CN115983148A - 一种cfd仿真云图预测方法、系统、电子设备及介质 - Google Patents
一种cfd仿真云图预测方法、系统、电子设备及介质 Download PDFInfo
- Publication number
- CN115983148A CN115983148A CN202211606682.1A CN202211606682A CN115983148A CN 115983148 A CN115983148 A CN 115983148A CN 202211606682 A CN202211606682 A CN 202211606682A CN 115983148 A CN115983148 A CN 115983148A
- Authority
- CN
- China
- Prior art keywords
- data
- node
- predicted
- edge
- graph
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004088 simulation Methods 0.000 title claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 96
- 239000012530 fluid Substances 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种CFD仿真云图预测方法、系统、电子设备及介质属于计算流体动力学领域,CFD仿真云图预测方法包括:获取待预测计算流体动力学数据;待预测计算流体动力学数据包括多个网格单元及各网格单元中各顶点的工况数据;将待预测计算流体动力学数据转换为待预测图数据;待预测图数据包括多个节点、多条边、各节点的节点特征向量及各条边的边特征向量;根据待预测图数据,基于场数据预测模型,确定待预测图数据中各节点的场数据;场数据预测模型为预先采用训练样本集对图神经网络进行训练得到的;根据待预测图数据中各节点的场数据生成云图。使用节点特征及边特征,保留了更完整的网格结构,并且采用图神经网络提高了云图的精度。
Description
技术领域
本发明涉及计算流体动力学领域,特别是涉及一种基于图神经网络的CFD仿真云图预测方法、系统、电子设备及介质。
背景技术
近年来,工业界对CFD(Computational Fluid Dynamics,计算流体动力学)仿真的需求量增大,企业与工程师对仿真的需求与精度要求越来越高。通过使用机器学习等新技术来加速仿真的过程,并直接对仿真的结果进行预测成了一种新的技术趋向。
常用的方式是使用卷积网络直接对云图进行预测,但是该方法要求CFD网格为结构化网格,因为结构化网格对于网格密度的灵活控制较为困难,因此其并不能很好的满足所有的使用场景。有人提出对云图进行像素化的方法来摆脱结构化网格的束缚,但是像素化并不能很好的处理云图的细节部分,造成预测精度较低。而使用图神经网络对整个流场进行预测,是目前泛化能力比较好的,其主要思路是将CFD网格的空间点作为图数据结构的节点,但是现有方案中使用图神经网络将CFD网格转换为图数据结构时,仅考虑了顶点特征,忽略了边上的特征,或者仅使用邻接矩阵和空间结构系数等作为网格的结构特征,由此造成图卷积神经网络的泛化能力下降与准确率下降。并且缺乏相对通用的数据获取方式与云图输出方式,在工程上使用不方便。
发明内容
本发明的目的是提供一种CFD仿真云图预测方法、系统、电子设备及介质,可提高模型的泛化能力,并提高云图的精度。
为实现上述目的,本发明提供了如下方案:
一种CFD仿真云图预测方法,包括:
获取待预测计算流体动力学数据;所述待预测计算流体动力学数据包括多个网格单元及各网格单元中各顶点的工况数据;
将所述待预测计算流体动力学数据转换为待预测图数据;所述待预测图数据包括多个节点、多条边、各节点的节点特征向量及各条边的边特征向量;
根据所述待预测图数据,基于场数据预测模型,确定所述待预测图数据中各节点的场数据;所述场数据预测模型为预先采用训练样本集对图神经网络进行训练得到的;所述训练样本集包括样本图数据及样本图数据中各节点的场数据;
根据所述待预测图数据中各节点的场数据生成云图。
可选地,将所述待预测计算流体动力学数据转换为待预测图数据,具体包括:
将所述待预测计算流体动力学数据中网格单元的顶点作为图数据的节点,网格单元的边作为图数据的边,确定待预测图数据;待预测图数据中各节点的节点特征向量包括节点类型及对应顶点的工况数据;所述节点类型包括边界区、流入区、流出区、墙;
针对任一条边,根据所述边两端节点的工况数据确定所述边的边特征向量。
可选地,节点i与节点j之间的边的边特征向量为:[ui-uj,|ui-uj|];其中,ui为节点i的空间坐标向量,uj为节点j的空间坐标向量。
