CN115601404A - 用于复杂地形不同攻角风场结果内插的神经网络构建方法 - Google Patents
用于复杂地形不同攻角风场结果内插的神经网络构建方法 Download PDFInfo
- Publication number
- CN115601404A CN115601404A CN202211374353.9A CN202211374353A CN115601404A CN 115601404 A CN115601404 A CN 115601404A CN 202211374353 A CN202211374353 A CN 202211374353A CN 115601404 A CN115601404 A CN 115601404A
- Authority
- CN
- China
- Prior art keywords
- neural network
- wind field
- dimensional
- data
- optical flow
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
Abstract
本发明基于光流理论和三维卷积神经网络算法,提出了一种用于对复杂地形风场仿真计算中不同风向计算结果进行插值获得较为准确的来流风场结果数据内插的神经网络的构建方法。具体包括:对三维复杂地形风场数据进行预处理得到用于神经网络输入数据的转换方法;风场数据光流的定义及三维卷积神经网络的建立方法,相比于直接平均插值方法,本发明提出的插值方法具有更高的准确度和鲁棒性,从根本上解决了传统平均插值方法中风场总体减小和合成风场尾流分叉的问题,可以使得数值仿真计算工况离散化间距进一步增大,总工况和计算时间进一步减小,从而提高复杂地形风场仿真计算的总体计算效率。
Description
技术领域
本发明涉及一种三维空间场量的数值插值方法,具体是一种适用于复杂地形不同来流攻角风场结果内插的神经网络构建方法。
背景技术
在风资源评估中,要对复杂地形下的风场进行准确的评估,需要获取所有方向来流的风场结果,由于计算性能限制,不可能通过数值模拟的方法完整地计算出所有来流的风场。通常,只能对来流进行离散,选取等间距的有限且稀疏的几个方向进行数值仿真计算,对其余的来流方向则通过插值的方法获取近似结果。流场数值仿真较为成熟,但计算需要耗费大量的计算资源,在离散化中需要能用尽可能少的工况表示连续的所有来流的风场。因而,对其后的插值方法的准确性提出了更高的要求。在传统的插值方法中,由于风场结果的三维特性,向量线性平均会使得结果总小于插值源。此外,由于风向的变化,复杂地形造成的尾流方向也随之改变,若简单采用线性插值,就会使得出现分离的两条尾流区域,使得结果与实际不同。因此,亟需提出一种合理有效的方法对风场结果数据进行插值。
随着计算机视觉和人工智能技术的发展,神经网络技术使得人们可以在未知数据对应关系的情况下,能够通过有效的数据训练,得到近似的数值结果。此外,与离散的来流攻角的风场结果类似,视频也是由离散时间下的多帧图像进行编码的。随着计算机设备制造工艺的进步,显示器的刷新率得到了显著的提高,用户对于高帧率的视频需求也随之出现,但传统拍摄的视频帧率较低,高帧率视频资源相对较少,因而将低帧率的视频通过插值方法转换为高帧率视频成为了一个具有前景的方向。近年来,基于计算机视觉和神经网络技术,研究者提出了大量的视频插帧方法,提出了针对大幅度运动变化的光流理论,并在插值准确性和计算效率上得到了较好的结果。但视频是二维图像数据,尚未将其应用于对三维场量数据的插帧计算。
发明内容
针对上述问题,本发明基于视频插帧方法中的光流理论和三维神经网络技术,提出了一种适用于复杂地形不同来流攻角风场结果内插的神经网络构建方法。其目的在于解决传统采用的对相邻两工况风场结果直接线性平均的方法中出现的风场结果总体减小和合成风场中尾流分叉的问题,以得到更为准确可信的插值结果,进而减少离散计算工况,提高复杂地形下风场计算效率。
为实现上述目的,本发明方法包括如下部分:
一种适用于复杂地形不同来流攻角风场结果内插的神经网络构建方法,采用线性映射将地形表面到计算域顶面的场映射到相同长度中,得到不由地形改变的方形计算域;对计算域的风场量进行等间距采样,获得三维网格数据;通过这种方法获取的网格数据统一了任意地形下的三维风场数据,使得网络更具有泛化性。
进一步的,定义风速模量的变化作为光流量,通过三维扩展的RAFT光流神经网络计算中间光流,基于线性运动假设,采用双向变形算子进行三维数据融合,对于无光流通过的孔洞,采用最近网格值的距离倒数加权平均计算。
具体的,所述数据融合算法由柱坐标系进行加权平均,而非对直角坐标分量进行平均,这对于不同来流攻角更具有物理意义,在均匀流风场下可获得准确结果。
总体而言,本发明所提出的风场数据插值计算的技术方案与现有技术相比,主要具有以下优点:
1、本发明将视频插帧算法中的光流理论及三维神经网络技术引入到风场插值计算中,借助机器学习的方法通过数据训练,获得更为准确、鲁棒的风场插值方法。
