CN114692529A - 一种cfd高维响应的不确定度量化方法、装置、计算机设备 - Google Patents

一种cfd高维响应的不确定度量化方法、装置、计算机设备 Download PDF

Info

Publication number
CN114692529A
CN114692529A CN202210619507.XA CN202210619507A CN114692529A CN 114692529 A CN114692529 A CN 114692529A CN 202210619507 A CN202210619507 A CN 202210619507A CN 114692529 A CN114692529 A CN 114692529A
Authority
CN
China
Prior art keywords
dimensional
vector
model
input parameter
low
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
Application number
CN202210619507.XA
Other languages
English (en)
Other versions
CN114692529B (zh
Inventor
陈江涛
章超
赵炜
张培红
吴晓军
肖中云
肖维
杨福军
郭勇颜
金韬
赵娇
吕罗庚
沈盈盈
周晓军
胡向鹏
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.)
Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Original Assignee
Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
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 Computational Aerodynamics Institute of China Aerodynamics Research and Development Center filed Critical Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Priority to CN202210619507.XA priority Critical patent/CN114692529B/zh
Publication of CN114692529A publication Critical patent/CN114692529A/zh
Application granted granted Critical
Publication of CN114692529B publication Critical patent/CN114692529B/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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Neurology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Fluid Mechanics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明适用于CFD量化技术领域，提供了一种CFD高维响应的不确定度量化方法、装置、计算机设备，方法包括：获取CFD模型的第一输入参数集，并通过CFD模型模拟计算得到第一高维响应向量，第一输入参数集包括不确定输入参数样本，第一高维响应向量包括高维响应样本；对高维响应样本进行降维处理，得到第一低维向量；基于第一低维向量和不确定输入参数样本训练预构建的神经网络模型，得到代理模型；获取CFD模型的第二输入参数集并输入代理模型，通过代理模型预测出第二低维向量；基于第二低维向量计算得到第二高维响应向量，完成CFD模型的不确定度的传播和量化。可以准确和快速地实现CFD模型不确定度的传播和量化。

Description

一种CFD高维响应的不确定度量化方法、装置、计算机设备
技术领域
本发明涉及CFD量化技术领域，尤其是涉及一种CFD高维响应的不确定度量化方法、装置、计算机设备。
背景技术
CFD(Computational Fluid Dynamics,计算流体力学)在航空航天、水陆交通、能源动力、大气海洋等工程应用领域发挥了日益重要的作用。但在这些复杂工程的CFD模拟过程中，存在着多种来源的不确定性因素，使得CFD模拟的模型参数具有较高的不确定性，因而模型的响应（即模型的输出）也有很高的不确定性，即使模型中有些参数虽有着较为明确的物理含义，但是由于参数试验数据存在样本有限、精度不足等问题，也没有办法给出参数确定的、唯一的取值，此外还有许多模型参数无法测量，甚至不具有明确的物理意义，仅仅是数学上的可调参数。因此，科学地量化模型参数及响应的不确定度对模型评价等工作十分重要。