可选地,所述场数据预测模型包括节点编码器、边编码器、第一残差多层感知机、第二残差多层感知机及节点解码器;
根据所述待预测图数据,基于场数据预测模型,确定所述待预测图数据中各节点的场数据,具体包括:
通过所述节点编码器对所述待预测图数据中各节点的节点特征向量进行编码,得到对应各节点的初始嵌入向量;
通过所述边编码器对所述待预测图数据中各条边的边特征向量进行编码,得到对应各条边的初始嵌入向量;
针对第l次迭代,针对所述待预测图数据中的任一条边,根据第l-1次迭代中所述边的嵌入向量及第l-1次迭代中所述边两端节点的嵌入向量,通过所述第一残差多层感知机确定第l次迭代中所述边的嵌入向量;0<l;第0次迭代中边的嵌入向量为边的初始嵌入向量;第0次迭代中节点的嵌入向量为节点的初始嵌入向量;
针对所述待预测图数据中的任一节点,根据第l-1次迭代中所述节点的嵌入向量及第l次迭代中所述节点所属各条边的嵌入向量,通过所述第二残差多层感知机确定第l次迭代中所述节点的嵌入向量;
判断是否达到最大迭代次数,若是,则通过所述节点解码器对第l次迭代中各节点的嵌入向量进行解码,得到对应各节点的场数据,否则进行第l+1次迭代。
可选地,所述节点编码器及所述边编码器均为带Relu激活函数的多层感知机。
可选地,所述第一残差多层感知机及所述第二残差多层感知机均为带残差结构的多层感知机。
可选地,所述节点解码器为多层感知机。
为实现上述目的,本发明还提供了如下方案:
一种CFD仿真云图预测系统,包括:
数据获取单元,用于获取待预测计算流体动力学数据;所述待预测计算流体动力学数据包括多个网格单元及各网格单元中各顶点的工况数据;
图数据生成单元,与所述数据获取单元连接,用于将所述待预测计算流体动力学数据转换为待预测图数据;所述待预测图数据包括多个节点、多条边、各节点的节点特征向量及各条边的边特征向量;
场数据确定单元,与所述图数据生成单元连接,用于根据所述待预测图数据,基于场数据预测模型,确定所述待预测图数据中各节点的场数据;所述场数据预测模型为预先采用训练样本集对图神经网络进行训练得到的;所述训练样本集包括样本图数据及样本图数据中各节点的场数据;
云图生成单元,与所述场数据确定单元连接,用于根据所述待预测图数据中各节点的场数据生成云图。
为实现上述目的,本发明还提供了如下方案:
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的CFD仿真云图预测方法。
为实现上述目的,本发明还提供了如下方案:
一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述的CFD仿真云图预测方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:首先获取待预测计算流体动力学数据;然后将待预测计算流体动力学数据转换为待预测图数据;其中,待预测图数据包括多个节点、多条边、各节点的节点特征向量及各条边的边特征向量;再根据待预测图数据,基于预先采用训练样本集对图神经网络进行训练得到的场数据预测模型,确定待预测图数据中各节点的场数据;最后根据待预测图数据中各节点的场数据生成云图。在将CFD数据转换为图数据时,不仅使用了节点特征,还使用了边特征,保留了更完整的网格结构,并且图数据的拓扑结构也更接近原本的CFD网格,进而提高了模型的泛化能力,并且采用图神经网络可以适配非结构化网格,使网格的变化更加灵活,进而提高了云图的精度。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明CFD仿真云图预测方法的流程图;
图2为节点特征向量及边特征向量的示意图;
图3为场数据预测过程的示意图;
图4为各节点及各条边的第一嵌入向量的示意图;
图5为各条边的第二嵌入向量的示意图;
图6为图神经网络的整体结构及训练过程示意图;
图7为本发明CFD仿真云图预测系统的模块示意图。
符号说明:
数据获取单元-1,图数据生成单元-2,场数据确定单元-3,云图生成单元-4。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种CFD仿真云图预测方法、系统、电子设备及介质,通过使用节点特征及边特征保留更完整的网格结构,提高模型的泛化能力,并采用图神经网络提高云图的精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示,本实施例提供的CFD仿真云图预测方法包括:
S1:获取待预测计算流体动力学数据。所述待预测计算流体动力学数据包括多个网格单元及各网格单元中各顶点的工况数据。
