计方案的计算域流场工况下，根据计算流体动力学模型底层的动量和质量守恒的流体动力学求解器，结合时间变化，对计算域流场数据每个局部位置的特定时间点湍流特征进行仿真试验计算，以及流体动力学求解器根据湍流特征变化规律的特点匹配当前的仿真试验运算，通过仿真试验运算完成求解过程，得到仿真试验流场数据。
步骤S50，根据湍流特征目标检测模型对仿真试验流场数据中所蕴含的湍流特征及湍流特征动画数据进行目标检测分析处理，得到湍流特征分析结果。
步骤S50在具体实施时，根据湍流特征目标检测模型对仿真试验流场数据所对应Z轴、X轴、Y轴、的湍流特征进行自动识别，如果存在湍流特征，则生成相应的湍流特征动画数据作为湍流特征分析结果。
在一个可行的实现方案中，图2示出了本申请实施例所提供的一种CFD数据湍流特征分析方法中对截面可视化图像进行目标标注的流程示意图；上述步骤S10中，根据目标检测标注工具对三维流场数据的截面可视化图像进行目标标注，得到湍流目标训练样本集，包括：
步骤S101，使用目标检测标注工具以人工识别形式，对截面可视化图像进行湍流特征分析，确定截面可视化图像中的湍流特征对象。
步骤S102，根据目标检测标注工具对湍流特征对象进行目标标注，得到湍流目标训练样本集。
步骤S101、S102在具体实施时，根据目标检测标注工具的标注功能，对截面可视化图像上的湍流特征进行目标标注，得到标注后的湍流目标训练样本集，将标注后的湍流目标训练样本集保存到标注数据库中。上述湍流训练样本集为同一类CFD仿真试验，如本实施例为汽车外流场仿真试验的训练样本集，也可以根据试验类别建立其他类别的训练样本集。
在一个可行的实现方案中，上述步骤S20中，根据湍流目标训练样本集中的训练集对目标检测模型进行模型训练，得到候选湍流目标检测模型，包括：
步骤201，将训练集输入到卷积神经网络的目标检测模型中进行模型训练，训练后得到候选湍流目标检测模型，其中，流场训练集的预设训练参数包含：迭代次数、学习率、动量、类别数量、NMS阈值。
步骤201在具体实施时，从湍流目标训练样本集中选取三分之二的样本集作为训练集，将训练集输入到卷积神经网络目标检测模型中，根据设置的训练参数进行模型训练计算，得到候选湍流目标检测模型。其中，训练参数包含：迭代次数、学习率、动量、类别数量、NMS阈值。
在一个可行的实现方案中，上述步骤S30中，基于湍流目标训练样本集中的测试集对候选湍流目标检测模型进行模型评价，得到湍流特征目标检测模型，包括：
步骤301，根据检测评价指标，利用测试集对候选湍流目标检测模型进行模型评价，其中，检测评价指标包含：精度评价指标和速度评价指标。
步骤302，如果候选湍流目标检测模型的检测评价指标大于预设阈值，则候选湍流目标检测模型符合检测精度，得到湍流特征目标检测模型并存储至模型库中。
步骤301、302在具体实施时，模型训练完成后，从湍流目标训练样本集中选取三分之一的样本集作为测试集，将测试集输入到候选湍流目标检测模型中，根据精度评价指标和速度评价指标对候选湍流目标检测模型进行模型评价。若候选湍流目标检测模型的检测精度达到阈值时，则将其保存至模型库中，用于实际湍流特征目标检测使用。
在一个可行的实现方案中，上述步骤S40中，在设计方案工况下，对计算域流场数据进行仿真试验求解计算，得到仿真试验流场数据，包括：
步骤401，根据计算流体动力学模型在设计方案工况下，对计算域流场数据的流体压力、速度和湍流特征参数进行仿真试验求解计算，得到计算流体动力学模型外流场的仿真试验流场数据。
步骤401在具体实施时，根据计算流体动力学模型底层的动量和质量守恒的流体动力学求解器，利用NS方程(Navier-Stokes equations，粘性流体动力学)和连续性方程对三维区域内部的计算域流场数据中的流体特征，如流体压力、速度、湍流特征参数等进行仿真试验求解计算，运用NS方程对笛卡尔坐标系进行拆分，将速度矢量沿着每一个坐标轴进行分解，分别得到三个速度变量，结合上述连续性方程形成方程组来仿真待处理湍流分析数据的流动过程，得到仿真试验流场数据。
