CN115859508A - 流场分析方法、元件模型生成方法、训练方法及装置 - Google Patents
流场分析方法、元件模型生成方法、训练方法及装置 Download PDFInfo
- Publication number
- CN115859508A CN115859508A CN202211496744.8A CN202211496744A CN115859508A CN 115859508 A CN115859508 A CN 115859508A CN 202211496744 A CN202211496744 A CN 202211496744A CN 115859508 A CN115859508 A CN 115859508A
- Authority
- CN
- China
- Prior art keywords
- parameter information
- mechanical element
- parameter
- sample
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 124
- 238000012549 training Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000013136 deep learning model Methods 0.000 claims abstract description 81
- 238000005457 optimization Methods 0.000 claims description 79
- 238000012545 processing Methods 0.000 claims description 51
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000011960 computer-aided design Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013210 evaluation model Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening 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
- 230000000007 visual effect Effects 0.000 description 1
Images
Abstract
本公开提供了流场分析方法、元件模型生成方法、训练方法及设备,涉及人工智能技术领域,尤其涉及深度学习技术领域和机械制造技术领域。具体实现方案为:在确定机械元件的基础参数信息的参数类型满足预定参数类型的情况下,将基础参数信息作为机械元件的目标参数信息;以及将机械元件的目标参数信息输入至深度学习模型中,得到关于机械元件的流场分析结果。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及深度学习技术领域和机械制造技术领域。具体地,涉及一种流场分析方法、机械元件模型生成方法、深度学习模型的训练方法、装置、设备、存储介质和程序产品。
背景技术
在飞行器、船舶以及汽车等机械设计领域,可以针对不同的任务需求选取类型、结构不同的机械元件。例如,适用于在沙漠中行驶的越野车与适用于在高速公路上行驶的轿车,两者的车轮、外壳等的结构均有所不同。因此,在机械设计过程中,如何实现将设计的机械元件与任务需求相适配,成为比较关键的问题。
发明内容
本公开提供了一种流场分析方法、机械元件模型生成方法、深度学习模型的训练方法、装置、设备、存储介质和程序产品。
根据本公开的一方面,提供了一种流场分析方法,包括:在确定机械元件的基础参数信息的参数类型满足预定参数类型的情况下,将基础参数信息作为机械元件的目标参数信息;以及将机械元件的目标参数信息输入至深度学习模型中,得到关于机械元件的流场分析结果。
根据本公开的另一方面,提供了一种机械元件模型生成方法,包括:循环执行以下操作,直至满足预定条件:基于机械元件的目标参数信息,利用上述流场分析方法,得到机械元件的流场分析结果;基于机械元件的流场分析结果,确定机械元件的指标参数,其中,机械元件的指标参数用于表征机械元件的性能状况;在确定机械元件的指标参数与预定基准指标参数之间不匹配的情况下,将更新后的目标参数信息作为目标参数信息;在确定机械元件的指标参数与预定基准指标参数之间匹配的情况下,确定为满足预定条件;以及基于在满足预定条件情况下的目标参数信息,生成目标机械元件模型。
根据本公开的另一方面,提供了一种深度学习模型的训练方法,包括:在确定训练样本的样本基础参数信息的参数类型满足预定参数类型的情况下,将训练样本的样本基础参数信息输入至深度学习模型中,得到样本流场分析结果,其中,训练样本包括样本基础参数信息和样本流场标签;以及基于样本流场分析结果和样本流场标签,训练深度学习模型,得到经训练的深度学习模型。
根据本公开的另一方面,提供了一种流场分析装置,包括:第一确定模块,用于在确定机械元件的基础参数信息的参数类型满足预定参数类型的情况下,将基础参数信息作为机械元件的目标参数信息;以及第一输入模块,用于将机械元件的目标参数信息输入至深度学习模型中,得到关于机械元件的流场分析结果。
根据本公开的另一方面,提供了一种机械元件模型生成装置,包括:生成模块,用于循环执行以下操作,直至满足预定条件:其中,生成模块包括:第一生成子模块,用于基于机械元件的目标参数信息,利用上述流场分析方法,得到机械元件的流场分析结果;第二确定子模块,用于基于机械元件的流场分析结果,确定机械元件的指标参数,其中,机械元件的指标参数用于表征机械元件的性能状况;第三确定子模块,用于在确定机械元件的指标参数与预定基准指标参数之间不匹配的情况下,将更新后的目标参数信息作为目标参数信息;第四确定子模块,用于在确定机械元件的指标参数与预定基准指标参数之间匹配的情况下,确定为满足预定条件;以及第二生成子模块,用于基于在满足预定条件情况下的目标参数信息,生成目标机械元件模型。
根据本公开的另一方面,提供了一种深度学习模型的训练装置,包括:第二输入模块,用于在确定训练样本的样本基础参数信息的参数类型满足预定参数类型的情况下,将训练样本的样本基础参数信息输入至深度学习模型中,得到样本流场分析结果,其中,训练样本包括样本基础参数信息和样本流场标签;以及训练模块,用于基于样本流场分析结果和样本流场标签,训练深度学习模型,得到经训练的深度学习模型。
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;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如本公开的方法。
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,计算机指令用于使计算机执行如本公开的方法。
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,计算机程序在被处理器执行时实现如本公开的方法。
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示意性示出了根据本公开实施例的可以应用流场分析方法及装置的示例性系统架构;
图2示意性示出了根据本公开实施例的流场分析方法的流程图;
图3示意性示出了根据本公开实施例的机械元件模型生成方法的流程图;
图4示意性示出了根据本公开实施例的更新目标参数信息的流程图;
图5示意性示出了根据本公开另一实施例的更新目标参数信息的流程示意图;
图6示意性示出了根据本公开另一实施例的机械元件模型生成方法的流程示意图;
图7示意性示出了根据本公开实施例的深度学习模型的训练方法的流程图;
图8示意性示出了根据本公开实施例的流场分析装置的框图;
图9示意性示出了根据本公开实施例的机械元件模型生成装置的框图;
图10示意性示出了根据本公开实施例的深度学习模型的训练装置的框图;以及
图11示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
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。
本公开提供了一种流场分析方法、元件模型生成方法、训练方法、装置、设备、存储介质和程序产品。
