CN116168179A - 一种网格生成方法及系统 - Google Patents

一种网格生成方法及系统 Download PDF

Info

Publication number
CN116168179A
CN116168179A CN202310190207.9A CN202310190207A CN116168179A CN 116168179 A CN116168179 A CN 116168179A CN 202310190207 A CN202310190207 A CN 202310190207A CN 116168179 A CN116168179 A CN 116168179A
Authority
CN
China
Prior art keywords
grid
long
memory network
short
term memory
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
Application number
CN202310190207.9A
Other languages
English (en)
Inventor
阳爱民
曾培健
覃冠球
李顺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202310190207.9A priority Critical patent/CN116168179A/zh
Publication of CN116168179A publication Critical patent/CN116168179A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G06T17/205—Re-meshing
    • 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
    • G06N3/08—Learning methods
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Graphics (AREA)
  • Biophysics (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及网格生成领域，公开了一种网格生成方法及系统，所述方法包括：获取初始网格信息文件；所述初始网格信息包括四边形网格及其与上、下、左和右节点之间的位置信息；构建网格生成模型，所述网格生成模型包括依次连接的第一长短期记忆网络和深度神经网络；将初始网格信息文件输入训练好的网格生成模型中，利用第一长短期记忆网络对所述初始网格信息文件进行语义信息嵌入，生成网格参数矩阵；将所述网格参数矩阵传输至深度神经网络学习网格参数信息，生成网格划分信息文件。本发明提高了网格生成的精度和效率。