在一个可行的实现方案中，图3示出了本申请实施例所提供的一种CFD数据湍流特征分析方法中对湍流特征进行目标检测分析的流程示意图；上述步骤S50中，根据湍流特征目标检测模型对仿真试验流场数据中所蕴含的湍流特征进行目标检测分析处理，得到湍流特征分析结果，包括：
步骤S501，采用可视化类库的切片工具，以Z轴方向为切平面法向量，对仿真试验流场数据进行切片处理，得到若干个Z轴三维流场截平面的截面数据集。
步骤S502，采用可视化类库中数据可视化分析工具，对截面数据集中每个截平面进行数据可视化处理，得到每个截平面对应的截面可视化图像。
步骤S503，针对每个截平面对应的截面可视化图像进行图像增强处理，得到可视化增强图像。
步骤S504，根据目标检测算法，对每个截平面对应的可视化增强图像进行湍流特征的目标检测分析处理。
步骤S505，如果可视化增强图像中检测到湍流特征，则将该截平面的可视化增强图像添加到截面数据集中。
步骤S506，针对截面数据集中每个截平面从试验开始时刻到结束时刻中每个时长的可视化图像，使用动画制作工具，按照时间顺序，生成每个截平面位置的湍流特征动画数据。
步骤S507，将检测到的含有湍流特征对象的截面可视化图像和生成的湍流特征动画数据作为湍流特征分析结果。
步骤S501、S502、S503、S504、S505、S506、S507在具体实施时，采用可视化类库的切片工具，在Z轴上均匀取多个变量，以Z轴为切平面的法向量对解析后的三维流场数据中若干截平面进行切片处理，得到若干个三维流场截平面的截面数据集，再采用可视化类库中数据可视化分析工具，对截面数据集中每个截平面进行可视化处理，生成每个截平面速度标量的截面可视化图像；设置截面可视化图像的工程图颜色模板为灰度类型，设置颜色表数量，基于空域的算法对截面可视化图像的灰度级做运算，并基于频域的算法在图像变化域内对图像的变换系数值进行修正，然后，再基于均值滤波算法和中值滤波算法对截面可视化图像进行平滑和锐化处理，得到可视化增强图像；从模型库中加载湍流特征目标检测模型，根据目标检测算法对每个截平面对应的可视化增强图像进行湍流特征目标检测，如果检测到湍流特征，则将该截平面的可视化图像添加到截面数据集中；使用动画制作工具，按照时间顺序，根据截面数据集中每个截平面从试验开始时刻到结束时刻中每个时长的可视化图像，生成每个截平面位置的湍流特征动画数据；再分别对X轴、Y轴的湍流特征参数进行湍流特征识别和湍流变化动画生成分析处理，从而得到CFD流场数据的湍流特征分析结果。
在一个可行的实现方案中，上述步骤中对针对湍流特征分析结果进行可视化展示，具体包括：
步骤601，在图形交互视窗中对分析到的湍流特征变化动画数据结果进行可视化展示，其中，可视化展示包含：动画播放操作、步进操作、放大操作、缩小操作。
为进一步地说明本方案，本申请提供一种CFD数据湍流特征分析方法中建立湍流特征检测模型的具体应用实施例，具体包含有如下内容：
步骤A1、收集汽车外流场仿真试验历史流场数据；
步骤A2、从可视化类库读取汽车外流场历史仿真试验的流场数据，根据过滤器工具对流场数据若干截平面进行切片处理，再通过数据可视化分析工具生成速度标量的截面可视化图像，如云图、等值线图、流线图，将截面可视化图像工程图颜色模板设置为灰度模式，设置颜色表数量为20，对截面可视化图像进行图像增强处理；
步骤A3、采用目标检测标注工具对截面可视化图像中的湍流特征进行目标标注，并保存到标注数据库中；
步骤A4、重复上述2-3步骤，直到全部历史试验数据标注完毕；
步骤A5、从标注数据库中随机选择N个标注数据作为模型训练的样本集，将其中的2/3的数据作为训练集，剩余1/3的数据作为测试集；
步骤A6、将训练集输入到目标检测模型中进行模型训练，直到模型收敛或达到迭代次数时训练结束，得到候选湍流目标检测模型；
步骤A7、根据测试集对对候选湍流目标检测模型进行模型评价，并计算湍流目标检测模型的检测精度，若检测精度达到阈值(>90％)时，则得到湍流特征目标检测模型并保存到模型库中。
为进一步地说明本方案，本申请提供一种CFD数据湍流特征分析方法中基于计算流体动力学模型对湍流特征智能分析具体应用实施例，具体包含有如下内容：