根据本公开的实施例,提供了一种流场分析方法,包括:在确定机械元件的基础参数信息的参数类型满足预定参数类型的情况下,将基础参数信息作为机械元件的目标参数信息;以及将机械元件的目标参数信息输入至深度学习模型中,得到关于机械元件的流场分析结果。
在本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
图1示意性示出了根据本公开实施例的可以应用流场分析方法及装置的示例性系统架构。
需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如,在另一实施例中,可以应用流场分析方法及装置的示例性系统架构可以包括终端设备,但终端设备可以无需与服务器进行交互,即可实现本公开实施例提供的流场分析方法及装置。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。用户可以通过终端设备101、102、103提供机械元件的基础参数信息,并通过网络104发送至服务器105,以便于服务器105对机械元件的基础参数信息进行分析。终端设备101、102、103上可以安装有各种通讯客户端应用,例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。例如,服务器105接收终端设备101、102、103发送的机械元件的基础参数信息,并对机械元件的基础参数信息进行分析处理后,得到关于机械元件的流场分析结果,并返回给终端设备101、102、103。
需要说明的是,本公开实施例所提供的流场分析方法一般可以由服务器105执行。相应地,本公开实施例所提供的流场分析装置也可以设置于服务器105执行中。
或者,本公开实施例所提供的流场分析方法也可以由终端设备101、102、103执行。相应地,本公开实施例所提供的流场分析装置一般可以设置于终端设备101、102、103中。本公开实施例所提供的流场分析方法也可以由不同于终端设备101、102、103的其他终端设备执行。相应地,本公开实施例所提供的流场分析装置也可以设置于不同于终端设备101、102、103中,或设置于不同于终端设备101、102、103的其他终端设备中。
例如,终端设备101、102、103获取用户提供的机械元件的基础参数信息之后,可以在本地执行本公开实施例提供的流场分析方法,或者将机械元件的基础参数信息发送到其他终端设备、服务器、或服务器集群,并由接收该机械元件的基础参数信息的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的流场分析方法。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
应注意,以下方法中各个操作的序号仅作为该操作的表示以便描述,而不应被看作表示该各个操作的执行顺序。除非明确指出,否则该方法不需要完全按照所示顺序来执行。
图2示意性示出了根据本公开实施例的流场分析方法的流程图。
如图2所示,该方法包括操作S210~S220。
在操作S210,在确定机械元件的基础参数信息的参数类型满足预定参数类型的情况下,将基础参数信息作为机械元件的目标参数信息。
在操作S220,将机械元件的目标参数信息输入至深度学习模型中,得到关于机械元件的流场分析结果。
根据本公开的实施例,机械元件可以指组成机械设备或系统的单个部件。例如,机械元件可以包括飞机的机翼、船舶的船桨、汽车的外壳等。但是并不局限于此。机械元件还可以指由多个部件组成的机械设备或系统。例如,机械元件可以包括飞机、船舶或者汽车等。
根据本公开的实施例,机械元件的基础参数信息可以包括以下至少一项:机械元件的结构参数信息和机械元件的工况参数信息。机械元件的结构参数信息可以包括机械元件的外形结构参数信息。例如,机械元件的角度、半径、长度、宽度、厚度、面积、体积等信息。机械元件的工况参数信息可以包括机械元件所处的环境信息。例如,温度、压强、雷诺数(Re)、马赫数(Ma)等参数信息。
根据本公开的实施例,在获取到机械元件的基础参数信息的情况下,可以通过将基础参数信息的参数类型与预定参数类型进行比较,确定基础参数信息的参数类型是否满足预定参数类型。进而确定基础参数信息是否可以作为目标参数信息。例如,圆柱状的机械元件,预定参数类型包括机械元件的面积和长度,在机械元件的基础参数信息的参数类型为面积和长度的情况下,则可以确定基础参数信息的参数类型满足预定参数类型。确定基础参数信息可以作为目标参数信息。在机械元件的基础参数信息的参数类型为半径和长度的情况下,则确定基础参数信息的参数类型不满足预定参数类型。确定基础参数信息不可以作为目标参数信息。
根据本公开的实施例,可以将满足预定参数类型的基础参数信息作为目标参数信息。针对深度学习模型,目标参数信息可以是输入数据,直接输入至深度学习模型中,得到关于机械元件的流场分析结果的输出数据。通过将基础参数信息的参数类型与预定参数类型进行比较,在确定基础参数信息为目标参数信息的情况下,将基础参数信息输入至深度学习模型中,能够保证输入至深度学习模型中的输入数据均为预定参数类型的数据,进而使得深度学习模型能够识别、处理输入数据,避免因输入至深度学习模型中的输入数据与深度学习模型在训练过程中应用的训练样本的参数类型不符,而导致的流场分析结果不准确的问题。
根据本公开的实施例,深度学习模型可以是全连接层。但是并不局限于此。还可以是决策树、卷积神经网络、随机森林、支持向量机等。只要是能够以机械元件的目标参数信息作为输入数据,得到关于机械元件的流场分析结果的模型即可。
根据本公开的实施例,流场分析结果可以是针对机械元件的流场信息。例如,机械元件为机翼时,输入至深度学习模型中的目标参数信息包括机翼的弦长信息和展长信息,以及机翼所处的环境信息例如雷诺数和马赫数。作为深度学习模型的输出结果,流场分析结果可以包括绕机翼各位置的流速信息、压力信息以及机翼的等效升力系数和阻力系数信息中的一种或多种。
根据本公开的实施例,可以基于流场分析结果确定与基础参数信息相对应的机械元件的机械性能,以达到对机械元件的结构拓扑分析。
根据本公开的实施例,通过将满足预定参数类型的基础参数信息作为机械元件的目标参数信息输入至深度学习模型中,可以得到机械元件的流场分析结果。采用深度学习模型进行机械元件的流场分析,能够提高流场分析结果精度的同时,提高处理效率。
根据本公开的实施例,上述流场分析方法还可以包括:在确定机械元件的基础参数信息的参数类型不满足预定参数类型的情况下,对机械元件的基础参数信息进行处理,得到机械元件的目标参数信息。
根据本公开的实施例,在基础参数信息包括机械元件的结构参数信息的情况下,若结构参数信息的参数类型与预定参数类型不相同,则可以确定机械元件的基础参数信息的参数类型不满足预定参数类型。例如,机械元件的基础参数信息的参数类型包括半径、长度,预定参数类型为面积和体积。则确定机械元件的基础参数信息的参数类型不满足预定参数类型。还例如,机械元件的基础参数信息为工况参数信息,基础参数信息为温度,参数类型为摄氏度,预定参数类型为华氏度,则确定机械元件的基础参数信息的参数类型不满足预定参数类型。
根据本公开的实施例,在基础参数信息包括机械元件的结构参数信息的情况下,可以对基础参数信息进行处理,得到目标参数信息。例如,基础参数信息的参数类型包括半径,预定参数类型为面积,机械元件的属性信息表征机械元件的结构类型信息为圆柱体。则可以根据圆柱体的结构类型信息对半径信息进行转换处理,得到与预定参数类型面积的目标参数信息。在基础参数信息包括机械元件的工况参数信息的情况下,可以根据工况参数信息的参数类型对基础参数信息进行处理。例如,基础参数信息温度的参数类型为摄氏度,预定参数类型为华氏度。则对温度的单位进行转换,从而得到目标参数信息。
根据本公开的实施例,在基础参数信息的参数类型不满足预定参数类型的情况下,可以对基础参数信息进行处理,从而得到目标参数信息。能够使得上述流场分析方法适用不同类型的基础参数信息,适用范围较广。
根据本公开的实施例,机械元件的属性信息包括结构类型信息。
根据本公开的实施例,机械元件的属性信息可以包括结构类型信息。结构类型信息可以包括表征机械元件几何结构的任意信息。例如,结构类型信息可以包括用于表征机械元件为圆柱体、立方体、球体等结构的信息。
根据本公开的实施例,对机械元件的基础参数信息进行处理,得到机械元件的目标参数信息,可以包括:基于机械元件的结构类型信息和机械元件的基础参数信息,确定针对基础参数信息的目标处理方式;以及按照目标处理方式,对机械元件的基础参数信息进行处理,得到机械元件的目标参数信息。
