CN114896886A - 流场识别方法、装置、电子设备、介质和程序产品 - Google Patents
流场识别方法、装置、电子设备、介质和程序产品 Download PDFInfo
- Publication number
- CN114896886A CN114896886A CN202210548229.3A CN202210548229A CN114896886A CN 114896886 A CN114896886 A CN 114896886A CN 202210548229 A CN202210548229 A CN 202210548229A CN 114896886 A CN114896886 A CN 114896886A
- Authority
- CN
- China
- Prior art keywords
- flow field
- data point
- momentum
- equation
- conservation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000012530 fluid Substances 0.000 claims abstract description 99
- 230000006870 function Effects 0.000 claims abstract description 82
- 238000003062 neural network model Methods 0.000 claims abstract description 57
- 238000004590 computer program Methods 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- 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
- 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
- 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
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Fluid Mechanics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
Abstract
本公开提供了一种流场识别方法、装置、电子设备、介质和程序产品,涉及人工智能技术领域,尤其涉及深度学习、流体力学等技术领域。具体实现方案为:获取流场内的数据点坐标以及时间信息,所述流场包括目标障碍物体,所述数据点坐标为以所述目标障碍物体为坐标原点的坐标;基于神经网络模型识别所述数据点坐标在目标时间的流体参数,其中,所述神经网络模型的输入包括所述数据点坐标和所述时间信息,所述神经网络模型的损失函数包括控制方程的损失函数,所述控制方程为与所述流场对应的控制方程,所述目标时间为所述时间信息表示的时间。本公开可以提高流体参数的获取效率。
Description
技术领域
本公开涉及深度学习、流体力学等人工智能技术领域,尤其涉及一种流场识别方法、装置、电子设备、介质和程序产品。
背景技术
流场在人们生活中经常存在,例如:空气流场、海洋流场等。在实际应用中流场往往会存在障碍物体,这样障碍物体会导致流场内的流体参数发生变化。目前流场内的流体参数主要是依靠人工计算。
发明内容
本公开提供了一种流场识别方法、装置、电子设备、介质和程序产品。
根据本公开的一方面,提供了一种流场识别方法,包括:
获取流场内的数据点坐标以及时间信息,所述流场包括目标障碍物体,所述数据点坐标为以所述目标障碍物体为坐标原点的坐标;
基于神经网络模型识别所述数据点坐标在目标时间的流体参数,其中,所述神经网络模型的输入包括所述数据点坐标和所述时间信息,所述神经网络模型的损失函数包括控制方程的损失函数,所述控制方程为与所述流场对应的控制方程,所述目标时间为所述时间信息表示的时间。
根据本公开的另一方面,提供了一种流场识别装置,包括:
获取模块,用于获取流场内的数据点坐标以及时间信息,所述流场包括目标障碍物体,所述数据点坐标为以所述目标障碍物体为坐标原点的坐标;