CFD模型的不确定度量化工作具有高维输入、高维输出且可能相关的特点。例如，湍流模型系数的不确定度量化工作需要处理10维左右的不确定输入参数，输出量不仅包括升力、阻力系数等全局积分量，有时还包括时间或空间序列型响应比如在翼型模拟中壁面的压力分布情况等，这些高维响应之间可能存在一定未知的相关性，且这些高维的输出响应有的几十维，有的甚至几百维，导致模型的计算量大，计算速度慢。如果对每维输出分量单独建模，不考虑各输出分量之间潜在的相关性，则会影响模型评价的准确性。因此，需要考虑模型各输出分量之间可能存在的依赖关系并正确表征不确定性在模型输入和输出（响应）之间的传播过程，才能较准确和快速地实现CFD模型不确定度的量化，从而可以更好地对模型进行科学评价。
发明内容
本发明的目的是提供一种CFD高维响应的不确定度量化方法、装置、计算机设备，可以较准确地实现CFD模型不确定度的传播和量化，从而可以更好地对模型进行科学评价。
第一方面，本发明实施例提供一种CFD模型高维响应的不确定度量化方法，包括：
S1、获取CFD模型的第一输入参数集，并通过所述CFD模型模拟计算得到对应所述第一输入参数集的第一高维响应向量，所述第一输入参数集包括不确定输入参数样本，所述第一高维响应向量包括高维响应样本；
S2、对所述高维响应样本进行降维处理，得到第一低维向量；
S3、基于所述第一低维向量和所述不确定输入参数样本训练预构建的神经网络模型，得到代理模型；
S4、获取所述CFD模型的第二输入参数集并输入所述代理模型，通过所述代理模型预测出第二低维向量；
S5、基于所述第二低维向量计算得到对应所述第二输入参数集的第二高维响应向量，完成所述CFD模型的不确定度的传播和量化。
可选的，所述对所述高维响应样本进行降维处理，得到第一低维向量的步骤具体包括：
计算所述高维响应样本的平均值，并基于所述平均值得到所述高维响应样本的脉动值；
基于所述高维响应样本的脉动值构造样本协方差矩阵，并获取所述样本协方差矩阵的特征值和特征向量；
基于所述特征值和所述特征向量获得所述第一低维向量。
可选的，所述基于所述特征值和所述特征向量获得所述第一低维向量的步骤包括：
通过所述脉动值和所述特征向量构建多个基函数；
根据所述特征值对所述多个基函数进行筛选，将筛选得到的基函数的系数组成所述第一低维向量。
可选的，所述预构建的神经网络模型包括多个全连接的隐层神经元，所述预构建的神经网络模型通过贝叶斯正则化进行训练。
可选的，所述基于所述第二低维向量计算得到对应所述第二输入参数集的第二高维响应向量的步骤包括：
计算所述第一高维响应向量的平均值和基函数；
对所述第二低维向量和所述第一高维响应向量的基函数进行线性组合，并将组合结果与所述第一高维响应向量的平均值进行计算，得到所述第二高维响应向量。
可选的，所述不确定输入参数样本通过拉丁超立方抽样方法获得。
第二方面，本发明实施例提供一种CFD模型高维响应的不确定度量化装置，包括：
获取模块，用于获取CFD模型的第一输入参数集，并通过所述CFD模型模拟计算得到对应所述第一输入参数集的第一高维响应向量，所述第一输入参数集包括不确定输入参数样本，所述第一高维响应向量包括高维响应样本；
降维模块，用于对所述高维响应样本进行降维处理，得到第一低维向量；
训练模块，用于基于所述第一低维向量和所述不确定输入参数样本训练预构建的神经网络模型，得到代理模型；
预测模块，用于获取所述CFD模型的第二输入参数集并输入所述代理模型，通过所述代理模型预测出第二低维向量；
量化模块，用于基于所述第二低维向量计算得到对应所述第二输入参数集的第二高维响应向量，完成所述CFD模型的不确定度的传播和量化。
可选的，所述降维模块包括：
计算单元，用于计算所述高维响应样本的平均值，并基于所述平均值得到所述高维响应样本的脉动值；
构造单元，用于基于所述高维响应样本的脉动值构造样本协方差矩阵，并获取所述样本协方差矩阵的特征值和特征向量；
获取单元，用于基于所述特征值和所述特征向量获得所述第一低维向量。
第三方面，本发明实施例提供一种计算机设备，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所述的CFD模型高维响应的不确定度量化方法中的步骤。
与现有技术相比，本发明实施例主要有以下有益效果：获取CFD模型的第一输入参数集，并通过CFD模型模拟计算得到对应第一输入参数集的第一高维响应向量，第一输入参数集包括不确定输入参数样本，第一高维响应向量包括高维响应样本；对高维响应样本进行降维处理，得到第一低维向量；基于第一低维向量和不确定输入参数样本训练预构建的神经网络模型，得到代理模型；获取CFD模型的第二输入参数集并输入代理模型，通过代理模型预测出第二低维向量；基于第二低维向量计算得到对应第二输入参数集的第二高维响应向量，完成CFD模型的不确定度的传播和量化。通过对CFD模型的不确定输入参数样本进行模拟计算得到对应的高维响应样本，再对得到的高维响应样本进行降维处理，得到高精度的第一低维向量，然后将不确定输入参数样本和第一低维向量训练预构建的神经网络模型，可以快速地得到能够表征不确定输入参数和响应之间的关联关系的代理模型，进一步的通过代理模型可以从第二输入参数集中预测出对应的第二低维向量，并基于第二低维向量反向计算出CFD模型对应的第二高维响应向量，即第二输入参数集下的原始响应，从而完成了不确定性在不确定输入参数到输出响应之间的传播，比较准确和快速地实现了CFD模型不确定度的量化，从而有助于更好地对模型进行科学的评价。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明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，下面所描述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是本发明的一种CFD模型高维响应的不确定度量化方法的一个实施例的流程图；