Description

一种网格生成方法及系统
技术领域
本发明涉及网格生成领域，更具体地，涉及一种网格生成方法及系统。
背景技术
在现代CFD(ComputationalFluidDynamic，计算流体力学)应用中，自动生成高质量的复杂构型网格仍然是一个重大的挑战。
目前自动生成部件结构网格方法主要是通过设计人员使用通用CAD建模软件进行三维建模，然后通过网格划分对部件结构模型进行划分，最后通过迭代计算，分析输出结果。然而，传统的网格划分方法效果有限，需要大量的人工操作和迭代计算，网格生成效率低，且生成的网格的精度较低。
发明内容
本发明为克服现有技术存在的网格生成效率和精度低的缺陷，提供一种网格生成方法及系统。
为解决上述技术问题，本发明的技术方案如下：
第一个方面，本发明提出一种网格生成方法，包括以下步骤：
S1：获取初始网格信息文件。所述初始网格信息包括四边形网格及其与上、下、左和右节点之间的位置信息。
S2：构建网格生成模型，所述网格生成模型包括依次连接的第一长短期记忆网络和深度神经网络。
S3：将初始网格信息文件输入训练好的网格生成模型中，利用第一长短期记忆网络对所述初始网格信息文件进行语义信息嵌入，生成网格参数矩阵。将所述网格参数矩阵传输至深度神经网络学习网格参数信息，生成网格划分信息文件。
作为优选的技术方案，所述第一长短期记忆网络包括N层依次连接的第二长短期记忆网络；所述第二长短期记忆网络包括上层长短期记忆网络、下层长短期记忆网络、左层长短期记忆网络、右层长短期记忆网络和中间层长短期记忆网络；所述中间层长短期记忆网络设置有4个输入端，中间层长短期记忆网络的4个输入端分别与上层长短期记忆网络、下层长短期记忆网络、左层长短期记忆网络和右层长短期记忆网络的输出端连接。
作为优选的技术方案，S4中，利用第一长短期记忆网络对所述初始网格信息文件进行语义信息嵌入，生成网格参数矩阵Q，具体表达式如下所示：
Figure BDA0004105175020000021
Figure BDA0004105175020000022
ct＝f⊙ct-1+g⊙i
ht＝o⊙tanh(ct)
Figure BDA0004105175020000023
Q＝[R1,...,Rk]
其中，f表示第二长短期记忆网络中遗忘门的输出，g表示向第二长短期记忆网络的记忆单元添加的新信息，ct为当前时刻的记忆单元，ht为第二长短期记忆网络中在当前时刻的隐藏状态输出，Rk表示在网格位置为k的网格的学习到的参数，σ(·)表示sigmoid函数，
Figure BDA0004105175020000024
和
Figure BDA0004105175020000025
分别为上层长短期记忆网络、下层长短期记忆网络、左层长短期记忆网络和右层长短期记忆网络在t-1时刻的隐藏状态输出，
Figure BDA0004105175020000026
和
Figure BDA0004105175020000027
分别为上层长短期记忆网络、下层长短期记忆网络、左层长短期记忆网络和右层长短期记忆网络在t-1时刻状态的隐藏状态权重，X为第一长短期记忆网络的原始输入向量，WX为原始输入向量的权重，b为偏置，i为第二长短期记忆网络的输入，o为第二长短期记忆网络的输出，
Figure BDA0004105175020000028
为中间层长短期记忆网络输出的中间向量，
Figure BDA0004105175020000029
和
Figure BDA00041051750200000210
分别为上层长短期记忆网络、下层长短期记忆网络、左层长短期记忆网络和右层长短期记忆网络输出的中间向量。
作为优选的技术方案，在S2之后，S3之前，所述方法还包括：利用所述初始网格信息文件构建数据集，并将数据集划分为训练集、验证集和测试集；利用所述训练集和所述验证集对所述网格生成模型进行训练和调参，直至网格生成模型的损失函数收敛，得到训练好的网格生成模型；
所述网格生成模型的的损失函数的表达式如下所示：
Figure BDA00041051750200000211
Figure BDA00041051750200000212
其中，
Figure BDA0004105175020000031
为第j个网格预测结果yj与网格标签结果qj的误差损失，
Figure BDA0004105175020000032
为正则化函数，Ω为正则化项，Jj为第j个网格的雅可比比率，Hj为第j个网格的宽高比，Tj为第j个网格的网格锥度；
Figure BDA0004105175020000033
Figure BDA0004105175020000034
f(xi)为网络预测函数，γ为惩罚函数，λ为正则化率，K代表网格节点数量w代表网格节点对应权重。
作为优选的技术方案，第j个网格的雅可比比率Jj的表达式如下所示：
Figure BDA0004105175020000035
其中，x为单元变换后网格的横坐标，y为单元变换后网格的纵坐标，ξ为单元变换前网格的横坐标，η为单元变换前网格的横坐标；
第j个网格的宽高比Hj的表达式如下所示：
Figure BDA0004105175020000036
其中，h1为网格的宽，h2为网格的高；