识别模块,用于基于神经网络模型识别所述数据点坐标在目标时间的流体参数,其中,所述神经网络模型的输入包括所述数据点坐标和所述时间信息,所述神经网络模型的损失函数包括控制方程的损失函数,所述控制方程为与所述流场对应的控制方程,所述目标时间为所述时间信息表示的时间。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开提供的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行本公开提供的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开提供的方法。
本公开中,由于基于神经网络模型识别所述数据点坐标在目标时间的流体参数,从而可以提高流体参数的获取效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开提供的一种流场识别方法的流程图;
图2是本公开提供的一种流场的示意图;
图3是本公开提供的一种神经网络模型的示意图;
图4是本公开提供的一种流场识别装置的示意图;
图5是本公开提供的另一种流场识别装置的示意图;
图6是用来实现本公开实施例的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
请参见图1,图1是本公开提供的一种落地页处理方法的流程图,如图1所示,包括以下步骤:
步骤S101、获取流场内的数据点坐标以及时间信息,所述流场包括目标障碍物体,所述数据点坐标为以所述目标障碍物体为坐标原点的坐标。
上述流场可以是空气流场、江河流场、海洋流场等存在障碍物体和流体的流场,对于空气流场,流体为空气,对于江河流场或者海洋流场,流体为水。
上述目标障碍物体可以是指在位于上述流场内对流场的流体产生影响的障碍物体,该障碍物体可以是静止的,也可以是移动的,如果是移动的。
在一个实施例中,上述目标障碍物体包括:圆柱。
例如:在空气流场中,上述目标障碍物体可以为电线杆、桥梁等圆柱,在江河流场或者海洋流场中,上述目标障碍物体可以是为桥墩、隧道、潜艇等圆柱。需要说明的是,本公开中圆柱可以为规则圆柱,也可以为非规则圆柱。
在该实施例中,可以实现针对流场的圆柱,识别数据点坐标在目标时间的流体参数,以实现在圆柱绕流问题上,快速获取到流场内的流体参数。
需要说明的是,本公开中,上述目标障碍物体除了圆柱之外,还可以是其他形状的物体,例如:长方体、正方体等。
上述流场内的数据点坐标可以是,该流场内的位置点,该位置点通过以目标障碍物体为坐标原点的坐标来体现,上述时间信息可以为某一个时刻的时间信息。
上述数据点坐标可以是上述流场内中的任一数据点坐标,或者上述数据点坐标可以是预先设定的特定数据点坐标。
步骤S102、基于神经网络模型识别所述数据点坐标在目标时间的流体参数,其中,所述神经网络模型的输入包括所述数据点坐标和所述时间信息,所述神经网络模型的损失函数包括控制方程的损失函数,所述控制方程为与所述流场对应的控制方程,所述目标时间为所述时间信息表示的时间。
上述神经网络模型可以为预先配置、预先训练或者预先构建的神经网络模型,该神经网络模型的输入包括数据点坐标和时间信息,输出包括流体参数。
在一个实施例中,上述神经网络模型可以是物理信息神经网络(Physics-informed Neural Networks,PINNs)模型,或者PINNs模型和全连接层网络模型结合得到的神经网络模型。
这样在该实施例中,可以利用PINNs模型在少样本训练中存在很大优势,且无需进行网格离散处理的特性,节省大量算力资源及时间成本。
需要说明的是,本公开中上述神经网络模型也可以是全连接层网络模型,或者转换(transformer)模型,或者PINNs模型和transformer模型结合得到的神经网络模型等等,具体不作限定。
上述流体参数可以是流体在上述流场内的速度、受到的压强等参数。
上述流场对应的控制方程为基于上述流场的参数信息设定的控制方程,该控制方程可以用于表示上述流场的守恒关系,如质量守恒和/或动量守恒。
本公开中,由于神经网络模型的损失函数包括控制方程的损失函数,且控制方程为与所述流场对应的控制方程,这样可以使得神经网络模型输出的流体参数、数据点坐标和时间信息这三者的关系满足或者逼近上述控制方程表示的关系,或者可以理解为在上述控制方程的变量包括上述流体参数的情况下,上述流体参数为对该控制方程的求解。这样通过上述神经网络模型识别的流体参数的准确性较高。
本公开中,通过上述步骤可以实现基于神经网络模型识别数据点坐标在目标时间的流体参数,从而可以提高流体参数的获取效率。
本公开中,在上述步骤中可以识别一个或者多个数据点坐标在目标时间的流体参数,也可以识别一个或者多个数据点坐标在多个时间的流体参数
需要说明的是,本公开上述流场识别方法由执行电子设备,即上述方法包括的所有步骤由该电子设备执行,该电子设备可以是服务器、计算机、手机等电子设备。
在一个实施例中,图1所示的实施例中的数据点坐标包括水平方向的水平坐标和竖直方向的竖直坐标,图1所示的实施例中的流体参数包括如下至少一项:
所述流场内的流体在所述水平方向的移动速度、所述流场内的流体在所述竖直方向的移动速度和所述流场内的流体受到的压强。
本公开中,水平方向和竖直方向可以分别表示为x方向和y方向。
该实施例中,通过上述神经网络模型可以识别出流场内的流体在水平方向的移动速度、流场内的流体在竖直方向的移动速度和流场内的流体受到的压强,这样可以识别出流场更加详细的流体参数。
在一个实施例中,所述控制方程包括如下至少一项:
质量守恒方程、所述水平方向的动量守恒方程和所述竖直方向的动量守恒方程;
其中,所述质量守恒方程内的常数与所述流场对应,所述质量守恒方程用于表示所述数据点坐标在所述目标时间质量守恒;
所述水平方向的动量守恒方程的常数与所述流场对应,所述水平方向的动量守恒方程用于表示所述数据点坐标在所述水平方向上动量守恒,所述水平方向上动量守恒为在所述目标时间在所述水平方向上动量守恒;
所述竖直方向的动量守恒方程的常数与所述流场对应,所述竖直方向的动量守恒方程用于表示所述数据点坐标在所述竖直方向上动量守恒,所述竖直方向上动量守恒为在所述目标时间在所述竖直方向上动量守恒。
其中,上述质量守恒方程内的常数与所述流场对应可以是,上述质量守恒方程内包括上述流场对应的常数,例如:包括表示上述流场内流体的密度和流体粘度的常数。
上述质量守恒方程用于表示所述数据点坐标在所述目标时间质量守恒可以理解为,在上述目标时间上述流场内上述数据点坐标表示的位置质量守恒。
上述质量守恒方程还可以包括:用于表示上述数据点坐标的变量,用于表示上述时间信息的变量,用于表示上述流体在水平方向的移动速度的变量,这样通过上述质量守恒方程可以实现上述数据点坐标、时间信息和流体在水平方向的移动速度之间的关系满足或者逼近该质量守恒方程,即在上述目标时间上述流场内上述数据点坐标表示的位置质量守恒。
其中,上述水平方向的动量守恒方程的常数与所述流场对应可以是,上述水平方向的动量守恒方程包括上述流场对应的常数,例如:包括表示上述流场内流体的密度和流体粘度的常数,以及包括上述流场的雷诺数和压力的常数。
上述水平方向的动量守恒方程用于表示所述数据点坐标在所述水平方向上动量守恒可以理解为,在上述目标时间上述流场内上述数据点坐标在水平方向上动量守恒。
上述水平方向的动量守恒方程还可以包括:用于表示上述数据点坐标的变量,用于表示上述时间信息的变量,用于表示上述流体在水平方向的移动速度的变量,用于表示上述流体受到的压强的变量。
这样通过上述水平方向的动量守恒方程可以实现上述数据点坐标、时间信息、流体在水平方向的移动速度和流体受到的压强之间的关系满足或者逼近该水平方向的动量守恒方程,即在上述目标时间上述流场内上述数据点坐标表示的位置在水平方向上动量守恒。
其中,上述竖直方向的动量守恒方程的常数与所述流场对应可以是,上述竖直方向的动量守恒方程包括上述流场对应的常数,例如:包括表示上述流场内流体的密度和流体粘度的常数,以及包括上述流场的雷诺数和压力的常数。
上述竖直方向的动量守恒方程用于表示所述数据点坐标在所述竖直方向上动量守恒可以理解为,在上述目标时间上述流场内上述数据点坐标在竖直方向上动量守恒。
上述竖直方向的动量守恒方程还可以包括:用于表示上述数据点坐标的变量,用于表示上述时间信息的变量,用于表示上述流体在水平方向的移动速度的变量,用于表示上述流体在竖直方向的移动速度的变量,用于表示上述流体受到的压强的变量。
这样通过上述竖直方向的动量守恒方程可以实现上述数据点坐标、时间信息、流体在水平方向的移动速度、流体在竖直方向的移动速度和流体受到的压强之间的关系满足或者逼近该竖直方向的动量守恒方程,即在上述目标时间上述流场内上述数据点坐标表示的位置在竖直方向上动量守恒。
该实施例中,由于质量守恒方程、水平方向的动量守恒方程和竖直方向的动量守恒方程是与上述流场对应,这样可以使得上述神经网络模型识别的流体参数满足或者逼近质量守恒、水平方向的动量守恒和竖直方向的动量守恒,以进一步提高流体参数的准确性。
在一个实施例中,上述控制方程为偏微分方程组,例如:上述控制方程为纳维-斯托克斯方程(Navier-Stokes equations,NS)方程。
在上述控制方程为NS方程的情况下,上述质量守恒方程、水平方向的动量守恒方程和竖直方向的动量守恒方程分别为如下:
水平方向的动量守恒方程:
竖直方向的动量守恒方程:
具体的,上述NS包括的三个守恒方程为根据本公开的流场而预先构建的。
通过上述NS方程可以使得神经网络模型识别的流体参数更加满足或者逼近质量守恒方程、水平方向的动量守恒方程和竖直方向的动量守恒,进一步提高流体参数的准确性。
需要说明的是,本公开中上述控制方程并不限定为上述NS方程,例如:还可以是双曲型偏微分方程或者椭圆型偏微分方程等。