图2是本发明的图1中步骤S2的一个实施例的流程图；
图3是本发明的图2中步骤S203的一个实施例的流程图；
图4是本发明任意选取的4个翼型湍流模型样本点的原始壁面压力分布和经本发明降维处理后再还原的压力分布图；
图5是本发明的图1中步骤S5的一个实施例的流程图；
图6是本发明任意选取的4个翼型湍流模型样本点的原始壁面压力分布和经本发明计算后输出响应的压力分布；
图7是本发明的一种CFD模型高维响应的不确定度量化装置的一个实施例的结构示意图；
图8是本发明的图7中降维模块702的一个实施例的结构示意图；
图9为本发明的一种计算机设备的基本结构示意图；
图4中：子图4a、子图4b、子图4c、子图4d分别为任意选取的测试样本点1、测试样本点4、测试样本点7、测试样本点19的原始壁面压力分布和经本发明计算后的压力分布的分布图；
图6中：子图6a、子图6b、子图6c、子图6d分别为任意选取的测试样本点2、测试样本点10、测试样本点13、测试样本点17的原始壁面压力分布和经本发明计算后的压力分布的分布图。
具体实施方式
以下的说明提供了许多不同的实施例、或是例子，用来实施本发明的不同特征。以下特定例子所描述的元件和排列方式，仅用来精简的表达本发明，其仅作为例子，而并非用以限制本发明。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，图1是本发明的一种CFD模型高维响应的不确定度量化方法的一个实施例的流程图，上述CFD模型高维响应的不确定度量化方法包括以下步骤：
S1、获取CFD模型的第一输入参数集，并通过所述CFD模型模拟计算得到对应所述第一输入参数集的第一高维响应向量，所述第一输入参数集包括不确定输入参数样本，所述第一高维响应向量包括高维响应样本。
本发明实施例中，上述CFD模型的第一输入参数集可以用
Figure 612148DEST_PATH_IMAGE001
来表示，其中
Figure 998130DEST_PATH_IMAGE002
表示不确定输入参数，M表示参数个数，通过CFD模型模拟计算得到的结果，即上述第一高维响应向量，对应可以用
Figure 948507DEST_PATH_IMAGE003
来表示。具体的，上述CFD模型可以以飞机翼型的湍流模型为例，研究湍流模型参数的不确定性对翼型壁面压力分布响应的影响，并假设模型为全湍流，模型主要包括9个不确定性输入参数
Figure 812557DEST_PATH_IMAGE004
，各个参数在其取值范围内均匀分布。进一步的，上述第一输入参数集可以通过对上述9个不确定性输入参数在其取值范围内进行拉丁超立方抽样获取，即获得上述不确定输入参数样本，具体地，通过拉丁超立方抽样可以从上述9个不确定性输入参数的取值范围内采样获得110个不确定输入参数样本点，通过上述CFD模型模拟计算可以对应得到上述每个不确定输入参数样本点的304维的响应向量，即得到110个304维的第一高维响应向量来模拟壁面压力分布的响应样本点，组成上述模型的高维响应样本。
S2、对所述高维响应样本进行降维处理，得到第一低维向量。
具体地，如图2所示，图2是上述步骤S2的一个实施例的流程图，步骤S2包括：
S201、计算所述高维响应样本的平均值，并基于所述平均值得到所述高维响应样本的脉动值；
S202、基于所述高维响应样本的脉动值构造样本协方差矩阵，并获取所述样本协方差矩阵的特征值和特征向量；
S203、基于所述特征值和所述特征向量获得所述第一低维向量。
在本发明实施例中，通过步骤S1得到的高维响应样本为110×304维，需要先进行低误差的降维计算，以减少步骤S3中的神经网络模型的数据输入量，可以在保证精度要求的情况下提高计算速度。
首先计算上述高维响应样本的平均值
Figure 95771DEST_PATH_IMAGE005
和脉动值
Figure 387075DEST_PATH_IMAGE006
，计算公式如下：
Figure 122950DEST_PATH_IMAGE007
Figure 790692DEST_PATH_IMAGE008
然后基于上述脉动值构造样本协方差矩阵：
Figure 928412DEST_PATH_IMAGE009
其中，
Figure 172310DEST_PATH_IMAGE010
、
Figure 395481DEST_PATH_IMAGE011
表示任意两个不确定输入参数。求解上述样本协方差矩阵
Figure 601334DEST_PATH_IMAGE012
的特征值和特征向量，可以对应得到M个非负特征值
Figure 593561DEST_PATH_IMAGE013
及其对应的特征向量
Figure 492247DEST_PATH_IMAGE014
，并基于上述特征值
Figure 202714DEST_PATH_IMAGE015
和特征向量
Figure 946679DEST_PATH_IMAGE016
计算后获得上述第一低维向量
Figure 58992DEST_PATH_IMAGE017
。
进一步的，如图3所示，图3是上述步骤S203的一个实施例的流程图，步骤S203具体包括：
S2031、通过所述脉动值和所述特征向量构建多个基函数；
S2032、根据所述特征值对所述多个基函数进行筛选，将筛选得到的基函数的系数组成所述第一低维向量。
在本发明实施例中，上述基函数可以通过不确定输入参数的样本点进行线性组合，如下计算公式所示：