步骤B1、在可视化窗口中打开工程菜单，从执行的工程菜单中选择待分析的工程文件；
步骤B2、通过可视化类库读取工程文件中的流场数据，采用可视化类库的过滤器工具，在Z轴上均匀取多个变量，以Z轴为切平面的法向量对解析后的流场数据进行切片处理，得到截面数据集Sz；
步骤B3、采用可视化类库中数据可视化分析工具，根据截面数据集Sz中每个切片数据，生成速度标量的截面可视化图像SCzi；
步骤B4、设置截面可视化图像SCzi的工程图颜色模板为灰度类型，设置颜色表数量20，对截面可视化图像进行图像增强处理，使得速度轮廓线清晰；
步骤B5、采用YOLO目标检测模型，从模型库中加载计算流体动力学模型检测截面可视化图像SCzi每个图像中的湍流特征对象，如果截面可视化图像SCzi存在湍流特征，则将其加入到湍流特征的截面图像集SCTz中；
步骤B6、如果湍流特征的截面图像集SCTz中不为空，则说明z轴向存在湍流特征，根据湍流特征的截面图像集SCTz中某个切面截面可视化图向SCzi，利用动画制作工具，按照时间顺序，生成该截面湍流特征变化规律的动态画面Tz；
步骤B7、按照2-6步骤分别对X轴方向、Y轴方向的湍流特征进行分析，如果存在湍流时，则生成相应的湍流特征动画数据Tx、Ty；
步骤B8、将得到的湍流特征预测动态结果，在可视化窗口中进行显示，相应的动画操作人机交互功能包含：动画播放操作、步进操作、放大操作、缩小操作。
对应于图1中的CFD数据湍流特征分析方法，本申请实施例还提供了一种计算机设备70，图4，如图4所示，该设备包括存储器701、处理器702及存储在该存储器701上并可在该处理器702上运行的计算机程序，其中，上述处理器702执行上述计算机程序时实现上述的方法。
根据目标检测标注工具对三维流场数据的截面可视化图像进行目标标注，得到湍流目标训练样本集，其中，目标训练样本集分为训练集和测试集；
根据湍流目标训练样本集中的训练集对目标检测模型进行模型训练，得到候选湍流目标检测模型；
基于湍流目标训练样本集中的测试集对候选湍流目标检测模型进行模型评价，得到湍流特征目标检测模型；
在设计方案工况下，对计算域流场数据进行仿真试验求解计算，得到仿真试验流场数据；
根据湍流特征目标检测模型对仿真试验流场数据中所蕴含的湍流特征进行目标检测分析处理，得到湍流特征分析结果。
基于上述分析可知，与由分析人员手动识别CFD仿真试验流场数据中的湍流动力学物理特征相比，本申请实施例提供的方法首先基于历史试验数据，通过湍流特征标注建立训练样本集，并进行模型训练获得湍流特征目标检测模型；进而基于湍流特征目标检测模型自动对CFD仿真试验流场数据进行湍流特征识别，生成湍流特征变化动画数据，可以有效提高数据分析处理的智能化水平和数据分析效率。
在本申请所提供的实施例中，应该理解到，所揭露设备和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种CFD数据湍流特征分析方法，其特征在于，包括：
根据目标检测标注工具对三维流场数据的截面可视化图像进行目标标注，得到湍流目标训练样本集，其中，所述目标训练样本集分为训练集和测试集；
根据所述湍流目标训练样本集中的训练集对目标检测模型进行模型训练，得到候选湍流目标检测模型；
基于所述湍流目标训练样本集中的测试集对所述候选湍流目标检测模型进行模型评价，得到湍流特征目标检测模型；
在设计方案工况下，对计算域流场数据进行仿真试验求解计算，得到仿真试验流场数据；
根据所述湍流特征目标检测模型对所述仿真试验流场数据中所蕴含的湍流特征进行目标检测分析处理，得到湍流特征分析结果。
2.根据权利要求1所述的CFD数据湍流特征分析方法，其特征在于，对三维流场数据的截面可视化图像进行目标标注之前，还包括：
获取历史仿真试验计算域流场的三维流场数据；
采用可视化类库的切片工具，对所述三维流场数据进行切片处理，得到若干个三维流场截平面的截面数据集；