具体地,从已有的仿真前后处理文件,批量的提取CFD网格数据、场数据与标量数据。常见的CFD前后处理文件中的数据存储格式具有特定的解析方式。若CFD前后处理文件的格式是开放的,则根据其提供的文档或者API(Application Program Interface,应用程序编程接口)进行数据解析。建立数据的类别与数据的解析方式的映射。在进行数据读取时,将数据完整解析后的树结构或者列表结构展示出来(场数据不展示数据值,仅展示数据类型与维度)。用户可以通过展示出的数据文件结构直接选择,或者通过关键字搜索确定所需的数据名,程序根据数据名所在的位置与类型对数据进行解析并提取。一个数据的数据位置与数据类型称为一条数据的提取规则。依照此方法,用户可以一次建立多个数据提取规则来批量的提取前后处理文件中的多条数据。
在CFD网格数据中,场数据的值可能并不在节点上定义,而是与网格单元对应,但是图神经网络中节点特征对应的是CFD网格数据中节点的值,因此需要将网格单元的场数据进行加权平均。将网格单元上的场数据转换到各节点上。具体地,对节点相邻网格单元的场数据进行加权平均,并映射到对应的节点上,权重为节点相邻网格单元体积的倒数。将场数据映射到节点上后,将数据转存为Tfrecord格式,以便图神经网络做统一处理。在本实施例中,节点的场数据为对图神经网络进行训练时的标签,即在实际应用中,场数据为需要预测的对象。场数据指数据的形式,工况数据指数据的含义,工况数据可能是场数据形式,也可能不是。
S2:将所述待预测计算流体动力学数据转换为待预测图数据。所述待预测图数据包括多个节点、多条边、各节点的节点特征向量及各条边的边特征向量。
具体地,将所述待预测计算流体动力学数据中网格单元的顶点作为图数据的节点,网格单元的边作为图数据的边,确定待预测图数据。待预测图数据表示为M={V,E}。其中,M为待预测图数据,V为节点集合,E为边集合。待预测图数据中每个节点vi∈V与CFD空间的网格点对应,每条边eij∈E对应各网格单元的边,即首先将CFD的网格数据打散并去重,仅保留节点及节点连接关系,作为待预测图数据。
待预测图数据中各节点的节点特征向量包括节点类型及对应顶点的工况数据。具体地,节点特征向量由两部分组成:工况数据在节点上的映射以及节点的类型。其中,工况数据例如马赫数与攻角等将被直接赋予给每个节点作为节点的工况数据pi。节点的类型信息包括节点是否为边界区、流入区、流出区、墙等。节点的类型信息使用one-hot编码预处理后得到节点类型ti。节点类型用来描述节点是否是自由点还是边界点等。因此,图神经网络输入的节点特征向量为vi=[pi,ti],对应的需要预测的特征向量(场数据)为qi。
针对任一条边,根据所述边两端节点的工况数据确定所述边的边特征向量。在本实施例中,节点i与节点j之间的边的边特征向量为:[ui-uj,|ui-uj|];其中,ui为节点i的空间坐标向量,uj为节点j的空间坐标向量,||为取模运算。边的特征主要用来表示CFD空间结构信息,因此对于边eij∈E的边特征向量由两部分组成:边的相对空间坐标的向量信息uij=ui-uj以及|uij|。节点特征向量及边特征向量如图2所示。
进一步地,在步骤S2之后,本发明还包括对各节点特征向量及各边特征向量进行归一化,以加速模型收敛。
S3:根据所述待预测图数据,基于场数据预测模型,确定所述待预测图数据中各节点的场数据。所述场数据预测模型为预先采用训练样本集对图神经网络进行训练得到的。所述训练样本集包括样本图数据及样本图数据中各节点的场数据。
具体地,所述场数据预测模型包括节点编码器、边编码器、第一残差多层感知机、第二残差多层感知机及节点解码器。在本实施例中,节点编码器及边编码器均为带Relu激活函数的多层感知机。第一残差多层感知机及第二残差多层感知机均为带残差结构的多层感知机。节点解码器为多层感知机。
如图3所示,步骤S3具体包括:
通过所述节点编码器εv对所述待预测图数据中各节点的节点特征向量进行编码,得到对应各节点的初始嵌入向量v′i:v′i=εv(vi)。
通过所述边编码器εm对所述待预测图数据中各条边的边特征向量进行编码,得到对应各条边的初始嵌入向量e′ij:e′ij=εm(eij)。各节点及各条边的初始嵌入向量如图4所示。
针对第l次迭代,针对所述待预测图数据中的任一条边,根据第l-1次迭代中所述边的嵌入向量及第l-1次迭代中所述边两端节点的嵌入向量,通过所述第一残差多层感知机fm确定第l次迭代中所述边的嵌入向量eij。具体地,将第l-1次迭代中边的嵌入向量与其连接的节点的嵌入向量拼接后输入第一残差多层感知机,得到第l-1次迭代中边的嵌入向量:eij=fm([v′i,v′j,e′ij])。第l-1次迭代中各条边的嵌入向量如图5所示。
针对所述待预测图数据中的任一节点,根据第l-1次迭代中所述节点的嵌入向量及第l次迭代中所述节点所属各条边的嵌入向量,通过所述第二残差多层感知机fv确定第l次迭代中所述节点的嵌入向量v″i。具体地,将第l-1次迭代中节点的嵌入向量与其所有相邻边的第二嵌入向量输入第二残差多层感知机,得到第l次迭代中节点的嵌入向量:vi=fv([v′i,∑jeij])。