Figure 361535DEST_PATH_IMAGE018
其中系数
Figure 559298DEST_PATH_IMAGE019
通过最小二乘法得到，在本发明实施例中可以用上述特征向量
Figure 106954DEST_PATH_IMAGE020
代替，即基函数：
Figure 73773DEST_PATH_IMAGE021
然后根据上述特征值
Figure 314261DEST_PATH_IMAGE015
的大小来判断一个基函数的是否重要来进行基函数的筛选，具体可以使用99%广义能准则进行，广义能的计算公式如下：
Figure 733741DEST_PATH_IMAGE022
即当前s个基函数的广义能刚好大于或等于99%时则认为前s个基函数为主要基函数，并将前s个基函数的系数组成上述第一低维向量
Figure 85088DEST_PATH_IMAGE023
；在本发明实施例中，步骤S1中得到的110个304维的第一高维响应向量通过上述降维处理后可以得到2维的第一低维向量
Figure 906414DEST_PATH_IMAGE017
，即
Figure 19601DEST_PATH_IMAGE024
，
Figure 723115DEST_PATH_IMAGE017
具体可以理解为由
Figure 612573DEST_PATH_IMAGE025
、
Figure 553985DEST_PATH_IMAGE026
的系数
Figure 339538DEST_PATH_IMAGE027
、
Figure 733610DEST_PATH_IMAGE028
组成；再单独抽取20个样本点用以测试降维的精度，整个降维过程误差很小，如图4所示，图4示出了本发明实施例任意选取的4个上述翼型湍流模型不确定输入参数样本点的原始壁面压力分布和经过本发明的降维处理后再还原的压力分布图，其中：子图4a、子图4b、子图4c、子图4d分别为任意选取的测试样本点1、测试样本点4、测试样本点7、测试样本点19的原始壁面压力分布和经本发明计算后的压力分布的分布图；通过对比得到两者最大误差仅有0.003，表明本发明的降维处理步骤在实现降维的同时还可以满足精度的要求，使得本发明具有优秀的泛化能力。
S3、基于所述第一低维向量和所述不确定输入参数样本训练预构建的神经网络模型，得到代理模型。
具体的，上述预构建的神经网络模型包括多个全连接的隐层神经元，隐层神经元的数量可以是10个、20个，这里不做限制，但需要每个神经元之间进行全连接后再通过训练来调整。进一步的，可以通过贝叶斯正则化进行训练，即在上述神经网络模型的损失函数中加入贝叶斯正则项，并将上述不确定输入参数的样本作为神经网络模型的输入，将上述第一低维向量作为标签加入到模型的损失函数中并联合贝叶斯正则项来训练上述构建的神经网络模型，并将训练调整后的模型作为上述代理模型。
举例而言，可以从上述翼型湍流模型抽样得到的110个不确定输入参数样本点中抽取80%样本作为训练集，用以训练具有10个全连接隐层神经元的神经网络模型，20%样本作为确认集，用以估计训练得到的代理模型的误差，同样使用额外的20个样本点来独立测试上述代理模型的泛化能力。整个神经网络模型的训练时间用时不到1s，在训练集、确认集和单独的测试集上，模型的R2决定系数指标均大于0.999，说明最后得到的代理模型具有优秀的泛化能力。而未经本发明实施例中降维处理，在保持训练方法不变的前提下，直接使用原始的110×304维高维响应样本来训练模型，整个过程需要2.5h，因此本发明实施例中降维处理的步骤在保证满足精度的前提下可以显著降低响应维度的同时，从而可以缩短神经网络模型训练的时间。
S4、获取所述CFD模型的第二输入参数集并输入所述代理模型，通过所述代理模型预测出第二低维向量。
在本发明实施例中，上述第二输入参数集可以从CFD模型的原始输入中获得，其取值同样地具有不确定性，如可以从上述翼型湍流模型新的不确定输入参数得到，以
Figure 426760DEST_PATH_IMAGE029
表示，将其输入上述步骤S3得到的代理模型，预测出对应
Figure 455633DEST_PATH_IMAGE029
的第二低维向量
Figure 474405DEST_PATH_IMAGE030
，通过上述步骤可以较准确地预测原CFD模型的不确定输入参数和第二低维向量之间的关联关系。
S5、基于所述第二低维向量计算得到对应所述第二输入参数集的第二高维响应向量，完成所述CFD模型的不确定度的传播和量化。
具体的，如图5所示，图5是上述步骤S5的一个实施例的流程图，步骤S5具体包括：
S501、计算所述第一高维响应向量的平均值和基函数；
其中，上述第一高维响应向量的平均值
Figure 90194DEST_PATH_IMAGE031
；
S502、对所述第二低维向量和所述第一高维响应向量的基函数进行线性组合，并将组合结果与所述第一高维响应向量的平均值进行计算，得到所述第二高维响应向量。
在本发明实施例中，上述第二输入参数集可以用
Figure 852614DEST_PATH_IMAGE032
表示，上述第一高维响应向量的基函数
Figure 503038DEST_PATH_IMAGE033
可以通过步骤S203具体实施例中的公式对应计算得到，其中
Figure 161552DEST_PATH_IMAGE034
的上标new仅仅是用于将上述第二输入参数集和上述第一输入参数集区别开来，同样可以简化为
Figure 530217DEST_PATH_IMAGE035