2、本发明在风场插值采用由柱坐标系下进行进行加权平均的方法,而非对直角坐标分量进行平均,这对于不同来流攻角更具有物理意义,在均匀流风场下可获得准确结果。
3、本发明提出了针对复杂地形的模型训练集的归一化方法,通过这种方法获取的网格数据统一了任意地形下的三维风场数据,使得网络更具有泛化性。
附图说明
图1为本发明的插值方法的总体计算流程图;
图2为本发明的风场数据归一化网格的示意图;
图3为风场光流的定义示意图;
图4为本发明实施例的三维神经网络示意图;
图5为本发明的光流合成算法示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明计算流程图如图1所示,包括以下四个步骤:
步骤1:将复杂地形下的三维风场数据映射到方形结构化网格;
步骤2:三维神经网络计算网格光流;
步骤3:依据光流融合方形网格数据;
步骤4:将方形数据映射回复杂地形网格。
所述步骤1的地形数据映射如图2所示,假定地形在任意位置处均只存在唯一高度,将自地形表面处到计算域顶面的空气网格线性映射至等高度的竖直区域,以此得到复杂地形非结构网格数据到方形结构化网格数据的映射关系。进一步地,可按需求将方形网格数据进行等间距采样,获得所需精度的离散数据。通过这种方法映射得到的网格数据统一了任意地形下的三维风场数据,使得网络更具有泛化性。
在风资源评估中,风速模量|U|是最为重要的参数之一,风经过崎岖不平的山地时,由于地形的阻挡,会使得流场出现分离和再付的现象,使得风场在背风侧出现“尾流”现象,尾流区域内风速模量|U|相对其他地区更小。由此,如图3所示,定义风速模量的变化作为光流量F0→1,可较为直观地标识尾流区域随来流攻角的变化。
所述步骤2的三维光流神经网络是一个三维扩展的RAFT光流神经网络。其是公认的效果最好的光流估计算法之一,对小物体及大尺度移动均有较好的鲁棒性。神经网络的结构如图4所示,其由特征提取、上下文提取、相关性计算和迭代器四部分组成,其设置与二维RAFT算法相同,只是输入和卷积核扩展为三维尺度,在此不再赘述。
所述步骤3的数据融合算法基于线性运动假设,采用双向变形算子进行三维数据融合。对于无光流通过的孔洞,采用最近网格值的距离倒数加权平均计算。具体的,所述数据融合算法由柱坐标系下进行加权平均,而非对直角坐标分量进行平均,如图5所示,为便于绘图说明,示意图采用二维极坐标的情况,其在柱坐标下也是相同的结果,图中1所示箭头表示直角坐标分量平均的结果,2表示由柱坐标系下进行加权平均的结果。由于两风场是由不同来流计算得到的,这对于不同来流攻角更具有物理意义,在均匀流风场下可获得准确结果。
本发明及其实施方式进行了描述,这种描述没有限制性,附图中所述的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (4)
1.用于复杂地形不同攻角风场结果内插的神经网络构建方法,其特征在于:所述方法提出了地形三维风场数据到等距三维网格数据的映射;引入了光流理论和三维神经网络计算,构成三维光流神经网络。
2.根据权利要求1所述的用于复杂地形不同攻角风场结果内插的神经网络构建方法,其特征在于:所述地形数据映射假定地形在任意位置处均只存在唯一高度,将自地形表面处到计算域顶面的空气网格线性映射至等高度的竖直区域,以此得到复杂地形非结构网格数据到方形结构化网格数据的映射关系;进一步地,可按需求将方形网格数据进行等间距采样,获得所需精度的离散数据;通过这种方法映射得到的网格数据统一了任意地形下的三维风场数据,使得网络更具有泛化性。
3.根据权利要求1所述的用于复杂地形不同攻角风场结果内插的神经网络构建方法,其特征在于:所述三维光流神经网络中,所述光流量定义为风速模量的变化,以考虑其在风资源评估和尾流计算中的物理意义,具体地,三维光流神经网络是一个三维扩展的RAFT光流神经网络,其由特征提取、上下文提取、关联度算子和迭代器四部分组成,在计算出中间光流后,基于线性运动假设,采用双向变形算子进行三维数据融合,对于无光流通过的孔洞,采用最近网格值的距离倒数加权平均计算。
4.根据权利要求3所述的用于复杂地形不同攻角风场结果内插的神经网络构建方法,其特征在于:所述数据融合算法,其结果是由柱坐标系进行加权平均,而非对直角坐标分量进行平均,以考虑两风场是由不同来流计算得到的,在均匀流风场下这种插值方法可获得准确结果,更具有物理意义。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211374353.9A CN115601404A (zh) | 2022-11-04 | 2022-11-04 | 用于复杂地形不同攻角风场结果内插的神经网络构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211374353.9A CN115601404A (zh) | 2022-11-04 | 2022-11-04 | 用于复杂地形不同攻角风场结果内插的神经网络构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115601404A true CN115601404A (zh) | 2023-01-13 |