采用可视化类库中数据可视化分析工具，对所述截面数据集中每个截平面进行可视化处理，得到每个截平面对应的截面可视化图像，其中，所述截面可视化图像包括云图、等值线图、流线图。
3.根据权利要求1所述的CFD数据湍流特征分析方法，其特征在于，根据目标检测标注工具对三维流场数据的截面可视化图像进行目标标注，得到湍流目标训练样本集，包括：
对所述截面可视化图像进行湍流特征分析，确定所述截面可视化图像中的湍流特征对象；
根据所述目标检测标注工具对所述湍流特征对象进行目标标注，得到湍流目标训练样本集。
4.根据权利要求1所述的CFD数据湍流特征分析方法，其特征在于，根据所述湍流目标训练样本集中的训练集对目标检测模型进行模型训练，得到候选湍流目标检测模型，包括：
将所述训练集输入到卷积神经网络的目标检测模型中进行模型训练，训练后得到候选湍流目标检测模型，其中，所述流场训练集的预设训练参数包含：迭代次数、学习率、动量、类别数量、NMS阈值。
5.根据权利要求1所述的CFD数据湍流特征分析方法，其特征在于，基于所述湍流目标训练样本集中的测试集对所述候选湍流目标检测模型进行模型评价，得到湍流特征目标检测模型，包括：
根据检测评价指标，利用测试集对候选湍流目标检测模型进行模型评价，其中，所述检测评价指标包含：精度评价指标和速度评价指标；
如果所述候选湍流目标检测模型的检测评价指标大于预设阈值，则候选湍流目标检测模型符合检测精度，得到湍流特征目标检测模型并存储至模型库中。
6.根据权利要求1所述的CFD数据湍流特征分析方法，其特征在于，在设计方案工况下，对计算域流场数据进行仿真试验求解计算，得到仿真试验流场数据，包括：
根据计算流体动力学模型在设计方案工况下，对计算域流场数据的流体压力、速度和湍流特征参数进行仿真试验求解计算，得到所述计算流体动力学模型外流场的所述仿真试验流场数据。
7.根据权利要求1所述的CFD数据湍流特征分析方法，其特征在于，根据所述湍流特征目标检测模型对所述仿真试验流场数据中所蕴含的湍流特征进行目标检测分析处理，得到湍流特征分析结果，包括：
采用可视化类库的切片工具，以Z轴方向为切平面法向量，对仿真试验流场数据进行切片处理，得到若干个Z轴三维流场截平面的截面数据集；
采用可视化类库中数据可视化分析工具，对所述截面数据集中每个截平面进行可视化处理，得到每个截平面对应的截面可视化图像；
针对每个截平面对应的截面可视化图像进行图像增强处理，得到可视化增强图像；
根据目标检测算法，对每个截平面对应的所述可视化增强图像进行湍流特征的目标检测分析处理；
如果所述可视化增强图像中检测到湍流特征，则将该截平面的可视化增强图像添加到截面数据集中；
针对截面数据集中每个截平面从试验开始时刻到结束时刻中每个时长的可视化图像，使用动画制作工具，按照时间顺序，生成每个截平面位置的湍流特征动画数据；
将检测到的含有湍流特征对象的截面可视化图像和生成的湍流特征动画数据作为湍流特征分析结果。
8.根据权利要求7所述的CFD数据湍流特征分析方法，其特征在于，针对湍流特征分析结果进行可视化展示，包括：
在图形交互视窗中对分析到的湍流特征变化动画数据结果进行可视化展示，其中，所述可视化展示包含：动画播放操作、步进操作、放大操作、缩小操作。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至8中任一项所述方法的步骤。
CN202210214326.9A 2022-03-07 2022-03-07 一种cfd数据湍流特征分析方法及设备 Pending CN114581733A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210214326.9A CN114581733A (zh) 2022-03-07 2022-03-07 一种cfd数据湍流特征分析方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210214326.9A CN114581733A (zh) 2022-03-07 2022-03-07 一种cfd数据湍流特征分析方法及设备