；可以用公式
Figure 565169DEST_PATH_IMAGE036
表示上述第二低维向量和第一高维响应向量的基函数进行线性组合，则上述第二高维响应向量可以用如下公式计算得到：
Figure 840073DEST_PATH_IMAGE037
其中系数
Figure 669489DEST_PATH_IMAGE038
即上述步骤S4中预测出的第二低维向量
Figure 525450DEST_PATH_IMAGE039
，上述第二高维响应向量即是对应上述CFD模型第二输入参数集的原始输出响应，从而完成了不确定性在不确定输入参数到输出响应之间的传播，可以比较准确、快速地实现CFD模型不确定度的量化。
同样地，采用额外的20个样本对上述降维分解、代理模型预测和计算输出响应这一整套方法进行测试，从中再任意选取4个样本点，测试结果如图6所示，图6示出了任意选取的4个翼型湍流模型样本点原始的壁面压力分布和经过本发明实施例降维分解、代理模型预测和计算后的输出响应压力分布，其中：子图6a、子图6b、子图6c、子图6d分别为任意选取的测试样本点2、测试样本点10、测试样本点13、测试样本点17的原始壁面压力分布和经本发明计算后的压力分布的分布图；对比得到两者差距很小，最大误差仅有0.0043，说明本发明具有优良的泛化能力和较高的精度。
本发明实施例中，通过对CFD模型的不确定输入参数样本进行模拟计算得到对应的高维响应样本，再对得到的高维响应样本进行降维处理，得到高精度的第一低维向量，然后将不确定输入参数样本和第一低维向量训练预构建的神经网络模型，可以快速地得到能够表征不确定输入参数和响应之间的关联关系的代理模型，进一步的通过代理模型可以从第二输入参数集中预测出对应的第二低维向量，并基于第二低维向量反向计算出CFD模型对应的第二高维响应向量，即第二输入参数集下的原始响应，从而完成了不确定性在不确定输入参数到输出响应之间的传播，比较准确和快速地实现了CFD模型不确定度的量化，从而有助于更好地对模型进行科学的评价。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，也并不必然是在同一设备或机器上执行的，而是可以在不同的时刻、不同的地方执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
第二方面，如图7所示，作为对上述图1所示的一种CFD模型高维响应的不确定度量化方法的实现，本发明提供了一种CFD模型高维响应的不确定度量化装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该CFD模型高维响应的不确定度量化装置具体可以应用于各种电子设备中。
图7示出了本发明实施例提供的一种CFD模型高维响应的不确定度量化装置的结构示意图，该装置700具体包括：
获取模块701，用于获取CFD模型的第一输入参数集，并通过所述CFD模型模拟计算得到对应所述第一输入参数集的第一高维响应向量，所述第一输入参数集包括不确定输入参数样本，所述第一高维响应向量包括高维响应样本；
降维模块702，用于对所述高维响应样本进行降维处理，得到第一低维向量；
训练模块703，用于基于所述第一低维向量和所述不确定输入参数样本训练预构建的神经网络模型，得到代理模型；
预测模块704，用于获取所述CFD模型的第二输入参数集并输入所述代理模型，通过所述代理模型预测出第二低维向量；
量化模块705，用于基于所述第二低维向量计算得到对应所述第二输入参数集的第二高维响应向量，完成所述CFD模型的不确定度的传播和量化。
可选的，如图8所示，图8是所述降维模块702的一个实施例的结构示意图，所述降维模块702包括：
计算单元7021，用于计算所述高维响应样本的平均值，并基于所述平均值得到所述高维响应样本的脉动值；
构造单元7022，用于基于所述高维响应样本的脉动值构造样本协方差矩阵，并获取所述样本协方差矩阵的特征值和特征向量；
获取单元7023，用于基于所述特征值和所述特征向量获得所述第一低维向量。
本发明实施例提供的CFD模型高维响应的不确定度量化装置能够实现图1方法实施例中的各个实施方式，以及相应有益效果，为避免重复，这里不再赘述。
第三方面，本发明实施例提供一种计算机设备，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所述的CFD模型高维响应的不确定度量化方法中的步骤。
第四方面，本发明实施例一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的CFD模型高维响应的不确定度量化方法中的步骤。
具体请见图9，图9为本发明实施例的计算机设备的基本结构示意图。所述计算机设备900包括通过系统总线相互通信连接存储器901、处理器902、网络接口903。需要指出的是，图中仅示出了具有组件901-903的计算机设备900，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器901至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器901可以是所述计算机设备90的内部存储单元，例如该计算机设备90的硬盘或内存。在另一些实施例中，所述存储器901也可以是所述计算机设备90的外部存储设备，例如该计算机设备90上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。当然，所述存储器901还可以既包括所述计算机设备90的内部存储单元也包括其外部存储设备。本实施例中，所述存储器901通常用于存储安装于所述计算机设备90的操作系统和各类应用软件，例如CFD模型高维响应的不确定度量化方法的程序代码等。此外，所述存储器901还可以用于暂时地存储已经输出或者将要输出的各类数据。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种CFD模型高维响应的不确定度量化方法，其特征在于，包括：