以上两次更新完成了一次消息的传递,在完成L次后可以得到节点和边的嵌入向量:和具体地,判断是否达到最大迭代次数,若是,则通过所述节点解码器δv对第l次迭代中各节点的嵌入向量进行解码,得到对应各节点的场数据,否则进行第l+1次迭代。
在本实施例中,图神经网络训练过程中的损失函数为其中,为节点i的预测场数据,qi为节点i的场数据标签。模型训练好后,可以使用场数据预测对稳态CFD仿真的场数据进行推理预测,其推理出的值需要进行反归一化,即可得到预测的场数据。图神经网络的整体结构及训练过程如图6所示。
S4:根据所述待预测图数据中各节点的场数据生成云图。
具体地,在得到场数据后,可以使用几种方式将其输出为云图。如果CFD模型是二维模型,可以直接将场数据与网格输出为高精度图像,方便直接观察。也可以将场数据写成通用的CFD后处理文件,然后使用CFD软件打开,从而看到更详细的信息。如果后处理格式要求场变量与网格单元对应,则需要进行节点平均的逆运算来得到网格单元的场数据值。最终可以直接从CFD前处理文件提取网格和工况数据,生成Tfrecord文件,并将其输入图神经网络中预测CFD模型对应的场数据并且输出到后处理文件中。
本发明引入图卷积神经网络对网格结构特征进行学习,以CFD网格的空间点作为图数据的节点,将边界条件作为节点的特征,CFD网格的各单元的边的几何特征作为图数据边的特征,将CFD节点与边都作为训练时的特征,保证了几何信息的完整性,提高了模型的泛化能力,可以保证模型的预测精度与CFD网格相同。并且对CFD的网格形式与流场维度并没有限制。
综上,本发明的有益效果为:
1、更高的云图精度。相较于使用卷积神经网络来学习结构网格,使用图神经网络可以将非结构网格作为图数据来学习,以此来更好的捕捉流场变化的细节特征。通常在实际CFD仿真中,流场的某些区域的值会有很大的梯度,因此一般会在梯度可能较大的地方使用非常细密的网格,以此提高该区域的仿真精度并且获得更加细节的流场变化,所以CFD网格的密度通常是非常不均匀的。卷积神经网络一般所使用的结构化网格很难对CFD网格密度做到灵活的控制,因此对得到云图的精度会有制约。而本发明采用的图神经网络可以适配非结构化网格,从而使网格的变化更加灵活,因此得到的云图的精度也会更高。
2、模型的预测结果泛化能力更强。本发明在将CFD网格转换为图数据时,除了使用节点特征,还同时使用了边的特征来对网格的结构信息进行完整的保留。相较于通常仅使用节点特征,或者仅使用邻接矩阵和空间结构系数等作为网格结构特征的图卷积神经网络,本发明直接使用网格边的几何信息作为图数据的边特征可以更完整的保存CFD网格的几何信息,并且图数据拓扑结构也更接近于原本的CFD网格,因此在图神经网络模型进行学习与预测时可以根据输入网格的结构给出更稳定的输出,并且根据网格的变化也能预测出具有参考价值的结果。例如可以在模型训练时主要使用网格相对稀疏的CFD数据,并添加少量较密网格的数据进行训练;训练好后,模型可以直接对实际生产中较密网格的CFD云图进行预测,从而来提升训练效率。
3、更好的通用性。本发明通过对CFD前后处理文件的解析,并形成特定的解析规则与数据类型的映射,每次提取数据时仅需指定数据的路径与类型,并最终统一将数据转换为Tfrecord格式,然后由图神经网络进行学习或者预测得到场数据。将场数据输出的结果转换为云图数据,并写入后处理文件中,可以方便后续查看与分析。因此该方法具有良好的通用性。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种CFD仿真云图预测系统。
如图7所示,本实施例提供的CFD仿真云图预测系统包括:数据获取单元1、图数据生成单元2、场数据确定单元3及云图生成单元4。
其中,数据获取单元1用于获取待预测计算流体动力学数据。所述待预测计算流体动力学数据包括多个网格单元及各网格单元中各顶点的工况数据。
图数据生成单元2与所述数据获取单元1连接,图数据生成单元2用于将所述待预测计算流体动力学数据转换为待预测图数据。所述待预测图数据包括多个节点、多条边、各节点的节点特征向量及各条边的边特征向量。
场数据确定单元3与所述图数据生成单元2连接,场数据确定单元3用于根据所述待预测图数据,基于场数据预测模型,确定所述图数据中各节点的场数据。所述场数据预测模型为预先采用训练样本集对图神经网络进行训练得到的。所述训练样本集包括样本图数据及样本图数据中各节点的场数据。
云图生成单元4与所述场数据确定单元3连接,云图生成单元4用于根据所述待预测图数据中各节点的场数据生成云图。
相对于现有技术,本实施例提供的CFD仿真云图预测系统与实施例一提供的CFD仿真云图预测方法的有益效果相同,在此不再赘述。
实施例三
本实施例提供一种电子设备,包括存储器及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使电子设备执行实施例一的CFD仿真云图预测方法。
可选地,上述电子设备可以是服务器。