根据本公开的实施例,基于机械元件的结构类型信息和机械元件的基础参数信息,确定针对基础参数信息的目标处理方式可以包括:在基础参数信息包括机械元件的结构参数信息的情况下,利用与机械元件的结构类型对应的计算公式对基础参数信息进行转换处理,得到目标参数信息。例如,基础参数信息的参数类型包括半径,预定参数类型为面积,机械元件的结构类型信息表征机械元件的结构类型为圆柱体。则确定与圆柱体的结构类型信息相对应的目标处理方式为利用面积计算公式计算基础参数信息,例如根据圆柱体的面积计算公式和半径信息确定面积信息,得到满足预定参数的目标参数信息。
根据本公开的实施例,通过根据机械元件的结构类型和机械元件的基础参数信息确定目标处理方式,能够针对不同参数类型的基础参数信息确定不同的处理方式,便于针对性地对基础参数信息进行处理。
图3示意性示出了根据本公开实施例的机械元件模型生成方法的流程图。
如图3所示,该方法包括循环执行操作S310~操作S350,直至满足预定条件。
在操作S310,基于机械元件的目标参数信息,利用流场分析方法,得到机械元件的流场分析结果。
在操作S320,基于机械元件的流场分析结果,确定机械元件的指标参数,其中,机械元件的指标参数用于表征机械元件的性能状况。
在操作S330,在确定机械元件的指标参数与预定基准指标参数之间不匹配的情况下,将更新后的目标参数信息作为目标参数信息。
在操作S340,在确定机械元件的指标参数与预定基准指标参数之间匹配的情况下,确定为满足预定条件。
在操作S350,基于在满足预定条件情况下的目标参数信息,生成目标机械元件模型。
根据本公开的实施例,预定基准指标参数可以是根据机械元件所需达到的目标或者任务需求而设定的指标参数。例如,预定基准指标参数可以包括与强度、寿命、耐磨度、可靠性、行驶速度、油耗等相关的指标参数。
根据本公开的实施例,指标参数可以是基于机械元件的目标参数信息确定的,机械元件能够达到的性能状况。例如,与寿命、耐磨度、强度、行驶速度、油耗、可靠性等相关的参数。
根据本公开的实施例,可以将指标参数与预定基准指标参数进行匹配,在确定指标参数与预定基准指标参数不匹配的情况下,确定与目标参数信息相对应的机械元件还未达到设计要求,需要进行优化。
根据本公开的实施例,可以在指标参数小于预定基准指标参数的情况下,确定指标参数与预定基准指标参数不匹配。在指标参数大于或者等于预定基准指标参数的情况下,确定指标参数与预定基准指标参数相匹配。
例如,机械元件的指标参数包括强度为A,预定基准指标参数包括机械元件的强度为B,在A<B的情况下,说明机械元件的指标参数与预定基准指标参数之间不匹配。
还例如,机械元件的指标参数包括强度为A’,预定基准指标参数包括机械元件的强度为B’,在A’≥B′的情况下,说明机械元件的指标参数与预定基准指标参数之间匹配。
根据本公开的实施例,目标机械元件模型指的是:针对机械元件的数字模型。
根据本公开的实施例,对目标机械元件模型的展示方式不作限定。例如,目标机械元件模型可以是二维模型或三维模型。
根据本公开的实施例,由于指标参数是根据流场分析结果确定得到的,而流场分析结果是对目标参数信息进行分析得到的,因此在指标参数满足预定基准指标参数的情况下,表明目标参数信息满足机械元件的设计需求,确定循环操作满足预定条件,可以停止执行。基于目标参数信息即可确定目标机械元件模型。
根据本公开的实施例,在确定指标参数不满足预定基准指标参数的情况下,可以确定循环操作还不满足预定条件,可以更新机械元件的目标参数信息,将更新后的目标参数信息作为目标参数信息,进行迭代操作,直至指标参数与预定基准指标参数相匹配。
根据本公开的实施例,通过对目标参数信息进行流场分析,根据流场分析结果确定机械元件的指标参数,根据指标参数和预定基准指标参数确定循环操作是否满足预定条件,在不满足预定条件的情况下,更新目标参数信息并对更新后的目标参数信息重新进行流场分析。在满足预定条件的情况下,生成目标机械元件模型。通过利用循环操作实现闭环设计,不仅可通过预定基准指标参数使得机械元件在设计阶段得到优化的结构外形,还通过深度学习模型来快速得到流场分析结果,进而提高了机械元件建模的效率。
根据本公开的实施例,基于在满足预定条件情况下的目标参数信息,生成目标机械元件模型,包括:将在满足预定条件情况下的目标参数信息输入至结构优化工具中,生成目标机械元件模型。
根据本公开的实施例,结构优化工具是指能够根据机械元件的结构参数信息生成完整的机械元件的数字化结构外形的工具。在结构优化工具中,调整机械元件的部分结构参数信息,则其他结构参数信息也会相应的调整。根据本公开的实施例,结构优化工具的具体类型不作限定,例如可以是CAD(Computer Aided Design,计算机辅助技术)设计工具。
根据本公开的实施例,通过将目标参数信息输入至结构优化工具中,生成目标机械元件模型,能够提高目标机械元件模型的建模速度和精度,解放人力。
根据本公开的实施例,基于流场分析结果,确定机械元件的指标参数,包括:从流场分析结果中确定目标流场分析结果;以及基于目标流场分析结果,确定机械元件的指标参数。
根据本公开的实施例,深度学习模型的输出结果可以包括类型不同的多个流程分析结果。可以根据任务需求,从多个流场分析结果中确定目标流场分析结果。例如,机翼的流场分析结果包括绕机翼各位置的流速信息、压力信息以及机翼的等效升力系数和阻力系数等。指标参数的确定需要流速信息、等效升力系数和阻力系数信息。可以根据指标参数的确定所需信息,从流速信息、压力信息、等效升力系数、阻力系数信息中确定流速信息、等效升力系数和阻力系数信息作为目标流场分析结果。
根据本公开的实施例,可以根据指标参数的确定方式,对流场分析结果进行筛选,从流场分析结果中确定目标流场分析结果,以便能够去除多余数据,且有助于提高指标参数的确定效率。
图4示意性示出了更新目标参数信息的流程图。
如图4所示,更新目标参数信息包括如下操作S410~S450。
在操作S410,基于机械元件的指标参数和预定基准指标参数,确定优化信息。
在操作S420,根据优化信息和目标参数信息,确定更新复杂度是否满足阈值。在确定更新复杂度不满足阈值的情况下,执行操作S430。在确定更新复杂度满足阈值的情况下,执行操作S440。
在操作S430,采用第一种更新方式更新目标参数信息。
在操作S440,采用第二种更新方式更新目标参数信息。
在操作S450,利用更新后的目标参数信息作为目标参数信息。
根据本公开的实施例,优化信息可以包括针对目标参数信息的调整信息。例如,优化信息可以包括加长机翼长度、改变机翼角度等信息。
根据本公开的实施例,更新复杂度可以指:根据优化信息调整目标参数信息的难易程度。例如,目标参数信息为机翼长度,优化信息是增加机翼长度,则可以直接根据优化信息增加机翼长度得到更新后的目标参数信息,此更新难度较低,可以采用第一种更新方式更新目标参数。
根据本公开的实施例,阈值可以是预先设定的数值,本公开对其具体数值不做限定。
根据本公开的实施例,基于更新复杂度来确定更新目标参数信息的更新方式,使得处理方式有针对性的同时,提高应用范围,降低更新难度。
根据本公的实施例,目标参数信息的第一种更新方式包括:基于优化信息,确定更新后的目标参数信息;以及将更新后的目标参数信息作为目标参数信息。根据本公开的实施例,基于优化信息,确定更新后的目标参数信息的方式不做限定,例如可以根据预设公式进行计算,还可以根据经验知识确定更新后目标参数信息。
例如,基于机械元件的指标参数和预定基准指标参数,确定机械元件的指标参数例如使用寿命低于预定基准指标参数。可以确定优化信息为:调整机械元件的壁厚,例如增加壁厚。而壁厚为目标参数信息的参数类型,且可直接量化,为更新复杂度低于阈值的情况。在此情况下,可以直接将壁厚h增大至壁厚H,将壁厚H作为更新后的目标参数信息。
根据本公开的实施例,在更新复杂度较低的情况下,基于优化信息确定更新后的目标参数信息,更新后的目标参数信息的确定简单、快捷。
根据本公开的实施例,目标参数信息的第二种更新方式包括:基于机械元件的指标参数和预定基准指标参数,确定优化信息;基于优化信息,调整机械元件模型的辅助参数信息,得到更新后的辅助参数信息,其中,辅助参数信息为用于生成机械元件模型的参数信息,辅助参数信息的参数类型与目标参数信息的参数类型不同;将更新后的辅助参数信息输入至结构优化工具,得到更新后的机械元件模型;从更新后的机械元件模型的参数信息中,确定更新后的目标参数信息;以及将更新后的目标参数信息作为目标参数信息。