S1、获取CFD模型的第一输入参数集，并通过所述CFD模型模拟计算得到对应所述第一输入参数集的第一高维响应向量，所述第一输入参数集包括不确定输入参数样本，所述第一高维响应向量包括高维响应样本；
S2、对所述高维响应样本进行降维处理，得到第一低维向量；
S3、基于所述第一低维向量和所述不确定输入参数样本训练预构建的神经网络模型，得到代理模型；
S4、获取所述CFD模型的第二输入参数集并输入所述代理模型，通过所述代理模型预测出第二低维向量；
S5、基于所述第二低维向量计算得到对应所述第二输入参数集的第二高维响应向量，完成所述CFD模型的不确定度的传播和量化。
2.如权利要求1所述的方法，其特征在于，所述对所述高维响应样本进行降维处理，得到第一低维向量的步骤具体包括：
计算所述高维响应样本的平均值，并基于所述平均值得到所述高维响应样本的脉动值；
基于所述高维响应样本的脉动值构造样本协方差矩阵，并获取所述样本协方差矩阵的特征值和特征向量；
基于所述特征值和所述特征向量获得所述第一低维向量。
3.如权利要求2所述的方法，其特征在于，所述基于所述特征值和所述特征向量获得所述第一低维向量的步骤包括：
通过所述脉动值和所述特征向量构建多个基函数；
根据所述特征值对所述多个基函数进行筛选，将筛选得到的基函数的系数组成所述第一低维向量。
4.如权利要求3所述的方法，其特征在于，所述预构建的神经网络模型包括多个全连接的隐层神经元，所述预构建的神经网络模型通过贝叶斯正则化进行训练。
5.如权利要求4所述的方法，其特征在于，所述基于所述第二低维向量计算得到对应所述第二输入参数集的第二高维响应向量的步骤包括：
计算所述第一高维响应向量的平均值和基函数；
对所述第二低维向量和所述第一高维响应向量的基函数进行线性组合，并将组合结果与所述第一高维响应向量的平均值进行计算，得到所述第二高维响应向量。
6.如权利要求1所述的方法，其特征在于，所述不确定输入参数样本通过拉丁超立方抽样方法获得。
7.一种CFD模型高维响应的不确定度量化装置，其特征在于，包括：
获取模块，用于获取CFD模型的第一输入参数集，并通过所述CFD模型模拟计算得到对应所述第一输入参数集的第一高维响应向量，所述第一输入参数集包括不确定输入参数样本，所述第一高维响应向量包括高维响应样本；
降维模块，用于对所述高维响应样本进行降维处理，得到第一低维向量；
训练模块，用于基于所述第一低维向量和所述不确定输入参数样本训练预构建的神经网络模型，得到代理模型；
预测模块，用于获取所述CFD模型的第二输入参数集并输入所述代理模型，通过所述代理模型预测出第二低维向量；
量化模块，用于基于所述第二低维向量计算得到对应所述第二输入参数集的第二高维响应向量，完成所述CFD模型的不确定度的传播和量化。
8.如权利要求7所述的装置，其特征在于，所述降维模块包括：
计算单元，用于计算所述高维响应样本的平均值，并基于所述平均值得到所述高维响应样本的脉动值；
构造单元，用于基于所述高维响应样本的脉动值构造样本协方差矩阵，并获取所述样本协方差矩阵的特征值和特征向量；
获取单元，用于基于所述特征值和所述特征向量获得所述第一低维向量。
9.一种计算机设备，其特征在于，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如权利要求1至6中任一项所述的CFD模型高维响应的不确定度量化方法中的步骤。
CN202210619507.XA 2022-06-02 2022-06-02 一种cfd高维响应的不确定度量化方法、装置、计算机设备 Active CN114692529B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210619507.XA CN114692529B (zh) 2022-06-02 2022-06-02 一种cfd高维响应的不确定度量化方法、装置、计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210619507.XA CN114692529B (zh) 2022-06-02 2022-06-02 一种cfd高维响应的不确定度量化方法、装置、计算机设备

Publications (2)

Publication Number Publication Date
CN114692529A true CN114692529A (zh) 2022-07-01
CN114692529B CN114692529B (zh) 2022-09-02

Family

ID=82131311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210619507.XA Active CN114692529B (zh) 2022-06-02 2022-06-02 一种cfd高维响应的不确定度量化方法、装置、计算机设备