另外,本发明实施例还提供一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现实施例一的CFD仿真云图预测方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种CFD仿真云图预测方法,其特征在于,所述CFD仿真云图预测方法包括:
获取待预测计算流体动力学数据;所述待预测计算流体动力学数据包括多个网格单元及各网格单元中各顶点的工况数据;
将所述待预测计算流体动力学数据转换为待预测图数据;所述待预测图数据包括多个节点、多条边、各节点的节点特征向量及各条边的边特征向量;
根据所述待预测图数据,基于场数据预测模型,确定所述待预测图数据中各节点的场数据;所述场数据预测模型为预先采用训练样本集对图神经网络进行训练得到的;所述训练样本集包括样本图数据及样本图数据中各节点的场数据;
根据所述待预测图数据中各节点的场数据生成云图。
2.根据权利要求1所述的CFD仿真云图预测方法,其特征在于,将所述待预测计算流体动力学数据转换为待预测图数据,具体包括:
将所述待预测计算流体动力学数据中网格单元的顶点作为图数据的节点,网格单元的边作为图数据的边,确定待预测图数据;待预测图数据中各节点的节点特征向量包括节点类型及对应顶点的工况数据;所述节点类型包括边界区、流入区、流出区、墙;
针对任一条边,根据所述边两端节点的工况数据确定所述边的边特征向量。
3.根据权利要求1所述的CFD仿真云图预测方法,其特征在于,节点i与节点j之间的边的边特征向量为:[ui-uj,|ui-uj|];其中,ui为节点i的空间坐标向量,uj为节点j的空间坐标向量。
4.根据权利要求1所述的CFD仿真云图预测方法,其特征在于,所述场数据预测模型包括节点编码器、边编码器、第一残差多层感知机、第二残差多层感知机及节点解码器;
根据所述待预测图数据,基于场数据预测模型,确定所述待预测图数据中各节点的场数据,具体包括:
通过所述节点编码器对所述待预测图数据中各节点的节点特征向量进行编码,得到对应各节点的初始嵌入向量;
通过所述边编码器对所述待预测图数据中各条边的边特征向量进行编码,得到对应各条边的初始嵌入向量;
针对第l次迭代,针对所述待预测图数据中的任一条边,根据第l-1次迭代中所述边的嵌入向量及第l-1次迭代中所述边两端节点的嵌入向量,通过所述第一残差多层感知机确定第l次迭代中所述边的嵌入向量;0<l;第0次迭代中边的嵌入向量为边的初始嵌入向量;第0次迭代中节点的嵌入向量为节点的初始嵌入向量;
针对所述待预测图数据中的任一节点,根据第l-1次迭代中所述节点的嵌入向量及第l次迭代中所述节点所属各条边的嵌入向量,通过所述第二残差多层感知机确定第l次迭代中所述节点的嵌入向量;
判断是否达到最大迭代次数,若是,则通过所述节点解码器对第l次迭代中各节点的嵌入向量进行解码,得到对应各节点的场数据,否则进行第l+1次迭代。
5.根据权利要求4所述的CFD仿真云图预测方法,其特征在于,所述节点编码器及所述边编码器均为带Relu激活函数的多层感知机。
6.根据权利要求4所述的CFD仿真云图预测方法,其特征在于,所述第一残差多层感知机及所述第二残差多层感知机均为带残差结构的多层感知机。
7.根据权利要求4所述的CFD仿真云图预测方法,其特征在于,所述节点解码器为多层感知机。
8.一种CFD仿真云图预测系统,其特征在于,所述CFD仿真云图预测系统包括:
数据获取单元,用于获取待预测计算流体动力学数据;所述待预测计算流体动力学数据包括多个网格单元及各网格单元中各顶点的工况数据;
图数据生成单元,与所述数据获取单元连接,用于将所述待预测计算流体动力学数据转换为待预测图数据;所述待预测图数据包括多个节点、多条边、各节点的节点特征向量及各条边的边特征向量;
场数据确定单元,与所述图数据生成单元连接,用于根据所述待预测图数据,基于场数据预测模型,确定所述待预测图数据中各节点的场数据;所述场数据预测模型为预先采用训练样本集对图神经网络进行训练得到的;所述训练样本集包括样本图数据及样本图数据中各节点的场数据;
云图生成单元,与所述场数据确定单元连接,用于根据所述待预测图数据中各节点的场数据生成云图。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至7中任一项所述的CFD仿真云图预测方法。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的CFD仿真云图预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211606682.1A CN115983148B (zh) | 2022-12-13 | 2022-12-13 | 一种cfd仿真云图预测方法、系统、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211606682.1A CN115983148B (zh) | 2022-12-13 | 2022-12-13 | 一种cfd仿真云图预测方法、系统、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115983148A true CN115983148A (zh) | 2023-04-18 |