根据本公开的实施例,优化信息可以包含针对辅助参数信息的调整建议,可以根据优化信息调整机械元件的辅助参数信息。
根据本公开的实施例,辅助参数信息的参数类型可以包括半径、长度、宽度、体积、面积等参数类型。例如,辅助参数信息的参数类型为半径,目标参数信息的参数类型为宽度,辅助参数信息的参数类型和目标参数信息的参数类型不同。
根据本公开的实施例,可以理解优化信息为与辅助参数信息相关的调整信息。可以直接基于机械元件的指标参数和预定基准指标参数,确定与辅助参数信息相关的优化信息,进而基于优化信息来调整辅助参数信息,得到更新后的辅助参数信息。将更新后的辅助参数信息输入至结构优化工具例如CAD工具中,可以通过局部参数信息的变更,利用结构优化工具,得到更新后的机械元件模型。该更新后的机械元件模型中的关于预定参数类型的目标参数信息也已经调整为更新后的目标参数信息了。可以将更新后的目标参数信息作为目标参数信息。
例如,机械元件为曲面机械元件,目标参数信息的参数类型为曲率。直接确定参数类型为曲率的目标参数信息的优化信息较复杂,且精度低。可以确定关于曲面机械元件的辅助参数信息,例如辅助参数信息的参数类型为壁厚。可以基于壁厚的优化信息,调整辅助参数信息,得到更新后的辅助参数信息。将更新后的辅助参数信息输入至结构优化工具,得到更新后的机械元件模型。再从更新后的机械元件模型中确定更新后的目标参数信息例如参数类型为曲率的更新后的目标参数信息。
图5示意性示出了根据本公开实施例的更新目标参数信息的流程图。
如图5所示,基于机械元件的指标参数510和预定基准指标参数520,确定优化信息530。根据优化信息530调整机械元件的辅助参数信息540,得到更新后的辅助参数信息550,其中,优化信息530包含辅助参数信息的调整方向。将更新后的辅助参数信息550输入至结构优化工具中,得到更新后的机械元件模型560。由于结构优化工具具有在部分参数调整的同时,其他参数相应调整的功能,因此,可以从更新后的机械元件模型560的参数信息中确定更新后的目标参数信息570,得到更新后的目标参数信息570。
根据本公开的实施例,在难以直接根据优化信息调整目标参数信息的情况下,可以利用结构优化工具,借助辅助参数信息对目标参数信息进行调整,提高更新目标参数信息的速度和精度,进而提高目标机械元件模型的生成速度。
图6示意性示出了根据本公开另一实施例的机械元件模型生成方法的流程示意图。
如图6所示,将机械元件的目标参数信息610输入至深度学习模型620中,输出流场分析结果630。通过筛选,可以从流场分析结果630中确定目标流场分析结果640。并将目标流场分析结果640输入至指标评估模型650中输出指标参数660。可以基于指标参数660和预定基准指标参数,确定结构优化工具670中展示的机械元件模型是否符合任务需求,例如指标参数660和预定基准指标参数是否匹配。在指标参数660和预定基准指标参数不匹配的情况下,可以调整结构优化工具670中机械元件模型的辅助参数信息,得到更新后的辅助参数信息。将更新后的辅助参数信息输入至结构优化工具中,得到更新后的机械元件模型。从更新后的机械元件模型的参数信息中,确定更新后的目标参数信息。将更新后的目标参数信息作为目标参数信息610,循环后续操作,直至指标参数660和预定基准指标参数达到匹配。将指标参数660和预定基准指标参数相匹配的机械元件模型作为目标机械元件模型680。完成闭环的机械元件模型生成流程。
根据本公开的实施例,指标评估模型可以包括用于评估指标参数的评估方程或者评估方程集合。例如,对于航空领域,指标评估模型可以包括力的评估方程、力矩评估方程、可靠性评估方程、强度评估方程等。例如,将目标流场分析结果例如绕机翼各位置的流速信息、压力信息以及机翼的等效升力系数和阻力系数信息输入至指标评估模型中,利用力的评估方程、力矩评估方程、可靠性评估方程以及强度评估方程对机翼的性能状况进行评估,得到指标参数。
根据本公开的实施例,结构优化工具可以部署于服务器A中,而深度学习模型可以部署于服务器B中,服务器B可以通过应用程序接口(API接口)与服务器A网络连接,实现用于执行深度学习模型的服务器与用于执行结构优化工具的服务器之间的交互,从而实现利用深度学习模型和结构优化工具来生成机械元件模型的闭环流程。
根据本公开的实施例,结构优化工具可以是参数化CAD模型,用于执行参数化CAD模型服务器的API接口可以基于宏命令实现。
根据本公开的实施例,机械元件模型生成方法可以利用深度学习模型、结构优化工具以及指标参数模型等多种工具串行计算,实现各个参数信息之间的自动权衡,降低了计算量,缩短了设计周期,提高了处理效率。此外,深度学习模型、结构优化工具以及指标参数模型均具有较强的泛化能力,能够适应于多种应用场景。
图7示意性示出了根据本公开实施例的深度学习模型的训练方法的流程图。
如图7所示,该实施例的训练方法包括操作S710~操作S720。
在操作S710,在确定训练样本的样本基础参数信息的参数类型满足预定参数类型的情况下,将训练样本的样本基础参数信息输入至深度学习模型中,得到样本流场分析结果,其中,训练样本包括样本基础参数信息和样本流场标签。
在操作S720,基于样本流场分析结果和样本流场标签,训练深度学习模型,得到经训练的深度学习模型。
根据本公开的实施例,训练样本的样本基础参数信息可以为机械元件的样本基础参数信息。该机械元件可以包括组成机械设备或系统的单个部件。例如,机械元件可以包括飞机的机翼、船舶的船桨、汽车的外壳等。但是并不局限于此。机械元件还可以指由多个部件组成的机械设备或系统。
根据本公开的实施例,样本基础参数信息可以包括以下至少一项:样本结构参数信息和样本工况参数信息。样本结构参数信息可以包括机械元件的样本外形结构参数信息。例如,机械元件的角度、半径、长度、宽度、厚度、面积、体积等信息。机械元件的样本工况参数信息可以包括机械元件所处的样本环境信息。例如,温度、压强、雷诺数(Re)、马赫数(Ma)等参数信息。
根据本公开的实施例,在获取到机械元件的样本基础参数信息的情况下,可以通过将样本基础参数信息的参数类型与预定参数类型进行比较,确定样本基础参数信息的参数类型是否满足预定参数类型。进而确定样本基础参数信息是否可以作为输入数据。例如,圆柱状的机械元件,预定参数类型包括机械元件的面积和长度,在机械元件的样本基础参数信息的参数类型为面积和长度的情况下,则可以确定样本基础参数信息的参数类型满足预定参数类型。确定样本基础参数信息可以作为输入数据。在机械元件的样本基础参数信息的参数类型为半径和长度的情况下,则确定样本基础参数信息的参数类型不满足预定参数类型。
根据本公开的实施例,可以将满足预定参数类型的样本基础参数信息作为深度学习模型的输入数据,直接输入至深度学习模型中,得到关于机械元件的样本流场分析结果的输出数据。
根据本公开的实施例,深度学习模型可以是全连接层,但是并不局限于此。还可以是决策树、卷积神经网络、随机森林、支持向量机等,只要是能够以机械元件的预定参数类型的样本基础参数信息作为输入数据,得到关于机械元件的样本流场分析结果的模型即可。
根据本公开的实施例,样本流场分析结果可以是利用深度学习模型处理样本基础参数信息后得到的输出数据。例如,机械元件为机翼时,输入深度学习模型中的样本基础参数信息包括机翼的弦长信息和展长信息,以及机翼所处的环境信息例如雷诺数和马赫数。作为深度学习模型的输出数据,样本流场分析结果可以包括绕机翼各位置的流速信息、压力信息以及机翼的等效升力系数和阻力系数信息中的一种或多种。
根据本公开的实施例,样本流场标签可以指与样本基础参数信息相对应的机械元件的真实流场分析结果。
根据本公开的实施例,基于样本流场分析结果和样本流场标签,训练深度学习模型,得到经训练的深度学习模型,可以包括:将样本流场分析结果和样本流场标签输入至损失函数中,得到损失值。基于损失值调整深度学习模型的参数,直至达到训练要求。将达到训练要求的深度学习模型作为经训练的深度学习模型。
根据本公开的实施例,训练要求可以指损失值收敛,但是并不局限于此,还可以指训练轮次达到预定轮次阈值。只要是能够使得经训练的深度学习模型的预测精度达到要求的训练要求即可。
根据本公开的实施例,利用上述方式训练深度学习模型,能够使得经训练的深度学习模型应用到流场分析以及机械元件模型的生成场景中,提高确定流场分析结果以及目标机械元件模型的处理速度和精度。
根据本公开的实施例,训练样本的来源不做限定。例如,可以来自开源数据库,也可以是经验数据。