Country Status (1)

Country Link
CN (1) CN114692529B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117556713A (zh) * 2024-01-11 2024-02-13 中国空气动力研究与发展中心计算空气动力研究所 一种cfd多可信度高维相关流场的不确定度量化方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558899A (zh) * 2018-11-13 2019-04-02 中国石油天然气股份有限公司 数据降维方法及装置
CN110442911A (zh) * 2019-07-03 2019-11-12 中国农业大学 一种基于统计机器学习的高维复杂系统不确定性分析方法
CN112016253A (zh) * 2020-09-09 2020-12-01 中国空气动力研究与发展中心计算空气动力研究所 一种适用于cfd不确定度量化的高保真度混沌多项式修正方法
US20210131260A1 (en) * 2019-10-31 2021-05-06 Landmark Graphics Corporation Model parameter reductions and model parameter selection to optimize execution time of reservoir management workflows
CN113221466A (zh) * 2021-05-31 2021-08-06 西安交通大学 基于泛克里金模型的涡轮气热性能不确定性量化方法及系统
CN113221311A (zh) * 2021-02-02 2021-08-06 中国人民解放军国防科技大学 一种大气边界层风速的不确定性量化方法
CN113627098A (zh) * 2021-07-23 2021-11-09 北京理工大学 一种cfd模型确认方法及产品设计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558899A (zh) * 2018-11-13 2019-04-02 中国石油天然气股份有限公司 数据降维方法及装置
CN110442911A (zh) * 2019-07-03 2019-11-12 中国农业大学 一种基于统计机器学习的高维复杂系统不确定性分析方法
US20210131260A1 (en) * 2019-10-31 2021-05-06 Landmark Graphics Corporation Model parameter reductions and model parameter selection to optimize execution time of reservoir management workflows
CN112016253A (zh) * 2020-09-09 2020-12-01 中国空气动力研究与发展中心计算空气动力研究所 一种适用于cfd不确定度量化的高保真度混沌多项式修正方法
CN113221311A (zh) * 2021-02-02 2021-08-06 中国人民解放军国防科技大学 一种大气边界层风速的不确定性量化方法
CN113221466A (zh) * 2021-05-31 2021-08-06 西安交通大学 基于泛克里金模型的涡轮气热性能不确定性量化方法及系统
CN113627098A (zh) * 2021-07-23 2021-11-09 北京理工大学 一种cfd模型确认方法及产品设计方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
ROHIT K.TRIPATHY: "Deep UQ: Learning deep neural network surrogate models for high dimensional uncertainty quantification", 《JOURNAL OF COMPUTATIONAL PHYSICS》 *
THOMAS J.BARBER: "POD Snapshot Data Reduction For Periodic Fluid Flows", 《43RD AIAA AEROSPACE SCIENCES MEETING AND EXHIBIT》 *
曾喆昭: "不确定混沌系统的径向基函数神经网络反馈补偿控制", 《物理学报》 *
熊芬芬 等: "不确定性传播的混沌多项式方法研究进展", 《中国舰船研究》 *
王瑞利 等: "建模与模拟中验证和确认及不确定度量化关键方法", 《数学建模及其应用》 *
陈江涛 等: "基于稀疏多项式混沌方法的不确定性量化分析", 《航空学报》 *
陈鑫 等: "CFD不确定度量化方法研究综述", 《空气动力学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117556713A (zh) * 2024-01-11 2024-02-13 中国空气动力研究与发展中心计算空气动力研究所 一种cfd多可信度高维相关流场的不确定度量化方法
CN117556713B (zh) * 2024-01-11 2024-04-02 中国空气动力研究与发展中心计算空气动力研究所 一种cfd多可信度高维相关流场的不确定度量化方法