Publications (1)

Publication Number Publication Date
CN114581733A true CN114581733A (zh) 2022-06-03

Family

ID=81777995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210214326.9A Pending CN114581733A (zh) 2022-03-07 2022-03-07 一种cfd数据湍流特征分析方法及设备

Country Status (1)

Country Link
CN (1) CN114581733A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311530A (zh) * 2022-07-15 2022-11-08 哈尔滨工业大学 一种基于深度卷积自编码器的流场特征提取方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311530A (zh) * 2022-07-15 2022-11-08 哈尔滨工业大学 一种基于深度卷积自编码器的流场特征提取方法
CN115311530B (zh) * 2022-07-15 2023-08-29 哈尔滨工业大学 一种基于深度卷积自编码器的流场特征提取方法

Similar Documents

Publication Publication Date Title
CN112434721B (zh) 一种基于小样本学习的图像分类方法、系统、存储介质及终端
Bajaj et al. Visualization of scalar topology for structural enhancement
US8345042B2 (en) Mesh-based shape retrieval system
US10611086B2 (en) System and method for evaluating additive manufacturing index
CN110705286A (zh) 一种基于评论信息的数据处理方法及装置
CN112233249A (zh) 基于密集点云的b样条曲面拟合方法及装置
CN112883198B (zh) 一种知识图谱构建方法、装置、存储介质以及计算机设备
CN113326380A (zh) 基于深度神经网络的设备量测数据处理方法、系统及终端
US20200364390A1 (en) Designing product assemblies utilizing information expressing which components are arranged in direct contact derived from digital models
CN114581733A (zh) 一种cfd数据湍流特征分析方法及设备
CN115730605A (zh) 基于多维信息的数据分析方法
JP6330665B2 (ja) 可視化装置、可視化方法および可視化プログラム
CN114219936A (zh) 目标检测方法、电子设备、存储介质和计算机程序产品
Bergs et al. Development of a voxelization tool for the calculation of vector-based workpiece representations
Cera et al. Segmentation protocols in the digital twins of monumental heritage: a methodological development
Arens et al. A Survey of Transfer Functions Suitable for Volume Rendering.
JPWO2021210172A5 (ja) データ処理装置、システム、データ処理方法、およびプログラム
CN111383341A (zh) 从原始网格生成结构化的3d模型
CN116484585A (zh) 缺陷样本数据集的仿真生成方法、计算机可读存储介质
Velez et al. Real-time part detection in a virtually machined sheet metal defined as a set of disjoint regions
KR20220125208A (ko) 실험 포인트 추천 장치, 실험 포인트 추천 방법 및 반도체 장치 제조 시스템
JP2021089158A (ja) 風向風速推定装置、風向風速推定方法、および風向風速推定プログラム
CN112861689A (zh) 一种基于nas技术的坐标识别模型的搜索方法及装置
WO2019209571A1 (en) Proactive data modeling
WO2012046436A1 (ja) 文書分析装置、文書分析方法および文書分析プログラム

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