CN115983148B CN115983148B (zh) | 2024-04-12 |
Family
ID=85969218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211606682.1A Active CN115983148B (zh) | 2022-12-13 | 2022-12-13 | 一种cfd仿真云图预测方法、系统、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115983148B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384287A (zh) * | 2023-06-05 | 2023-07-04 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种数据格式转换方法及装置 |
CN117034721A (zh) * | 2023-10-08 | 2023-11-10 | 之江实验室 | 面向芯粒集成设计的图神经网络温度场预测方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859785A (zh) * | 2020-06-30 | 2020-10-30 | 上海交通大学 | 流体特征提取方法、系统、计算机可读存储介质及设备 |
CN113221475A (zh) * | 2021-04-02 | 2021-08-06 | 南京航空航天大学 | 一种用于高精度流场分析的网格自适应方法 |
WO2021179838A1 (zh) * | 2020-03-10 | 2021-09-16 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和系统 |
US20210382963A1 (en) * | 2020-06-08 | 2021-12-09 | Robert Bosch Gmbh | System and method for combining differentiable partial differential equation solvers and graph neural networks for fluid flow prediction |
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 |
CN114595646A (zh) * | 2022-03-18 | 2022-06-07 | 澜途集思生态科技集团有限公司 | 一种基于计算流体动力学的分析方法 |
CN114692523A (zh) * | 2022-03-25 | 2022-07-01 | 中国海洋大学 | 基于图卷积的自适应高维流体动力方程的流速预测方法 |
CN115114865A (zh) * | 2022-06-28 | 2022-09-27 | 安世亚太科技股份有限公司 | 流场数据计算方法、装置、计算设备及存储介质 |
-
2022
- 2022-12-13 CN CN202211606682.1A patent/CN115983148B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021179838A1 (zh) * | 2020-03-10 | 2021-09-16 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和系统 |
US20210382963A1 (en) * | 2020-06-08 | 2021-12-09 | Robert Bosch Gmbh | System and method for combining differentiable partial differential equation solvers and graph neural networks for fluid flow prediction |
CN111859785A (zh) * | 2020-06-30 | 2020-10-30 | 上海交通大学 | 流体特征提取方法、系统、计算机可读存储介质及设备 |
CN113221475A (zh) * | 2021-04-02 | 2021-08-06 | 南京航空航天大学 | 一种用于高精度流场分析的网格自适应方法 |