根据本公开的实施例,深度学习模型的训练方法还可以包括:在确定样本基础参数信息的参数类型不满足预定参数类型的情况下,对机械元件的样本基础参数信息进行处理,得到满足预定参数类型的样本基础参数信息。
根据本公开的实施例,在样本基础参数信息包括机械元件的结构参数信息的情况下,若样本结构参数信息的参数类型与预定参数类型不相同,则可以确定机械元件的样本基础参数信息的参数类型不满足预定参数类型。例如,机械元件的样本基础参数信息的参数类型包括半径、长度,预定参数类型为面积和体积。则确定样本基础参数信息的参数类型不满足预定参数类型。还例如,机械元件的样本基础参数信息为样本工况参数信息,样本基础参数信息为温度,参数类型为摄氏度,预定参数类型为华氏度,则确定机械元件的样本基础参数信息的参数类型不满足预定参数类型。
根据本公开的实施例,可以对机械元件的样本基础参数信息进行处理,得到机械元件的满足预定参数类型的样本基础参数信息。例如,在样本基础参数信息包括样本结构参数信息的情况下,对样本基础参数信息进行处理,得到满足预定参数类型的样本基础参数信息。在样本基础参数信息包括样本工况参数信息的情况下,根据样本工况参数信息的参数类型对样本基础参数信息进行处理,得到满足预定参数类型的样本基础参数信息。
根据本公开的实施例,在样本基础参数信息的参数类型不满足预定参数类型的情况下,对样本基础参数信息进行处理,从而得到满足预定参数类型的样本基础参数信息。因此,训练样本的获取范围较广,在不满足预定参数类型的情况下,可以经过处理得到满足预定参数类型的样本基础参数信息。
根据本公开的实施例,对样本基础参数信息进行处理,得到满足预定参数类型的样本基础参数信息,可以包括:基于样本结构类型信息和样本基础参数信息,确定针对样本基础参数信息的目标处理方式;以及按照目标处理方式,对样本基础参数信息进行处理,得到满足预定参数类型的样本基础参数信息。
在其中一个示例中,训练样本的样本结构参数信息可以包括参数a和参数b,工况参数信息可以包括雷诺数Re和马赫数Ma,样本流场标签可以包括与训练样本的样本基础参数信息相对应的速度(u,v)、压力P等。在进行训练过程中,可以根据参数a和参数b确定样本基础参数信息的参数类型不满足预定参数类型。可以利用计算公式例如H、J以及K来得到满足预定参数类型的样本基础参数信息,例如h,j,k。具体表达式如下式(1):
根据本公开的实施例,样本基础参数信息还可以包括样本工况参数信息例如雷诺数Re,马赫数Ma。结合样本流场标签例如速度(u,v)和压力P,最终得到如表1所示的训练样本集。
表1
根据本公开的实施例,上述训练方法,还包括:将样本基础参数信息输入至结构优化工具中,得到与样本基础参数信息相匹配的样本机械元件模型;从样本机械元件模型的参数信息中,确定优化样本参数信息,其中,优化样本参数信息的参数类型与样本基础参数信息的参数类型相同;以及将优化样本参数信息和与样本基础参数信息相匹配的样本流场标签,作为优化训练样本,以便利用优化训练样本训练深度学习模型。
根据本公开的实施例,结构优化工具是指能够根据机械元件的部分几何结构参数生成完整的数字化机械结构的工具。通过将样本基础参数信息输入结构优化工具中,可以生成与样本基础参数信息对应的完整的样本机械元件模型。
根据本公开的实施例,结构优化工具可以展示样本机械元件模型的所有参数信息,从样本机械元件模型的所有参数信息中确定优化样本参数信息。
例如,样本基础参数信息包含m个参数信息,将m个参数信息输入至结构优化工具中,得到与m个参数信息相匹配的样本机械元件模型。结构优化工具可展示样本机械元件模型的所有参数信息。可以从样本机械元件模型的所有参数信息确定参数类型与样本基础参数信息的参数类型相同的优化样本参数信息。优化样本参数信息的参数类型与样本基础参数信息的参数类型相同,与优化样本参数信息相匹配的样本流场标签可以和与样本基础参数信息相匹配的样本流场标签相同。
根据本公开的实施例,通过利用结构优化工具,在样本基础参数信息的基础上,得到优化样本参数信息,从而扩充了训练样本的数量,使得训练得到的深度学习模型具有较强的鲁棒性,从而有助于提高流场分析的准确性。同时,通过扩充训练样本,使得训练得到的深度学习模型具有较强的泛化能力,能够适应于多种应用场景。
图8示意性示出了根据本公开实施例的流场分析装置的框图。
如图8所示,流场分析装置800可以包括第一确定模块810和第一输入模块820。
第一确定模块810,用于在确定机械元件的基础参数信息的参数类型满足预定参数类型的情况下,将基础参数信息作为机械元件的目标参数信息。
第一输入模块820,用于将机械元件的目标参数信息输入至深度学习模型中,得到关于机械元件的流场分析结果。
根据本公开的实施例,流场分析装置,还包括:处理模块。
处理模块,用于在确定机械元件的基础参数信息的参数类型不满足预定参数类型的情况下,对机械元件的基础参数信息进行处理,得到机械元件的目标参数信息。
根据本公开的实施例,处理模块包括:第一确定子模块和处理子模块。
第一确定子模块,用于基于机械元件的结构类型信息和机械元件的基础参数信息,确定针对基础参数信息的目标处理方式。
处理子模块,用于按照目标处理方式,对机械元件的基础参数信息进行处理,得到机械元件的目标参数信息。
根据本公开的实施例,目标参数信息包括以下至少一项:结构参数信息和工况参数信息;结构参数信息包括机械元件的外形结构参数信息;工况参数信息包括机械元件所处的环境信息。
图9示意性示出了根据本公开实施例的机械元件模型生成装置的框图。
如图9所示,机械元件模型生成装置900包括生成模块910。
生成模块910,用于循环执行以下操作,直至满足预定条件。
其中,生成模块910包括:第一生成子模块911、第二确定子模块912、第三确定子模块913、第四确定子模块914和第二生成子模块915。
第一生成子模块911,用于基于机械元件的目标参数信息,利用上述流场分析方法,得到机械元件的流场分析结果。
第二确定子模块912,用于基于机械元件的流场分析结果,确定机械元件的指标参数,其中,机械元件的指标参数用于表征机械元件的性能状况。
第三确定子模块913,用于在确定机械元件的指标参数与预定基准指标参数之间不匹配的情况下,将更新后的目标参数信息作为目标参数信息。
第四确定子模块914,用于在确定机械元件的指标参数与预定基准指标参数之间匹配的情况下,确定为满足预定条件。
第二生成子模块915,用于基于在满足预定条件情况下的目标参数信息,生成目标机械元件模型。
根据本公开的实施例,第二确定子模块包括:第一确定单元和第二确定单元。
第一确定单元,用于从流场分析结果中确定目标流场分析结果。
第二确定单元,用于基于目标流场分析结果,确定机械元件的指标参数。
根据本公开的实施例,生成模块还包括:第一优化确定子模块和第一目标确定子模块。
第一优化确定子模块,用于基于机械元件的指标参数和预定基准指标参数,确定优化信息。
第一目标确定子模块,用于基于优化信息,确定更新后的目标参数信息。
根据本公开的实施例,生成模块还包括:第二优化确定子模块、调整子模块、输入子模块和第二目标确定子模块。
第二优化确定子模块,用于基于机械元件的指标参数和预定基准指标参数,确定优化信息。
调整子模块,用于基于优化信息,调整机械元件模型的辅助参数信息,得到更新后的辅助参数信息,其中,辅助参数信息为用于生成机械元件模型的参数信息,辅助参数信息的参数类型与目标参数信息的参数类型不同。
输入子模块,用于将更新后的辅助参数信息输入至结构优化工具,得到更新后的机械元件模型。
第二目标确定子模块,用于从更新后的机械元件模型的参数信息中,确定更新后的目标参数信息。
根据本公开的实施例,第二生成子模块包括:生成单元。
生成单元,用于将在满足预定条件情况下的目标参数信息输入至结构优化工具中,生成目标机械元件模型。
图10示意性示出了根据本公开实施例的深度学习模型的训练装置的框图。
如图10所示,训练装置1000包括第二输入模块1010和训练模块1020。
第二输入模块1010,用于在确定训练样本的样本基础参数信息的参数类型满足预定参数类型的情况下,将训练样本的样本基础参数信息输入至深度学习模型中,得到样本流场分析结果,其中,训练样本包括样本基础参数信息和样本流场标签。
训练模块1020,用于基于样本流场分析结果和样本流场标签,训练深度学习模型,得到经训练的深度学习模型。
根据本公开的实施例,训练装置还包括:第三输入模块、第二确定模块和第三确定模块。
第三输入模块,用于将样本基础参数信息输入至结构优化工具中,得到与样本基础参数信息相匹配的样本机械元件模型。
第二确定模块,用于从样本机械元件模型的参数信息中,确定优化样本参数信息,其中,优化样本参数信息的参数类型与样本基础参数信息的参数类型相同。
第三确定模块,用于将优化样本参数信息和与样本基础参数信息相匹配的样本流场标签,作为优化训练样本,以便利用优化训练样本训练深度学习模型。
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。
根据本公开的实施例,一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如本公开实施例的方法。
根据本公开的实施例,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,计算机指令用于使计算机执行如本公开实施例的方法。
根据本公开的实施例,一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如本公开实施例的方法。
图11示出了可以用来实施本公开的实施例的示例电子设备1100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11所示,设备1100包括计算单元1101,其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序,来执行各种适当的动作和处理。在RAM1103中,还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
设备1100中的多个部件连接至I/O接口1105,包括:输入单元1106,例如键盘、鼠标等;输出单元1107,例如各种类型的显示器、扬声器等;存储单元1108,例如磁盘、光盘等;以及通信单元1109,例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100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1101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1101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1101执行上文所描述的各个方法和处理,例如流场分析方法、机械元件模型生成方法或深度学习模型的训练方法。例如,在一些实施例中,流场分析方法、机械元件模型生成方法或深度学习模型的训练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1108。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时,可以执行上文描述的流场分析方法、机械元件模型生成方法或深度学习模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元1101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分析方法、机械元件模型生成方法或深度学习模型的训练方法。
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)、复杂可编程逻辑设备(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,也可以是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,本发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 (25)
1.一种流场分析方法,包括:
在确定机械元件的基础参数信息的参数类型满足预定参数类型的情况下,将所述基础参数信息作为所述机械元件的目标参数信息;以及
将所述机械元件的所述目标参数信息输入至深度学习模型中,得到关于所述机械元件的流场分析结果。
2.根据权利要求1所述的方法,还包括:
在确定所述机械元件的基础参数信息的参数类型不满足所述预定参数类型的情况下,对所述机械元件的基础参数信息进行处理,得到所述机械元件的所述目标参数信息。
3.根据权利要求2所述的方法,其中,所述对所述机械元件的基础参数信息进行处理,得到所述机械元件的所述目标参数信息包括:
基于所述机械元件的结构类型信息和所述机械元件的所述基础参数信息,确定针对所述基础参数信息的目标处理方式;以及
按照所述目标处理方式,对所述机械元件的所述基础参数信息进行处理,得到所述机械元件的所述目标参数信息。
4.根据权利要求1所述的方法,其中,
所述目标参数信息包括以下至少一项:结构参数信息和工况参数信息;
所述结构参数信息包括所述机械元件的外形结构参数信息;
所述工况参数信息包括所述机械元件所处的环境信息。
5.一种机械元件模型生成方法,包括:
循环执行以下操作,直至满足预定条件:
基于机械元件的目标参数信息,利用权利要求1至4中任一项所述的方法,得到所述机械元件的流场分析结果;
基于所述机械元件的流场分析结果,确定所述机械元件的指标参数,其中,所述机械元件的指标参数用于表征所述机械元件的性能状况;
在确定所述机械元件的指标参数与预定基准指标参数之间不匹配的情况下,将更新后的目标参数信息作为所述目标参数信息;
在确定所述机械元件的指标参数与所述预定基准指标参数之间匹配的情况下,确定为满足所述预定条件;以及
基于在满足所述预定条件情况下的目标参数信息,生成目标机械元件模型。
6.根据权利要求5所述的方法,其中,所述基于所述流场分析结果,确定所述机械元件的指标参数,包括:
从所述流场分析结果中确定目标流场分析结果;以及
基于所述目标流场分析结果,确定所述机械元件的指标参数。
7.根据权利要求5所述的方法,还包括:
基于所述机械元件的指标参数和所述预定基准指标参数,确定优化信息;以及
基于所述优化信息,确定更新后的目标参数信息。
8.根据权利要求5所述的方法,还包括:
基于所述机械元件的指标参数和所述预定基准指标参数,确定优化信息;
基于所述优化信息,调整机械元件模型的辅助参数信息,得到更新后的辅助参数信息,其中,所述辅助参数信息为用于生成所述机械元件模型的参数信息,所述辅助参数信息的参数类型与所述目标参数信息的参数类型不同;
将所述更新后的辅助参数信息输入至结构优化工具,得到更新后的机械元件模型;以及
从所述更新后的机械元件模型的参数信息中,确定所述更新后的目标参数信息。
9.根据权利要求5所述的方法,其中,所述基于在满足所述预定条件情况下的目标参数信息,生成目标机械元件模型,包括:
将在满足所述预定条件情况下的目标参数信息输入至结构优化工具中,生成所述目标机械元件模型。
10.一种深度学习模型的训练方法,包括:
在确定训练样本的样本基础参数信息的参数类型满足预定参数类型的情况下,将所述训练样本的所述样本基础参数信息输入至深度学习模型中,得到样本流场分析结果,其中,所述训练样本包括所述样本基础参数信息和样本流场标签;以及
基于所述样本流场分析结果和所述样本流场标签,训练所述深度学习模型,得到经训练的深度学习模型。
11.根据权利要求10所述的方法,还包括:
将所述样本基础参数信息输入至结构优化工具中,得到与所述样本基础参数信息相匹配的样本机械元件模型;
从所述样本机械元件模型的参数信息中,确定优化样本参数信息,其中,所述优化样本参数信息的参数类型与所述样本基础参数信息的参数类型相同;以及
将所述优化样本参数信息和与所述样本基础参数信息相匹配的样本流场标签,作为优化训练样本,以便利用所述优化训练样本训练所述深度学习模型。
12.一种流场分析装置,包括:
第一确定模块,用于在确定机械元件的基础参数信息的参数类型满足预定参数类型的情况下,将所述基础参数信息作为所述机械元件的目标参数信息;以及
第一输入模块,用于将所述机械元件的所述目标参数信息输入至深度学习模型中,得到关于所述机械元件的流场分析结果。
13.根据权利要求12所述的装置,还包括:
处理模块,用于在确定所述机械元件的基础参数信息的参数类型不满足所述预定参数类型的情况下,对所述机械元件的基础参数信息进行处理,得到所述机械元件的所述目标参数信息。
14.根据权利要求13所述的装置,其中,所述处理模块包括:
第一确定子模块,用于基于所述机械元件的结构类型信息和所述机械元件的所述基础参数信息,确定针对所述基础参数信息的目标处理方式;以及
处理子模块,用于按照所述目标处理方式,对所述机械元件的所述基础参数信息进行处理,得到所述机械元件的所述目标参数信息。