另外,上述实施例中的控制方程中的常数可以是根据上述流场预先设定的,例如:如图2所示,在一个长方形水槽内放置一个圆柱,圆柱侧采用无滑移边界,即圆柱速度为0,圆柱给定直径D=2,W表示wall(即圆柱侧面和水槽墙壁)。水槽上下两侧墙壁默认为无限远边界,水槽左右两侧为水流的入口和出口,入口侧来流速度为1,出口压力为0,流体粘度v=0.02,控制流场雷诺数Re=100,所有流体物性进行无量纲化。这样得到上述控制方程压力、流体粘度和雷诺数的常数。
需要说明的是,在一些实施方式中,为了简化控制方程,可以采用二维控制方程,例如:二维非稳态NS方程。在一些实施方式中,也可以采用三维控制方程,对此不作限定。
在一个实施例中,上述神经网络模型的损失函数为如下损失函数的加权和:
监督数据的损失函数、所述控制方程的损失函数、所述流场对应的初始条件的损失函数和所述流场对应的边界条件的损失函数。
其中,上述四个损失函数和权重为针对上述流场预先定义的。例如:根据上述控制方程预先定义上述控制方程的损失函数,根据上述流场的无限远边界预先定义对应的边界条件的损失函数,根据上述流场的初始值预先定义对应的初始条件的损失函数,如将流场按照相对0时刻定义初始时刻(即流体进入流场的时刻)预先定义对应的初始条件的损失函数。
例如:上述神经网络模型的损失函数可以表示为如下:
L=ω1LPDE+ω2Ldata+ω3LIC+ω4LBC
其中,L表示上述神经网络模型的损失函数,上述LPDE表示控制方程的损失函数,上述Ldata表示监督数据的损失函数,LIC表示初始条件的损失函数,LBC表示边界条件的损失函数,ω1、ω2、ω3和ω4分别表示上述四个损失函数的权重。
在一些实施方式中:
LPDE=MSEf+MSEu
其中,Nf为LPDE的第一部分数据量,Nu为LPDE的第二部分数据量,f()为控制方程的微分项,u()为控制方程的代数项,t为时间坐标,表示第i个数据在代数项中的时刻点,为第i个数据在代数项中的x坐标,ui为LPDE第二部分数据量中第i个数据。
在一些实施方式中:
在上述实施方式中,控制方程是由微分项和代数项组成,即控制方程可以拆成微分项和代数项两部分。
需要说明的是,上述列出的LPDE和Ldata的等式仅是对LPDE和Ldata进行均方误差(mean-square error,MSE)计算的损失函数进行举例示意,例如:在一些实施方式中,也可以是对LPDE和Ldata进行平均绝对误差(Mean Absolute Error,MAE)计算的损失函数。
该实施例中,由于上述神经网络模型的损失函数为监督数据的损失函数、所述控制方程的损失函数、所述流场对应的初始条件的损失函数和所述流场对应的边界条件的损失函数的加权和,这样使得上述神经网络模型输出的流体参数与上述流场更加匹配,以进一步提高流体参数的准确性。
例如:在一些实施例中,上述神经网络模型可以如图3所示,其中,图3是以神经网络模型为PINNs进行建模,结合全连接层网络得到的神经网络模型进行举例示意。在图3所示的神经网络模型中,x、y和t表示模型的输入,即水平方向坐标、竖直方向坐标和时间信息,u、v和p表示模型的输出,即水平方向速度、竖直方向速度和压强。其中,在图3中,输入至输出之间的部分为全连接层网络,另一部分用于表示损失函数和偏微分处理,该部分主要用于模型构建和训练时使用。
需要说明的是,图3所示的模型仅是一个举例,因为,本公开中神经网络模型还可以为PINNs,或者transformer模型等模型。
在一些实施例中,上述神经网络模型的损失函数为控制方程的损失函数,即不考虑监督数据、初始条件和边界条件,例如:在一些监督数据、初始条件和边界条件对流体参数的准确性的影响比较低的场景只使用控制方程的损失函数。
在一些实施例中,上述神经网络模型的损失函数为控制方程的损失函数与如下至少一项的加权和:
监督数据的损失函数、所述流场对应的初始条件的损失函数和所述流场对应的边界条件的损失函数。
这样可以实现在一些场景中可以不考虑监督数据、初始条件和边界条件中至少一项的。例如:在一些初始条件和边界条件对流体参数的准确性的影响比较低的场景只使用控制方程的损失函数和监督数据的损失函数的加权和,例如:在一些边界条件对流体参数的准确性的影响比较低的场景只使用控制方程的损失函数、监督数据的损失函数和初始条件的损失函数的加权和。
在一个实施例中,上述方法还包括:
基于数据点坐标集合在所述目标时间的流体参数,生成所述流场的可视化图像,所述数据点坐标集合为包含所述数据点坐标在内的多个数据点坐标的集合,所述可视化图像用于展示所述流场在所述目标时间的流体参数;
输出所述可视化图像。
上述数据点坐标集合可以是预先选定的多个数据点坐标,例如:预先定义在上述流场中均匀分布的多个数据点坐标,或者,预先随机选定的多个数据点坐标。
其中,每个数据点坐标的流体参数均可以采用本公开提供的方法得到对应的流体参数。
上述可视化图像可以是通过各坐标位置的颜色来区分速度、压强,例如:不同颜色表示不同的速度区间或者压强区间,且上述可视化图像可以是二维图像或者三维图像。
上述输出所述可视化图像可以是展示可视化图像,或者可以是向其他设备发送上述可视化图像。
在一些实施方式中,可以是将上述数据点坐标集合的流体参数导出作为可视化工具包(Visualization ToolKit,vtk)文件在可视化程序(例如:paraview)进行展示。
该实施例中,由于通过可视化图像展示数据点坐标集合的流体参数,这样可以使得流场的流体参数的展示效果更好,如通过上述可视化图像可以使得非专业人员也可以直接确定流场的流体参数。
在一个实施例中,还可以基于上述流体参数执行控制操作,该控制操作包括如下至少一项:
控制运行于上述流场内移动设备的速度、模拟操作。
上述移动设备可以是飞行器、潜艇等设备,这样由于基于上述流体参数控制运行于上述流场内移动设备的速度,可以使得移动设备依据流体参数和设备行动需求进行灵活控制,以满足设备行动需求。
上述模拟操作可以是基于上述流体参数模拟水中潜艇的来流、高压输电塔周围空气流场以及桥梁等建筑物周围气动力受力等,这样通过模拟结果有利于提升流场对应的工程效率及安全性能。
在一个实施例中,上述神经网络模型可以采用如下方式训练得到:
获取训练样本,该训练样本包括上述流场内多个数据点坐标的样本数据,例如:以上述流场为水槽为例,上述多个数据点坐标可以是圆柱周边采集多个数据点坐标,如为了更清晰模拟圆柱周边流体,全局共有9662或者更多个数据点坐标。
基于上述训练样本和损失函数,对初始模型进行训练得到上述神经网络模型,该损失函数包括控制方程的损失函数,所述控制方程为与所述流场对应的控制方程。
例如:为使神经网络模型的预测结果更为精确,采用半监督训练,训练数据为数值模型计算数据,采用约200或者更多个监督数据点。由于需要模型流场中卡门涡街的形成至涡脱落的过程,可以基于流场中30s或者更长时间段的训练样本进行训练。
在一些实施例中,可以采用双曲正切函数(tanh)作为激活函数,基于初始化策略(如Xavier)进行初始化,使用优化器(如Adam)进行训练网络。
该实施例中,在训练过程中随着神经网络模型梯度下降进行训练,这样神经网络模型到最优解,损失函数最小化,控制方程(如偏微分方程/Navier-Stokes方程)得到解,即流体参数,如圆柱绕流流场的速度及压强。
本公开中,由于基于神经网络模型识别所述数据点坐标在目标时间的流体参数,从而可以提高流体参数的获取效率。
请参见图4,图4是本公开提供的一种流场识别装置,如图4所示,流场识别装置400包括:
获取模块401,用于获取流场内的数据点坐标以及时间信息,所述流场包括目标障碍物体,所述数据点坐标为以所述目标障碍物体为坐标原点的坐标;
识别模块402,用于基于神经网络模型识别所述数据点坐标在目标时间的流体参数,其中,所述神经网络模型的输入包括所述数据点坐标和所述时间信息,所述神经网络模型的损失函数包括控制方程的损失函数,所述控制方程为与所述流场对应的控制方程,所述目标时间为所述时间信息表示的时间。
可选的,所述数据点坐标包括水平方向的水平坐标和竖直方向的竖直坐标,所述流体参数包括如下至少一项:
所述流场内的流体在所述水平方向的移动速度、所述流场内的流体在所述竖直方向的移动速度和所述流场内的流体受到的压强。
可选的,所述控制方程包括如下至少一项:
质量守恒方程、所述水平方向的动量守恒方程和所述竖直方向的动量守恒方程;
其中,所述质量守恒方程内的常数与所述流场对应,所述质量守恒方程用于表示所述数据点坐标在所述目标时间质量守恒;
所述水平方向的动量守恒方程的常数与所述流场对应,所述水平方向的动量守恒方程用于表示所述数据点坐标在所述水平方向上动量守恒,所述水平方向上动量守恒为在所述目标时间在所述水平方向上动量守恒;
所述竖直方向的动量守恒方程的常数与所述流场对应,所述竖直方向的动量守恒方程用于表示所述数据点坐标在所述竖直方向上动量守恒,所述竖直方向上动量守恒为在所述目标时间在所述竖直方向上动量守恒。
可选的,所述神经网络模型的损失函数为如下损失函数的加权和:
监督数据的损失函数、所述控制方程的损失函数、所述流场对应的初始条件的损失函数和所述流场对应的边界条件的损失函数。
可选的,如图5所示,还包括:
生成模块403,用于基于数据点坐标集合在所述目标时间的流体参数,生成所述流场的可视化图像,所述数据点坐标集合为包含所述数据点坐标在内的多个数据点坐标的集合,所述可视化图像用于展示所述流场在所述目标时间的流体参数;
输出模块404,用于输出所述可视化图像。
可选的,其中,所述目标障碍物体包括:
圆柱。
本公开提供的流场识别装置能够实现本公开提供的流场识别方法实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
其中,上述电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开提供流场识别方法。
上述可读存储介质存储有计算机指令,其中,所述计算机指令用于使所述计算机执行本公开提供的流场识别方法。
上述计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开提供的流场识别方法。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如流场识别方法。例如,在一些实施例中,流场识别方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的流场识别方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行流场识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种流场识别方法,包括:
获取流场内的数据点坐标以及时间信息,所述流场包括目标障碍物体,所述数据点坐标为以所述目标障碍物体为坐标原点的坐标;
基于神经网络模型识别所述数据点坐标在目标时间的流体参数,其中,所述神经网络模型的输入包括所述数据点坐标和所述时间信息,所述神经网络模型的损失函数包括控制方程的损失函数,所述控制方程为与所述流场对应的控制方程,所述目标时间为所述时间信息表示的时间。
2.根据权利要求1所述的方法,其中,所述数据点坐标包括水平方向的水平坐标和竖直方向的竖直坐标,所述流体参数包括如下至少一项:
所述流场内的流体在所述水平方向的移动速度、所述流场内的流体在所述竖直方向的移动速度和所述流场内的流体受到的压强。
3.根据权利要求2所述的方法,其中,所述控制方程包括如下至少一项:
质量守恒方程、所述水平方向的动量守恒方程和所述竖直方向的动量守恒方程;
其中,所述质量守恒方程内的常数与所述流场对应,所述质量守恒方程用于表示所述数据点坐标在所述目标时间质量守恒;
所述水平方向的动量守恒方程的常数与所述流场对应,所述水平方向的动量守恒方程用于表示所述数据点坐标在所述水平方向上动量守恒,所述水平方向上动量守恒为在所述目标时间在所述水平方向上动量守恒;
所述竖直方向的动量守恒方程的常数与所述流场对应,所述竖直方向的动量守恒方程用于表示所述数据点坐标在所述竖直方向上动量守恒,所述竖直方向上动量守恒为在所述目标时间在所述竖直方向上动量守恒。
4.根据权利要求1至3中任一项所述的方法,其中,所述神经网络模型的损失函数为如下损失函数的加权和:
监督数据的损失函数、所述控制方程的损失函数、所述流场对应的初始条件的损失函数和所述流场对应的边界条件的损失函数。
5.根据权利要求1至3中任一项所述的方法,还包括:
基于数据点坐标集合在所述目标时间的流体参数,生成所述流场的可视化图像,所述数据点坐标集合为包含所述数据点坐标在内的多个数据点坐标的集合,所述可视化图像用于展示所述流场在所述目标时间的流体参数;
输出所述可视化图像。
6.根据权利要求1至3中任一项所述的方法,其中,所述目标障碍物体包括:
圆柱。
7.一种流场识别装置,包括:
获取模块,用于获取流场内的数据点坐标以及时间信息,所述流场包括目标障碍物体,所述数据点坐标为以所述目标障碍物体为坐标原点的坐标;
识别模块,用于基于神经网络模型识别所述数据点坐标在目标时间的流体参数,其中,所述神经网络模型的输入包括所述数据点坐标和所述时间信息,所述神经网络模型的损失函数包括控制方程的损失函数,所述控制方程为与所述流场对应的控制方程,所述目标时间为所述时间信息表示的时间。
8.根据权利要求7所述的装置,其中,所述数据点坐标包括水平方向的水平坐标和竖直方向的竖直坐标,所述流体参数包括如下至少一项:
所述流场内的流体在所述水平方向的移动速度、所述流场内的流体在所述竖直方向的移动速度和所述流场内的流体受到的压强。
9.根据权利要求8所述的装置,其中,所述控制方程包括如下至少一项:
质量守恒方程、所述水平方向的动量守恒方程和所述竖直方向的动量守恒方程;
其中,所述质量守恒方程内的常数与所述流场对应,所述质量守恒方程用于表示所述数据点坐标在所述目标时间质量守恒;
所述水平方向的动量守恒方程的常数与所述流场对应,所述水平方向的动量守恒方程用于表示所述数据点坐标在所述水平方向上动量守恒,所述水平方向上动量守恒为在所述目标时间在所述水平方向上动量守恒;
所述竖直方向的动量守恒方程的常数与所述流场对应,所述竖直方向的动量守恒方程用于表示所述数据点坐标在所述竖直方向上动量守恒,所述竖直方向上动量守恒为在所述目标时间在所述竖直方向上动量守恒。
10.根据权利要求7至9中任一项所述的装置,其中,所述神经网络模型的损失函数为如下损失函数的加权和:
监督数据的损失函数、所述控制方程的损失函数、所述流场对应的初始条件的损失函数和所述流场对应的边界条件的损失函数。
11.根据权利要求7至9中任一项所述的装置,还包括:
生成模块,用于基于数据点坐标集合在所述目标时间的流体参数,生成所述流场的可视化图像,所述数据点坐标集合为包含所述数据点坐标在内的多个数据点坐标的集合,所述可视化图像用于展示所述流场在所述目标时间的流体参数;
输出模块,用于输出所述可视化图像。
12.根据权利要求7至9中任一项所述的装置,其中,所述目标障碍物体包括:
圆柱。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210548229.3A CN114896886A (zh) | 2022-05-18 | 2022-05-18 | 流场识别方法、装置、电子设备、介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210548229.3A CN114896886A (zh) | 2022-05-18 | 2022-05-18 | 流场识别方法、装置、电子设备、介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114896886A true CN114896886A (zh) | 2022-08-12 |
Family
ID=82723193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210548229.3A Pending CN114896886A (zh) | 2022-05-18 | 2022-05-18 | 流场识别方法、装置、电子设备、介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114896886A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040088527A1 (en) * | 2002-10-31 | 2004-05-06 | Huppenthal Jon M. | Multi-adaptive processing systems and techniques for enhancing parallelism and performance of computational functions |
CN112784496A (zh) * | 2021-01-29 | 2021-05-11 | 上海明略人工智能(集团)有限公司 | 一种流体力学的运动参数预测方法、装置及存储介质 |
CN113822201A (zh) * | 2021-09-24 | 2021-12-21 | 大连海事大学 | 基于流场速度分量时程的水下物体外形识别的深度学习方法 |
CN114139104A (zh) * | 2021-12-10 | 2022-03-04 | 北京百度网讯科技有限公司 | 基于偏微分方程处理流场数据的方法、装置及电子设备 |
CN114218875A (zh) * | 2021-12-08 | 2022-03-22 | 南京航空航天大学 | 一种用于流场预测的加速方法及装置 |
CN114282448A (zh) * | 2021-11-16 | 2022-04-05 | 北京百度网讯科技有限公司 | 流场信息获取方法、模型训练方法、装置及电子设备 |
-
2022
- 2022-05-18 CN CN202210548229.3A patent/CN114896886A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040088527A1 (en) * | 2002-10-31 | 2004-05-06 | Huppenthal Jon M. | Multi-adaptive processing systems and techniques for enhancing parallelism and performance of computational functions |
CN112784496A (zh) * | 2021-01-29 | 2021-05-11 | 上海明略人工智能(集团)有限公司 | 一种流体力学的运动参数预测方法、装置及存储介质 |
CN113822201A (zh) * | 2021-09-24 | 2021-12-21 | 大连海事大学 | 基于流场速度分量时程的水下物体外形识别的深度学习方法 |
CN114282448A (zh) * | 2021-11-16 | 2022-04-05 | 北京百度网讯科技有限公司 | 流场信息获取方法、模型训练方法、装置及电子设备 |
CN114218875A (zh) * | 2021-12-08 | 2022-03-22 | 南京航空航天大学 | 一种用于流场预测的加速方法及装置 |
CN114139104A (zh) * | 2021-12-10 | 2022-03-04 | 北京百度网讯科技有限公司 | 基于偏微分方程处理流场数据的方法、装置及电子设备 |
Non-Patent Citations (3)
Title |
---|
杨星等著: "《N-S方程有限体积法求解及墩柱(群)绕流阻力问题研究》", 30 November 2018, 海洋出版社, pages: 150 - 151 * |
王育坚等著: "《图像处理与三维可视化》", 31 July 2011, 北京邮电大学出版社, pages: 119 - 120 * |
郭中小;刘慧文;刘雪梅;高阳;: "基于格子Boltzmann的参数化流体仿真", 系统仿真学报, no. 09, 8 September 2016 (2016-09-08) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113553864B (zh) | 翻译模型的训练方法、装置、电子设备及存储介质 | |
CN113239705A (zh) | 语义表示模型的预训练方法、装置、电子设备和存储介质 | |
CN114120253B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN114282448A (zh) | 流场信息获取方法、模型训练方法、装置及电子设备 | |
CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
CN113705515B (zh) | 语义分割模型的训练和高精地图车道线的生成方法和设备 | |
CN114792359A (zh) | 渲染网络训练和虚拟对象渲染方法、装置、设备及介质 | |
CN113705628A (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
CN115631381A (zh) | 分类模型训练方法、图像分类方法、装置及电子设备 | |
CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN114970338A (zh) | 涡激振动模型训练方法、涡激振动预测方法和装置 | |
KR20220117341A (ko) | 차선 검출 모델의 트레이닝 방법, 장치, 전자 기기 및 저장 매체 | |
CN114715145A (zh) | 一种轨迹预测方法、装置、设备及自动驾驶车辆 | |
CN112949433B (zh) | 视频分类模型的生成方法、装置、设备和存储介质 | |
CN111489568A (zh) | 交通信号灯的调控方法、装置及计算机可读存储介质 | |
CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN113641829A (zh) | 图神经网络的训练与知识图谱的补全方法、装置 | |
CN114896886A (zh) | 流场识别方法、装置、电子设备、介质和程序产品 | |
CN113361621B (zh) | 用于训练模型的方法和装置 | |
CN115687764A (zh) | 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN113408304B (zh) | 文本翻译方法、装置、电子设备及存储介质 | |
CN115578431A (zh) | 图像深度处理方法、装置、电子设备及介质 | |
CN114842305A (zh) | 深度预测模型训练方法、深度预测方法及相关装置 | |
CN114882587A (zh) | 生成对抗样本的方法、装置、电子设备和介质 |
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 |