Family
ID=84852241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211374353.9A Pending CN115601404A (zh) | 2022-11-04 | 2022-11-04 | 用于复杂地形不同攻角风场结果内插的神经网络构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115601404A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116246039A (zh) * | 2023-05-12 | 2023-06-09 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于深度学习的三维流场网格分类分割方法 |
-
2022
- 2022-11-04 CN CN202211374353.9A patent/CN115601404A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116246039A (zh) * | 2023-05-12 | 2023-06-09 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于深度学习的三维流场网格分类分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107424177B (zh) | 基于连续相关滤波器的定位修正长程跟踪方法 | |
CN105550691B (zh) | 基于尺度空间的自适应山谷山脊线提取方法及系统 | |
CN103678949B (zh) | 基于密度分析和谱聚类的多扩展目标跟踪量测集划分方法 | |
CN108280858B (zh) | 多视图重建中的一种线性全局相机运动参数估计方法 | |
CN112257597A (zh) | 一种点云数据的语义分割方法 | |
Yu et al. | Deep learning for fluid velocity field estimation: A review | |
CN102279981B (zh) | 一种三维图像网格化方法 | |
CN109242019B (zh) | 一种水面光学小目标快速检测与跟踪方法 | |
CN115601404A (zh) | 用于复杂地形不同攻角风场结果内插的神经网络构建方法 | |
CN101629966A (zh) | 粒子图像测速处理方法 | |
CN102592135B (zh) | 融合目标空间分布和时序分布特征子空间的视觉跟踪方法 | |
CN102982556B (zh) | 基于流形上粒子滤波算法的视频目标跟踪方法 | |
CN113313123A (zh) | 一种基于语义推断的扫视路径预测方法 | |
Liang et al. | DeepPTV: Particle tracking velocimetry for complex flow motion via deep neural networks | |
CN114358246A (zh) | 三维点云场景的注意力机制的图卷积神经网络模块 | |
CN114742206A (zh) | 综合多时空尺度多普勒雷达数据的降雨强度估计方法 | |
Yu et al. | Deep dual recurrence optical flow learning for time-resolved particle image velocimetry | |
Song et al. | Adjacent complementary network for salient object detection in optical remote sensing images | |
CN111242003B (zh) | 一种基于多尺度受约束自注意机制的视频显著性物体检测的方法 | |
CN104392469B (zh) | 一种基于软特征理论的目标跟踪方法 | |
CN112819849B (zh) | 一种基于三目的无标记点视觉运动捕捉方法 | |
CN104517299A (zh) | 视频流体物理驱动模型恢复及重新仿真的方法 | |
Han et al. | GardenMap: Static point cloud mapping for Garden environment | |
CN108876808B (zh) | 一种并行马尔可夫变分光流确定方法及系统 | |
CN105184860A (zh) | 一种动态人脸稠密三维结构和运动场同时重建方法 |
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 |