15.根据权利要求12所述的装置,其中,
所述目标参数信息包括以下至少一项:结构参数信息和工况参数信息;
所述结构参数信息包括所述机械元件的外形结构参数信息;
所述工况参数信息包括所述机械元件所处的环境信息。
16.一种机械元件模型生成装置,包括:
生成模块,用于循环执行以下操作,直至满足预定条件:
其中,所述生成模块包括:
第一生成子模块,用于基于机械元件的目标参数信息,利用权利要求1至4中任一项所述的方法,得到所述机械元件的流场分析结果;
第二确定子模块,用于基于所述机械元件的流场分析结果,确定所述机械元件的指标参数,其中,所述机械元件的指标参数用于表征所述机械元件的性能状况;
第三确定子模块,用于在确定所述机械元件的指标参数与预定基准指标参数之间不匹配的情况下,将更新后的目标参数信息作为所述目标参数信息;
第四确定子模块,用于在确定所述机械元件的指标参数与所述预定基准指标参数之间匹配的情况下,确定为满足所述预定条件;以及
第二生成子模块,用于基于在满足所述预定条件情况下的目标参数信息,生成目标机械元件模型。
17.根据权利要求16所述的装置,其中,所述第二确定子模块包括:
第一确定单元,用于从所述流场分析结果中确定目标流场分析结果;以及
第二确定单元,用于基于所述目标流场分析结果,确定所述机械元件的指标参数。
18.根据权利要求16所述的装置,其中,所述生成模块还包括:
第一优化确定子模块,用于基于所述机械元件的指标参数和所述预定基准指标参数,确定优化信息;以及
第一目标确定子模块,用于基于所述优化信息,确定更新后的目标参数信息。
19.根据权利要求16所述的装置,其中,所述生成模块还包括:
第二优化确定子模块,用于基于所述机械元件的指标参数和所述预定基准指标参数,确定优化信息;
调整子模块,用于基于所述优化信息,调整机械元件模型的辅助参数信息,得到更新后的辅助参数信息,其中,所述辅助参数信息为用于生成所述机械元件模型的参数信息,所述辅助参数信息的参数类型与所述目标参数信息的参数类型不同;
输入子模块,用于将所述更新后的辅助参数信息输入至结构优化工具,得到更新后的机械元件模型;以及
第二目标确定子模块,用于从所述更新后的机械元件模型的参数信息中,确定所述更新后的目标参数信息。
20.根据权利要求16所述的装置,其中,所述第二生成子模块包括:
生成单元,用于将在满足所述预定条件情况下的目标参数信息输入至结构优化工具中,生成所述目标机械元件模型。
21.一种深度学习模型的训练装置,包括:
第二输入模块,用于在确定训练样本的样本基础参数信息的参数类型满足预定参数类型的情况下,将所述训练样本的所述样本基础参数信息输入至深度学习模型中,得到样本流场分析结果,其中,所述训练样本包括所述样本基础参数信息和样本流场标签;以及
训练模块,用于基于所述样本流场分析结果和所述样本流场标签,训练所述深度学习模型,得到经训练的深度学习模型。
22.根据权利要求21所述的装置,还包括:
第三输入模块,用于将所述样本基础参数信息输入至结构优化工具中,得到与所述样本基础参数信息相匹配的样本机械元件模型;
第二确定模块,用于从所述样本机械元件模型的参数信息中,确定优化样本参数信息,其中,所述优化样本参数信息的参数类型与所述样本基础参数信息的参数类型相同;以及
第三确定模块,用于将所述优化样本参数信息和与所述样本基础参数信息相匹配的样本流场标签,作为优化训练样本,以便利用所述优化训练样本训练所述深度学习模型。
23.一种电子设备,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至11中任一项所述的方法。
24.一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至11中任一项所述的方法。
25.一种计算机程序产品,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至11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211496744.8A CN115859508B (zh) | 2022-11-23 | 2022-11-23 | 流场分析方法、元件模型生成方法、训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211496744.8A CN115859508B (zh) | 2022-11-23 | 2022-11-23 | 流场分析方法、元件模型生成方法、训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115859508A true CN115859508A (zh) | 2023-03-28 |
CN115859508B CN115859508B (zh) | 2024-01-02 |
Family
ID=85666923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211496744.8A Active CN115859508B (zh) | 2022-11-23 | 2022-11-23 | 流场分析方法、元件模型生成方法、训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115859508B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150184549A1 (en) * | 2013-12-31 | 2015-07-02 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
US20150363795A1 (en) * | 2014-06-11 | 2015-12-17 | Michael Levy | System and Method for gathering, identifying and analyzing learning patterns |
CN105243224A (zh) * | 2015-10-28 | 2016-01-13 | 唐山轨道客车有限责任公司 | 客室内流场的参数化仿真方法、装置及列车 |
WO2018117890A1 (en) * | 2016-12-21 | 2018-06-28 | Schlumberger Technology Corporation | A method and a cognitive system for predicting a hydraulic fracture performance |
CN108228963A (zh) * | 2017-11-29 | 2018-06-29 | 河南科技大学 | 一种烟叶烤机内部流场分析与调整方法 |
CN110045608A (zh) * | 2019-04-02 | 2019-07-23 | 太原理工大学 | 基于数字孪生的机械设备零部件结构参数动态优化方法 |
CN110705145A (zh) * | 2019-09-11 | 2020-01-17 | 桂林电子科技大学 | 车辆的扬尘分析方法、装置及计算机可读存储介质 |
CN111339718A (zh) * | 2020-03-03 | 2020-06-26 | 中联煤层气有限责任公司 | 一种管件冲蚀速率计算方法、装置及服务器 |
CN111914943A (zh) * | 2020-08-14 | 2020-11-10 | 广西大学 | 倾倒式岩溶危岩稳定综合判别的信息向量机方法及装置 |
KR20210090123A (ko) * | 2020-12-18 | 2021-07-19 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 분산형 모델 트레이닝 방법, 관련 장치 및 컴퓨터 프로그램 |
LU102103B1 (en) * | 2020-09-30 | 2022-03-30 | Wurth Paul Sa | Computer System and Method Providing Operating Instructions for Thermal Control of a Blast Furnace |