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 |
CN114595646A (zh) * | 2022-03-18 | 2022-06-07 | 澜途集思生态科技集团有限公司 | 一种基于计算流体动力学的分析方法 |
CN114692523A (zh) * | 2022-03-25 | 2022-07-01 | 中国海洋大学 | 基于图卷积的自适应高维流体动力方程的流速预测方法 |
CN115114865A (zh) * | 2022-06-28 | 2022-09-27 | 安世亚太科技股份有限公司 | 流场数据计算方法、装置、计算设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
崔嘉 等: "基于改进CFD与小波混合神经网络组合的风电场功率预测方法", 电网技术, no. 01, 5 January 2017 (2017-01-05) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384287A (zh) * | 2023-06-05 | 2023-07-04 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种数据格式转换方法及装置 |
CN117034721A (zh) * | 2023-10-08 | 2023-11-10 | 之江实验室 | 面向芯粒集成设计的图神经网络温度场预测方法和装置 |
CN117034721B (zh) * | 2023-10-08 | 2024-01-02 | 之江实验室 | 面向芯粒集成设计的图神经网络温度场预测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115983148B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311685B (zh) | 一种基于imu与单目图像的运动场景重构无监督方法 | |
CN115983148A (zh) | 一种cfd仿真云图预测方法、系统、电子设备及介质 | |
CN111414987B (zh) | 神经网络的训练方法、训练装置和电子设备 | |
CN111506814B (zh) | 一种基于变分自注意力网络的序列推荐方法 | |
CN112163601A (zh) | 图像分类方法、系统、计算机设备及存储介质 | |
CN114820871B (zh) | 字体生成方法、模型的训练方法、装置、设备和介质 | |
CN113627093B (zh) | 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法 | |
CN115544264B (zh) | 知识驱动的桥梁建造数字孪生场景智能构建方法及系统 | |
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 | |
CN111738435A (zh) | 一种基于移动设备的在线稀疏训练方法及系统 | |
CN113920379B (zh) | 一种基于知识辅助的零样本图像分类方法 | |
CN110489348B (zh) | 一种基于迁移学习的软件功能缺陷挖掘方法 | |
CN116662674A (zh) | 一种基于高效马尔科夫毯学习机制的服务推荐方法及系统 | |
CN108376283B (zh) | 用于神经网络的池化装置和池化方法 | |
WO2022127603A1 (zh) | 一种模型处理方法及相关装置 | |
CN115438575A (zh) | 一种用于高精度翼型流场预测的分析方法 | |
CN116364203A (zh) | 一种基于深度学习的水质预测方法、系统和装置 | |
CN112800690B (zh) | 一种基于群智能优化算法下的水下折展机构参数优化方法 | |
CN115311598A (zh) | 基于关系感知的视频描述生成系统 | |
CN114692529A (zh) | 一种cfd高维响应的不确定度量化方法、装置、计算机设备 | |
CN113706347A (zh) | 一种多任务模型蒸馏方法、系统、介质及电子终端 | |
CN115995085A (zh) | 一种复杂版面图文识别学科类知识图谱嵌入学习方法 | |
CN114091429A (zh) | 基于异构图神经网络的文本摘要生成方法及系统 | |
CN114495193A (zh) | 一种头部姿态估计方法、装置、设备及可读存储介质 | |
CN116958041A (zh) | 一种产品缺陷检测方法、装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |