CN114818549B - 一种物体的流体力学参数计算方法、系统、设备以及介质 - Google Patents
一种物体的流体力学参数计算方法、系统、设备以及介质 Download PDFInfo
- Publication number
- CN114818549B CN114818549B CN202210752299.0A CN202210752299A CN114818549B CN 114818549 B CN114818549 B CN 114818549B CN 202210752299 A CN202210752299 A CN 202210752299A CN 114818549 B CN114818549 B CN 114818549B
- Authority
- CN
- China
- Prior art keywords
- field data
- flow field
- simulation
- equation
- neural network
- 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
- 239000012530 fluid Substances 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004088 simulation Methods 0.000 claims abstract description 125
- 238000013528 artificial neural network Methods 0.000 claims abstract description 79
- 230000007704 transition Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 14
- 238000013461 design Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000013507 mapping Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F30/28—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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种物体的流体力学参数计算方法，包括以下步骤：利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，并利用第二RANS模型方程和NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，第二RANS模型方程中融合有转捩模型；构建神经网络并将流场数据作为输入，对应的涡粘系数作为输出对神经网络进行训练；获取待计算流体力学参数的模拟对象，并利用第一RANS模型方程和NS控制方程对模拟对象进行仿真得到流场数据；将流场数据输入到训练好的神经网络中得到相应的涡粘系数并利用相应的涡粘系数和NS控制方程计算模拟对象的流体力学参数。本发明还公开了一种系统、计算机设备以及可读存储介质。
Description
技术领域
本发明涉及流体力学领域，具体涉及一种物体的流体力学参数计算方法、系统、设备以及存储介质。
背景技术
随着高效推断统计算法以及机器学习技术的发展，不同领域的学者们都开始尝试利用先前发展的高置信度数据(高精度仿真以及实验测量等等)来辅助建模。对于计算流体力学(CFD)而言，基于人工神经网络(ANN)算法辅助湍流模型建模也已成为当下的研究热点之一。
计算流体力学是指利用数值仿真方法求解流体力学基本控制方程(Navier-Stokes，N-S方程),由于方程的性质导致方程本身并没有解析解，因此使用数值方程求解方程时需要给出一定的模型假设。无论是何种假设都会存在一定的近似，因此都会导致求解的精度受到影响，然而高精度的模拟结果又需要大量的计算资源才可以得到。因此，数据驱动辅助建模或许是一种可以合理解决上述矛盾的方法。
就工程流体力学仿真而言，目前应用最为广泛方法是将N-S方程转化为雷诺平均N-S方程(RANS)进行求解，即将N-S方程中所有物理量分解为时间平均量和脉动量后带入原方程得到。RANS方程与N-S方程形式非常类似，只是增加了与雷诺应力有关的一项，因此需要增加新的方程来使RANS方程封闭。根据增加方程数量的不同，就能得到不同的RANS模型。然而，由于RANS方程本身主要关注不同物理量时间平均值的变化，其在很多问题的求解上是存在缺陷的，例如完全无法捕捉一个流体力学中非常重要的物理过程——转捩(表示流体状态从层流到湍流的过渡)。为了解决这一问题，很多学者通过增加一个到两个新的方程来实现了对转捩现象的捕捉，即转捩模型。
而基于神经网络算法的数据驱动建模在计算流体力学中的应用主要有以下几种形式：
1.基于神经网络算法及高置信度数据对RANS方法中的湍流模型不确定性进行评估和修正。由于不同的湍流模型对RANS方程中雷诺应力不确定性的模拟都存在一定的偏差，因此通过神经网络算法则可以量化以及修正这一不确定性。
2.基于神经网络算法以及高置信度数据对湍流模型方程中的待定系数以及不同项的大小进行评估和修正。与第一种方法思路类似，知识评估和修正的对象关注到了湍流模型方程本身。
但是上述提到的神经网络算法应用在计算流体力学仿真中常用的两种种方法都存在不同的缺陷。即只能针对现有的数据集进行预测，无法用于修正模型训练过程中没有出现过的算例的数据集，即缺乏一定的泛化性。而且也无法预测转捩现象。
发明内容
有鉴于此，为了克服上述问题的至少一个方面，本发明实施例提出一种物体的流体力学参数计算方法，包括以下步骤：
利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，并利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，所述第二RANS模型方程中融合有转捩模型；
构建神经网络并将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练；
获取待计算流体力学参数的模拟对象，并利用所述第一RANS模型方程和所述NS控制方程对所述模拟对象进行仿真得到流场数据；
将所述流场数据输入到训练好的神经网络中得到相应的涡粘系数并利用所述相应的涡粘系数和所述NS控制方程计算所述模拟对象的流体力学参数。
在一些实施例中，利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，进一步包括：
利用第一RANS模型方程和NS控制方程在不同攻角、不同马赫数和/或不同模拟对象下进行仿真得到多个流场数据，其中每一个流场数据均包括多个物理量。
在一些实施例中，将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练，进一步包括：
从所述多个物理量中选择体现层流与湍流差异的若干个物理量作为输入。
在一些实施例中，所述若干个物理量为速度、压力、温度和/或密度。
在一些实施例中，将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练，进一步包括：
将选择的所述若干个物理量进行归一化处理。
在一些实施例中，利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，进一步包括：
在第一密度网格下利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据。
在一些实施例中，利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，进一步包括：
在第二密度网格下利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，所述第二密度网格比所述第一密度网格密。
在一些实施例中，将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练，进一步包括：
将在所述第二密度网格下得到的所述对应的涡粘系数插值到所述第一密度网格上并计算反双曲正弦函数以作为输出。
在一些实施例中，构建神经网络，进一步包括：
利用输入层、三层隐藏层和输出层构建所述神经网络。
在一些实施例中，还包括：
利用均方差公式
计算损失函数，其中yi为预测值，ti为真实值。
基于同一发明构思，根据本发明的另一个方面，本发明的实施例还提供了一种物体的流体力学参数计算系统，包括：
仿真模块，配置为利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，并利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，所述第二RANS模型方程中融合有转捩模型；
训练模块，配置为构建神经网络并将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练；
获取模块，配置为获取待计算流体力学参数的模拟对象，并利用所述第一RANS模型方程和所述NS控制方程对所述模拟对象进行仿真得到流场数据；
计算模块，配置为将所述流场数据输入到训练好的神经网络中得到相应的涡粘系数并利用所述相应的涡粘系数和所述NS控制方程计算所述模拟对象的流体力学参数。
在一些实施例中，仿真模块还配置为：
利用第一RANS模型方程和NS控制方程在不同攻角、不同马赫数和/或不同模拟对象下进行仿真得到多个流场数据，其中每一个流场数据均包括多个物理量。
在一些实施例中，训练模块还配置为：
从所述多个物理量中选择体现层流与湍流差异的若干个物理量作为输入。
在一些实施例中，所述若干个物理量为速度、压力、温度和/或密度。
在一些实施例中，训练模块还配置为：
将选择的所述若干个物理量进行归一化处理。
在一些实施例中，仿真模块还配置为：
在第一密度网格下利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据。
在一些实施例中，仿真模块还配置为：在第二密度网格下利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，所述第二密度网格比所述第一密度网格密。
在一些实施例中，仿真模块还配置为：
将在所述第二密度网格下得到的所述对应的涡粘系数插值到所述第一密度网格上并计算反双曲正弦函数以作为输出。
在一些实施例中，训练模块，还配置为：
利用输入层、三层隐藏层和输出层构建所述神经网络。
在一些实施例中，训练模块，还配置为：
利用均方差公式
计算损失函数，其中yi为预测值，ti为真实值。
基于同一发明构思，根据本发明的另一个方面，本发明的实施例还提供了一种计算机设备，包括：
至少一个处理器；以及
存储器，所述存储器存储有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程序时执行如上所述的任一种物体的流体力学参数计算方法的步骤。
基于同一发明构思，根据本发明的另一个方面，本发明的实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时执行如上所述的任一种物体的流体力学参数计算方法的步骤。
本发明具有以下有益技术效果之一：本发明提出的方案基于神经网络算法及考虑转捩现象的流场数据设计了一个新的湍流模型，该模型可以替代传统的RANS湍流模型并实现对转捩现象的捕捉，减少数值仿真计算量的提升了预测结果的准确性。湍流仿真在工业届应用广泛，如飞机机翼或发动机叶片的设计、船舶螺旋桨的设计以及风力发电机叶片的设计等等，而本发明所提供的湍流模型或者说提供的一种优化现有湍流模型的思路可以为不同行业的工业设计及仿真提供助力。
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实施例。
图1为本发明的实施例提供的物体的流体力学参数计算方法的流程示意图；
图2为本发明的实施例提供的物体的流体力学参数计算系统的结构示意图；
图3为本发明的实施例提供的计算机设备的结构示意图；
图4为本发明的实施例提供的计算机可读存储介质的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
根据本发明的一个方面，本发明的实施例提出一种物体的流体力学参数计算方法，如图1所示，其可以包括步骤：
S1，利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，并利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，所述第二RANS模型方程中融合有转捩模型；
S2，构建神经网络并将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练；
S3，获取待计算流体力学参数的模拟对象，并利用所述第一RANS模型方程和所述NS控制方程对所述模拟对象进行仿真得到流场数据；
S4，将所述流场数据输入到训练好的神经网络中得到相应的涡粘系数并利用所述相应的涡粘系数和所述NS控制方程计算所述模拟对象的流体力学参数。
本发明提出的方案基于神经网络算法及考虑转捩现象的流场数据设计了一个新的湍流模型，该模型可以替代传统的RANS湍流模型并实现对转捩现象的捕捉，减少数值仿真计算量的提升了预测结果的准确性。湍流仿真在工业届应用广泛，如飞机机翼或发动机叶片的设计、船舶螺旋桨的设计以及风力发电机叶片的设计等等，而本发明所提供的湍流模型或者说提供的一种优化现有湍流模型的思路可以为不同行业的工业设计及仿真提供助力。
在一些实施例中，利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，进一步包括：
利用第一RANS模型方程和NS控制方程在不同攻角、不同马赫数和/或不同模拟对象下进行仿真得到多个流场数据，其中每一个流场数据均包括多个物理量。
具体的，可以使用传统RANS模型(简称RANS-Original)以及融合有转捩模型的RANS模型(简称RANS-Transition)在不同攻角、不同马赫数甚至不同机翼下的仿真结果。
在一些实施例中，将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练，进一步包括：
从所述多个物理量中选择体现层流与湍流差异的若干个物理量作为输入。
在一些实施例中，所述若干个物理量为速度、压力、温度和/或密度。
具体的，转捩现象涉及流体状态从层流到湍流的转变，考虑这一物理现象，选择能够体现层流与湍流差异的物理量作为神经网络模型的输入量，同时增加部分张量分量来增强模型训练的收敛性。例如，选择的物理量可以是速度、压力、温度和/或密度等。
在一些实施例中，将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练，进一步包括：
将选择的所述若干个物理量进行归一化处理。
具体的，可以根据仿真对象(如机翼等)的物理特性，从训练数据集的RANS-Original仿真结果中选择若干物理量I|train作为神经网络的输入特征，在进行训练前使用
公式进行归一化处理。
在一些实施例中，利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，进一步包括：
在第一密度网格下利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据。
在一些实施例中，利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，进一步包括：
在第二密度网格下利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，所述第二密度网格比所述第一密度网格密。
在一些实施例中，将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练，进一步包括：
将在所述第二密度网格下得到的所述对应的涡粘系数插值到所述第一密度网格上并计算反双曲正弦函数以作为输出。
具体的，可以从训练集的RANS-Transition数据中提取涡粘系数的反双曲正弦arcsinh(μt true)|train作为神经网络的输出参数，输出参数的选取涉及两套网格，本专利将密网格的数据插值到了粗网格上作为输出参数，增强了模型后期迭代的稳定性，即用于训练的输出值为精度较高的值，这样使用了密网格插值的方式增加了仿真过程中的收敛性及稳定性，故可以在较粗的网格上对物理现象进行较为精确的仿真，大大节省了计算量。
在输出参数的选择上，由于雷诺应力主要由湍流粘性系数μt来控制，因此输出参数选择涡粘系数真值，同时为了避免不同区域(如物体表面与仿真区域外边界)涡粘系数数值差距过大而导致局部区域预测出现偏差，最后选择涡粘系数真值的反双曲正弦函数作为最终输出参数，即arcsinh(μt true)。
最后，构建基于训练集数据的映射，即
进而导出该映射下神经网络中各神经元的权重与偏置量，再将得到的权重以及偏置量嵌入到开源CFD代码中，即可使用神经网络模型来预测求解问题的涡粘系数分布，最终实现对RANS-Original模型仿真结果的优化。即S3，获取待计算流体力学参数的模拟对象，并利用所述第一RANS模型方程和所述NS控制方程对所述模拟对象进行仿真得到流场数据，然后S4，将所述流场数据输入到训练好的神经网络中得到相应的涡粘系数并利用所述相应的涡粘系数和所述NS控制方程计算所述模拟对象的流体力学参数。
在一些实施例中，构建神经网络，进一步包括：
利用输入层、三层隐藏层和输出层构建所述神经网络。
在一些实施例中，还包括：
利用均方差公式
计算损失函数，其中yi为预测值，ti为真实值。
具体的，可以采用Keras作为神经网络框架搭建工具，Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow和Theano等的高阶应用程序接口。目前很多的开源CFD代码(如OpenFoam等)中均已融合了转捩模型，因此可以选择某一开源CFD代码来作为第二RANS模型。
其中，神经网络框架的超参数设置如下所示：
激活函数：Leaky ReLu，
其中ai为(1,+∞)区间内的固定参数。
优化器：Adam，
Adam是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重。
损失函数：均方差，
计算预测值与真实值之间的欧式距离，预测值和真实值越接近，两者的均方差越小。
基于代码收敛后的流场结果验证神经网络模型所预测涡粘系数的精确性，若有偏差则进一步优化神经网络参数直至结果准确。
本发明的提出的方案设计了一种神经网络框架，建立了传统流体力学湍流模型物理参数与考虑转捩现象的湍流模型的涡粘系数之间的映射，进而实现对传统湍流模型预测结果的修正。该神经网络框架建立的过程中，输入物理量的选取以及输出参数的形式都考虑所模拟问题的物理特性进行了筛选及改进。并且使用了密网格插值的方式增加了仿真过程中的收敛性及稳定性，故可以在较粗的网格上对物理现象进行较为精确的仿真，大大节省了计算量。
基于同一发明构思，根据本发明的另一个方面，本发明的实施例还提供了一种物体的流体力学参数计算系统400，如图2所示，包括：
仿真模块401，配置为利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，并利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，所述第二RANS模型方程中融合有转捩模型；
训练模块402，配置为构建神经网络并将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练；
获取模块403，配置为获取待计算流体力学参数的模拟对象，并利用所述第一RANS模型方程和所述NS控制方程对所述模拟对象进行仿真得到流场数据；
计算模块404，配置为将所述流场数据输入到训练好的神经网络中得到相应的涡粘系数并利用所述相应的涡粘系数和所述NS控制方程计算所述模拟对象的流体力学参数。
在一些实施例中，仿真模块401还配置为：
利用第一RANS模型方程和NS控制方程在不同攻角、不同马赫数和/或不同模拟对象下进行仿真得到多个流场数据，其中每一个流场数据均包括多个物理量。
在一些实施例中，训练模块402还配置为：
从所述多个物理量中选择体现层流与湍流差异的若干个物理量作为输入。
在一些实施例中，所述若干个物理量为速度、压力、温度和/或密度。
在一些实施例中，训练模块402还配置为：
将选择的所述若干个物理量进行归一化处理。
在一些实施例中，仿真模块401还配置为：
在第一密度网格下利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据。
在一些实施例中，仿真模块401还配置为：在第二密度网格下利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，所述第二密度网格比所述第一密度网格密。
在一些实施例中，仿真模块401还配置为：
将在所述第二密度网格下得到的所述对应的涡粘系数插值到所述第一密度网格上并计算反双曲正弦函数以作为输出。
在一些实施例中，训练模块402，还配置为：
利用输入层、三层隐藏层和输出层构建所述神经网络。
在一些实施例中，训练模块402，还配置为：
利用均方差公式
计算损失函数，其中yi为预测值，ti为真实值。
本发明的提出的方案设计了一种神经网络框架，建立了传统流体力学湍流模型物理参数与考虑转捩现象的湍流模型的涡粘系数之间的映射，进而实现对传统湍流模型预测结果的修正。该神经网络框架建立的过程中，输入物理量的选取以及输出参数的形式都考虑所模拟问题的物理特性进行了筛选及改进。并且使用了密网格插值的方式增加了仿真过程中的收敛性及稳定性，故可以在较粗的网格上对物理现象进行较为精确的仿真，大大节省了计算量。
基于同一发明构思，根据本发明的另一个方面，如图3所示，本发明的实施例还提供了一种计算机设备501，包括：
至少一个处理器520；以及
存储器510，存储器510存储有可在处理器上运行的计算机程序511，处理器520执行程序时执行以下步骤：
S1，利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，并利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，所述第二RANS模型方程中融合有转捩模型；
S2，构建神经网络并将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练；
S3，获取待计算流体力学参数的模拟对象，并利用所述第一RANS模型方程和所述NS控制方程对所述模拟对象进行仿真得到流场数据；
S4，将所述流场数据输入到训练好的神经网络中得到相应的涡粘系数并利用所述相应的涡粘系数和所述NS控制方程计算所述模拟对象的流体力学参数。
在一些实施例中，利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，进一步包括：
利用第一RANS模型方程和NS控制方程在不同攻角、不同马赫数和/或不同模拟对象下进行仿真得到多个流场数据，其中每一个流场数据均包括多个物理量。
在一些实施例中，将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练，进一步包括：
从所述多个物理量中选择体现层流与湍流差异的若干个物理量作为输入。
在一些实施例中，所述若干个物理量为速度、压力、温度和/或密度。
在一些实施例中，将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练，进一步包括：
将选择的所述若干个物理量进行归一化处理。
在一些实施例中，利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，进一步包括：
在第一密度网格下利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据。
在一些实施例中，利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，进一步包括：
在第二密度网格下利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，所述第二密度网格比所述第一密度网格密。
在一些实施例中，将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练，进一步包括：
将在所述第二密度网格下得到的所述对应的涡粘系数插值到所述第一密度网格上并计算反双曲正弦函数以作为输出。
在一些实施例中，构建神经网络，进一步包括：
利用输入层、三层隐藏层和输出层构建所述神经网络。
在一些实施例中，还包括：
利用均方差公式
计算损失函数，其中yi为预测值，ti为真实值。
本发明的提出的方案设计了一种神经网络框架，建立了传统流体力学湍流模型物理参数与考虑转捩现象的湍流模型的涡粘系数之间的映射，进而实现对传统湍流模型预测结果的修正。该神经网络框架建立的过程中，输入物理量的选取以及输出参数的形式都考虑所模拟问题的物理特性进行了筛选及改进。并且使用了密网格插值的方式增加了仿真过程中的收敛性及稳定性，故可以在较粗的网格上对物理现象进行较为精确的仿真，大大节省了计算量。
基于同一发明构思，根据本发明的另一个方面，如图4所示，本发明的实施例还提供了一种计算机可读存储介质601，计算机可读存储介质601存储有计算机程序610，计算机程序610被处理器执行时执行以下步骤：
S1，利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，并利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，所述第二RANS模型方程中融合有转捩模型；
S2，构建神经网络并将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练；
S3，获取待计算流体力学参数的模拟对象，并利用所述第一RANS模型方程和所述NS控制方程对所述模拟对象进行仿真得到流场数据；
S4，将所述流场数据输入到训练好的神经网络中得到相应的涡粘系数并利用所述相应的涡粘系数和所述NS控制方程计算所述模拟对象的流体力学参数。
在一些实施例中，利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，进一步包括：
利用第一RANS模型方程和NS控制方程在不同攻角、不同马赫数和/或不同模拟对象下进行仿真得到多个流场数据，其中每一个流场数据均包括多个物理量。
在一些实施例中，将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练，进一步包括：
从所述多个物理量中选择体现层流与湍流差异的若干个物理量作为输入。
在一些实施例中，所述若干个物理量为速度、压力、温度和/或密度。
在一些实施例中，将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练，进一步包括：
将选择的所述若干个物理量进行归一化处理。
在一些实施例中，利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，进一步包括：
在第一密度网格下利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据。
在一些实施例中，利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，进一步包括：
在第二密度网格下利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，所述第二密度网格比所述第一密度网格密。
在一些实施例中，将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练，进一步包括：
将在所述第二密度网格下得到的所述对应的涡粘系数插值到所述第一密度网格上并计算反双曲正弦函数以作为输出。
在一些实施例中，构建神经网络，进一步包括：
利用输入层、三层隐藏层和输出层构建所述神经网络。
在一些实施例中，还包括：
利用均方差公式
计算损失函数，其中yi为预测值，ti为真实值。
本发明的提出的方案设计了一种神经网络框架，建立了传统流体力学湍流模型物理参数与考虑转捩现象的湍流模型的涡粘系数之间的映射，进而实现对传统湍流模型预测结果的修正。该神经网络框架建立的过程中，输入物理量的选取以及输出参数的形式都考虑所模拟问题的物理特性进行了筛选及改进。并且使用了密网格插值的方式增加了仿真过程中的收敛性及稳定性，故可以在较粗的网格上对物理现象进行较为精确的仿真，大大节省了计算量。
最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。
此外，应该明白的是，本文的计算机可读存储介质(例如，存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。
Claims (15)
1.一种物体的流体力学参数计算方法，其特征在于，包括以下步骤：
利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，并利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，所述第二RANS模型方程中融合有转捩模型；
构建神经网络并将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练；
获取待计算流体力学参数的模拟对象，并利用所述第一RANS模型方程和所述NS控制方程对所述模拟对象进行仿真得到流场数据；
将所述流场数据输入到训练好的神经网络中得到相应的涡粘系数并利用所述相应的涡粘系数和所述NS控制方程计算所述模拟对象的流体力学参数。
2.如权利要求1所述的方法，其特征在于，利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，进一步包括：
利用第一RANS模型方程和NS控制方程在不同攻角、不同马赫数和/或不同模拟对象下进行仿真得到多个流场数据，其中每一个流场数据均包括多个物理量。
3.如权利要求2所述的方法，其特征在于，将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练，进一步包括：
从所述多个物理量中选择体现层流与湍流差异的若干个物理量作为输入。
4.如权利要求3所述的方法，其特征在于，所述若干个物理量为速度、压力、温度和/或密度。
5.如权利要求3所述的方法，其特征在于，将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练，进一步包括：
将选择的所述若干个物理量进行归一化处理。
6.如权利要求1所述的方法，其特征在于，利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，进一步包括：
在第一密度网格下利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据。
7.如权利要求6所述的方法，其特征在于，利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，进一步包括：
在第二密度网格下利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，所述第二密度网格比所述第一密度网格密。
8.如权利要求7所述的方法，其特征在于，将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练，进一步包括：
将在所述第二密度网格下得到的所述对应的涡粘系数插值到所述第一密度网格上并计算反双曲正弦函数以作为输出。
9.如权利要求1所述的方法，其特征在于，构建神经网络，进一步包括：
利用输入层、三层隐藏层和输出层构建所述神经网络。
10.如权利要求9所述的方法，其特征在于，还包括：
利用均方差公式
计算损失函数，其中yi为预测值，ti为真实值；
其中，n为预测值或真实值的数量，i为预测值或真实值的编号。
11.一种物体的流体力学参数计算系统，其特征在于，包括：
仿真模块，配置为利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，并利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，所述第二RANS模型方程中融合有转捩模型；
训练模块，配置为构建神经网络并将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练；
获取模块，配置为获取待计算流体力学参数的模拟对象，并利用所述第一RANS模型方程和所述NS控制方程对所述模拟对象进行仿真得到流场数据；
计算模块，配置为将所述流场数据输入到训练好的神经网络中得到相应的涡粘系数并利用所述相应的涡粘系数和所述NS控制方程计算所述模拟对象的流体力学参数。
12.如权利要求11所述的系统，其特征在于，仿真模块还配置为：
利用第一RANS模型方程和NS控制方程在不同攻角、不同马赫数和/或不同模拟对象下进行仿真得到多个流场数据，其中每一个流场数据均包括多个物理量。
13.如权利要求12所述的系统，其特征在于，训练模块还配置为：
从所述多个物理量中选择体现层流与湍流差异的若干个物理量作为输入。
14.一种计算机设备，包括：
至少一个处理器；以及
存储器，所述存储器存储有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程序时执行如权利要求1-10任意一项所述的方法的步骤。
15.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时执行如权利要求1-10任意一项所述的方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210752299.0A CN114818549B (zh) | 2022-06-29 | 2022-06-29 | 一种物体的流体力学参数计算方法、系统、设备以及介质 |
| PCT/CN2022/141089 WO2024001096A1 (zh) | 2022-06-29 | 2022-12-22 | 一种物体的流体力学参数计算方法、系统、设备以及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210752299.0A CN114818549B (zh) | 2022-06-29 | 2022-06-29 | 一种物体的流体力学参数计算方法、系统、设备以及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114818549A CN114818549A (zh) | 2022-07-29 |
| CN114818549B true CN114818549B (zh) | 2022-11-29 |
Family
ID=82522900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210752299.0A Active CN114818549B (zh) | 2022-06-29 | 2022-06-29 | 一种物体的流体力学参数计算方法、系统、设备以及介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114818549B (zh) |
| WO (1) | WO2024001096A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114818549B (zh) * | 2022-06-29 | 2022-11-29 | 苏州浪潮智能科技有限公司 | 一种物体的流体力学参数计算方法、系统、设备以及介质 |
| CN116050242A (zh) * | 2022-11-15 | 2023-05-02 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种转捩预测方法、装置、设备及介质 |
| CN118468455B (zh) * | 2024-07-15 | 2024-09-17 | 中国空气动力研究与发展中心超高速空气动力研究所 | 融合径向基的深度算子学习可压缩流场预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112084727A (zh) * | 2020-10-26 | 2020-12-15 | 中国人民解放军国防科技大学 | 一种基于神经网络的转捩预测方法 |
| CN113420507A (zh) * | 2021-07-08 | 2021-09-21 | 刘维烁 | 流体流动模拟方法、装置以及介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7251592B1 (en) * | 2003-08-18 | 2007-07-31 | United Technologies Corporation | Boundary layer transition model |
| CN109033525B (zh) * | 2018-06-27 | 2022-08-30 | 浙江大学 | 一种基于简化三方程转捩模型的高超声速转捩预测方法 |
| CN114818549B (zh) * | 2022-06-29 | 2022-11-29 | 苏州浪潮智能科技有限公司 | 一种物体的流体力学参数计算方法、系统、设备以及介质 |
-
2022
- 2022-06-29 CN CN202210752299.0A patent/CN114818549B/zh active Active
- 2022-12-22 WO PCT/CN2022/141089 patent/WO2024001096A1/zh unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112084727A (zh) * | 2020-10-26 | 2020-12-15 | 中国人民解放军国防科技大学 | 一种基于神经网络的转捩预测方法 |
| CN113420507A (zh) * | 2021-07-08 | 2021-09-21 | 刘维烁 | 流体流动模拟方法、装置以及介质 |
Non-Patent Citations (2)
| Title |
|---|
| 基于方、矩形环管直接数值模拟结果的各向异性RANS湍流模型构建;郭永涛等;《复旦学报(自然科学版)》;20190228;第1-13页 * |
| 机器学习在湍流模型构建中的应用进展;张伟伟等;《空气动力学学报》;20190630;第444-454页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114818549A (zh) | 2022-07-29 |
| WO2024001096A1 (zh) | 2024-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114818549B (zh) | 一种物体的流体力学参数计算方法、系统、设备以及介质 | |
| Cai et al. | Application of Bayesian networks in reliability evaluation | |
| Adeli et al. | Dynamic fuzzy wavelet neural network model for structural system identification | |
| CN114492211B (zh) | 一种基于自回归网络模型的剩余油分布预测方法 | |
| CN111415010A (zh) | 一种基于贝叶斯神经网络的风电机组参数辨识方法 | |
| JP7492083B2 (ja) | メッシュ表現およびグラフニューラルネットワークを使用した物理的環境のシミュレーション | |
| WO2021163309A1 (en) | Frequency-compensted neural networks for fluid dynamics design problems | |
| CN115935834A (zh) | 一种基于深度自回归网络和持续学习策略的历史拟合方法 | |
| JP6973377B2 (ja) | 解析装置、解析方法、およびプログラム | |
| CN115879335A (zh) | 一种基于图生成神经网络的流体多物理场参数预测方法 | |
| Blaud et al. | From multi‐physics models to neural network for predictive control synthesis | |
| Zargar et al. | Deep learning in early-stage structural performance prediction: Assessing morphological parameters for buildings | |
| Wu et al. | Model Healing: Toward a framework for building designs to achieve code compliance | |
| 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 | |
| KR102245922B1 (ko) | CFD(Computational Fluid Dynamics) 해석 이상 징후 예측 시스템 및 방법 | |
| CN113887026A (zh) | 一种基于集成学习的输油管道水力预测方法 | |
| CN112926758A (zh) | 短期风速预测方法及系统 | |
| Corsini et al. | Machine learnt synthetic turbulence for LES inflow conditions | |
| Wei et al. | Automatic Parameterization for Aerodynamic Shape Optimization via Deep Geometric Learning | |
| CN111582632A (zh) | 一种地下大空间施工全过程多因素安全阶段性预测方法 | |
| CN115438575B (zh) | 一种用于高精度翼型流场预测的分析方法 | |
| CN117973236B (zh) | 一种对仿真结果的校正方法、系统、设备及存储介质 | |
| CN114297940B (zh) | 确定非稳态储层参数的方法及装置 | |
| US20240193423A1 (en) | Systems and methods for building dynamic reduced order physical models | |
| Repolho Cagliari et al. | Active flow control optimization with stability guarantees |
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 |