CN114462598A (zh) * | 2022-02-14 | 2022-05-10 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、确定数据类别的方法和装置 |
CN114970338A (zh) * | 2022-05-19 | 2022-08-30 | 北京百度网讯科技有限公司 | 涡激振动模型训练方法、涡激振动预测方法和装置 |
CN115147680A (zh) * | 2022-06-30 | 2022-10-04 | 北京百度网讯科技有限公司 | 目标检测模型的预训练方法、装置以及设备 |
CN115292844A (zh) * | 2022-08-11 | 2022-11-04 | 西安交通大学 | 一种基于深度图学习的叶轮机械叶片颤振边界预测方法 |
-
2022
- 2022-11-23 CN CN202211496744.8A patent/CN115859508B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150184549A1 (en) * | 2013-12-31 | 2015-07-02 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
US20150363795A1 (en) * | 2014-06-11 | 2015-12-17 | Michael Levy | System and Method for gathering, identifying and analyzing learning patterns |
CN105243224A (zh) * | 2015-10-28 | 2016-01-13 | 唐山轨道客车有限责任公司 | 客室内流场的参数化仿真方法、装置及列车 |
WO2018117890A1 (en) * | 2016-12-21 | 2018-06-28 | Schlumberger Technology Corporation | A method and a cognitive system for predicting a hydraulic fracture performance |
CN108228963A (zh) * | 2017-11-29 | 2018-06-29 | 河南科技大学 | 一种烟叶烤机内部流场分析与调整方法 |
CN110045608A (zh) * | 2019-04-02 | 2019-07-23 | 太原理工大学 | 基于数字孪生的机械设备零部件结构参数动态优化方法 |
CN110705145A (zh) * | 2019-09-11 | 2020-01-17 | 桂林电子科技大学 | 车辆的扬尘分析方法、装置及计算机可读存储介质 |
CN111339718A (zh) * | 2020-03-03 | 2020-06-26 | 中联煤层气有限责任公司 | 一种管件冲蚀速率计算方法、装置及服务器 |
CN111914943A (zh) * | 2020-08-14 | 2020-11-10 | 广西大学 | 倾倒式岩溶危岩稳定综合判别的信息向量机方法及装置 |
LU102103B1 (en) * | 2020-09-30 | 2022-03-30 | Wurth Paul Sa | Computer System and Method Providing Operating Instructions for Thermal Control of a Blast Furnace |
KR20210090123A (ko) * | 2020-12-18 | 2021-07-19 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 분산형 모델 트레이닝 방법, 관련 장치 및 컴퓨터 프로그램 |
CN114462598A (zh) * | 2022-02-14 | 2022-05-10 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、确定数据类别的方法和装置 |
CN114970338A (zh) * | 2022-05-19 | 2022-08-30 | 北京百度网讯科技有限公司 | 涡激振动模型训练方法、涡激振动预测方法和装置 |
CN115147680A (zh) * | 2022-06-30 | 2022-10-04 | 北京百度网讯科技有限公司 | 目标检测模型的预训练方法、装置以及设备 |
CN115292844A (zh) * | 2022-08-11 | 2022-11-04 | 西安交通大学 | 一种基于深度图学习的叶轮机械叶片颤振边界预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115859508B (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657465B (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
US10460252B2 (en) | System and method of chaining algorithms for global object recognition to improve probability of correctness and reduce processing load | |
CN113722493B (zh) | 文本分类的数据处理方法、设备、存储介质 | |
CN113360711B (zh) | 视频理解任务的模型训练和执行方法、装置、设备及介质 | |
CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
CN112784778A (zh) | 生成模型并识别年龄和性别的方法、装置、设备和介质 | |
Nejat et al. | Airfoil shape optimization using improved Multiobjective Territorial Particle Swarm algorithm with the objective of improving stall characteristics | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN116432522A (zh) | 一种用于电力走廊的导线模型的结构化建模方法和装置 | |
CN113379059B (zh) | 用于量子数据分类的模型训练方法以及量子数据分类方法 | |
CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
CN116518979B (zh) | 一种无人机路径规划方法、系统、电子设备及介质 | |
CN115859508B (zh) | 流场分析方法、元件模型生成方法、训练方法及装置 | |
CN113157829A (zh) | 一种兴趣点名称比对方法、装置、电子设备和存储介质 | |
CN113961765B (zh) | 基于神经网络模型的搜索方法、装置、设备和介质 | |
CN114417822A (zh) | 用于生成模型解释信息的方法、装置、设备、介质和产品 | |
CN114111813A (zh) | 高精地图元素更新方法、装置、电子设备及存储介质 | |
CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN113032681A (zh) | 用于地图搜索的方法、装置、电子设备和介质 | |
CN113449778A (zh) | 用于量子数据分类的模型训练方法以及量子数据分类方法 | |
CN113222414B (zh) | 模型稳定性的评估方法、装置、电子设备和存储介质 | |
CN114037058B (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN114037057B (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN114581751B (zh) | 图像识别模型的训练方法和图像识别方法、装置 |
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 |