Also Published As

Publication number Publication date
CN114692529B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
Wan et al. Data-assisted reduced-order modeling of extreme events in complex dynamical systems
Höge et al. A primer for model selection: The decisive role of model complexity
Chorin et al. Discrete approach to stochastic parametrization and dimension reduction in nonlinear dynamics
Amsallem et al. Fast local reduced basis updates for the efficient reduction of nonlinear systems with hyper-reduction
Xie et al. On novel grey forecasting model based on non-homogeneous index sequence
CN106372278A (zh) 一种联合考虑输入参数不确定性和代理模型不确定性的灵敏度分析方法
CN107563067A (zh) 基于自适应代理模型的结构可靠性分析方法
Schneider et al. Learning stochastic closures using ensemble Kalman inversion
CN111753952A (zh) 学习包括高斯过程的概率模型的参数
Bučar et al. A neural network approach to describing the scatter of S–N curves
Bockius et al. Model reduction techniques for the computation of extended Markov parameterizations for generalized Langevin equations
Peng et al. Linear attention coupled Fourier neural operator for simulation of three-dimensional turbulence
Sainsbury-Dale et al. Likelihood-free parameter estimation with neural Bayes estimators
CN111461445A (zh) 短期风速预测方法、装置、计算机设备及存储介质
Tian et al. Fast and self-learning indoor airflow simulation based on in situ adaptive tabulation
CN114692529B (zh) 一种cfd高维响应的不确定度量化方法、装置、计算机设备
Casenave et al. Mmgp: a mesh morphing gaussian process-based machine learning method for regression of physical problems under nonparametrized geometrical variability
CN114298299A (zh) 基于课程学习的模型训练方法、装置、设备及存储介质
Chu et al. Application of Latin hypercube sampling based kriging surrogate models in reliability assessment
Kayim et al. Time series forecasting with volatility activation function
Altaf et al. A study of reduced‐order 4DVAR with a finite element shallow water model
Jeong et al. Data-efficient surrogate modeling using meta-learning and physics-informed deep learning approaches
Sprenger Science without (parametric) models: the case of bootstrap resampling
Kumbhare et al. Matdram: A pure-matlab delayed-rejection adaptive metropolis-hastings markov chain monte carlo sampler
Mansouri et al. Modeling of nonlinear biological phenomena modeled by s-systems using bayesian method

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