第j个网格的网格锥度Tj的表达式如下所示：
Tj＝∑|(Aj-Aavg)/Aavg|max，j＝1,2,3,4
Aavg＝(A1+A2+A3+A4)/4
其中，A1为网格中右对角连线上半部分的面积，A2为网格中右对角连线下半部分的面积，A3为网格中左对角连线上半部分的面积，A4为网格中左对角连线下半部分的面积，Aavg为A1，A2，A3和A4的加权平均面积。
作为优选的技术方案，S4中，将所述网格参数矩阵传输至深度神经网络学习网格参数信息，生成网格划分信息文件，其表达式如下所示：
Figure BDA0004105175020000041
其中，
Figure BDA0004105175020000042
为输出的含有网格信息的参数矩阵，
Figure BDA0004105175020000043
为输入深度神经网络隐藏层的参数矩阵Q，
Figure BDA0004105175020000044
为输入深度神经网络隐藏层的初始网格信息矩阵，
Figure BDA0004105175020000045
为深度神经网络隐藏层的偏置矩阵。
作为优选的技术方案，在获取初始网格信息文件之后，所述方法还包括：对初始网格信息文件进行去除噪声操作，具体为：将网格节点类型和网格节点存储信息以外的信息剔除。
作为优选的技术方案，所述语义信息包括应力特征层信息、应变特征层信息和位移特征层信息。
作为优选的技术方案，S1中，利用筛选器从OpenFOAM中的turotial筛选获取初始网格信息文件，所述初始网格信息文件包括turotial中所有案例类型的网格信息文件。
第二个方面，本发明还提出一种网格生成系统，包括：
获取模块，用于获取初始网格信息文件。所述初始网格信息包括四边形网格及其与上、下、左和右节点之间的位置信息。
构建模块，用于构建网格生成模型，所述网格生成模型包括依次连接的第一长短期记忆网络和深度神经网络。
生成模块，用于将初始网格信息文件输入训练好的网格生成模型中，利用第一长短期记忆网络对所述初始网格信息文件进行语义信息嵌入，生成网格参数矩阵。将所述网格参数矩阵传输至深度神经网络学习网格参数信息，生成网格划分信息文件。
与现有技术相比，本发明技术方案的有益效果是：本发明通过获取四边形网格及其上下左右节点之间的信息作为输入，使用第一长短期记忆网络来嵌入初始网格信息文件的语义信息，模拟了仿真四边形网格与其上下左右节点之间的相互信息关系，使得生成的网格更加准确和精确，且大大减少了计算量，缩短计算时间，实现网格自动化生成，省去了人工划分网格的操作，提高了网格生成效率。
附图说明
图1为本申请实施例中网格生成方法的流程图。
图2为本申请实施例中第一长短期记忆网络的结构示意图。
图3为本申请实施例中第一长短期记忆网络进行语义信息嵌入的原理图。
图4为本申请实施例中网格生成系统的架构图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例一
请参阅图1，本实施例提出一种网格生成方法，包括以下步骤：
S1：获取初始网格信息文件。所述初始网格信息包括四边形网格及其与上、下、左和右节点之间的位置信息。
S2：构建网格生成模型，所述网格生成模型包括依次连接的第一长短期记忆网络和深度神经网络。
S3：将初始网格信息文件输入训练好的网格生成模型中，利用第一长短期记忆网络对所述初始网格信息文件进行语义信息嵌入，生成网格参数矩阵。将所述网格参数矩阵传输至深度神经网络学习网格参数信息，生成网格划分信息文件。
本实施例所提出的网格生成方法，通过获取四边形网格及其上下左右节点之间的信息作为输入，使用第一长短期记忆网络来嵌入初始网格信息文件的语义信息，模拟了仿真四边形网格与其上下左右节点之间的相互信息关系，使得生成的网格更加准确和精确，且大大减少了计算量，缩短计算时间，实现网格自动化生成，省去了人工划分网格的操作，提高了网格生成效率。
实施例二
本实施例在实施例一提出的网格生成方法的基础上作出改进，包括：
S1：获取初始网格信息文件。所述初始网格信息包括四边形网格及其与上、下、左和右节点之间的位置信息。
本实施例中，利用筛选器从OpenFOAM中的turotial中存储网格信息的.cwenjian筛选读取初始网格信息文件，所述初始网格信息文件包括turotial中所有案例类型的网格信息文件。然后对初始网格信息文件进行去除噪声操作，具体为：将网格节点类型和网格节点存储信息以外的信息剔除。
S2：构建网格生成模型，所述网格生成模型包括依次连接的第一长短期记忆网络和深度神经网络。
如图2所示，本实施例中，所述第一长短期记忆网络包括N层依次连接的第二长短期记忆网络；所述第二长短期记忆网络包括上层长短期记忆网络、下层长短期记忆网络、左层长短期记忆网络、右层长短期记忆网络和中间层长短期记忆网络；所述中间层长短期记忆网络设置有4个输入端，中间层长短期记忆网络的4个输入端分别与上层长短期记忆网络、下层长短期记忆网络、左层长短期记忆网络和右层长短期记忆网络的输出端连接。
由于四边形网格的上下左右各有一邻近网格单元，本实施例将邻近网格单元对中间网格单元所产生的影响也考虑进去，包括组成网格的结点，故设计了第二长短期记忆网络中上、下、左和右层长短期记忆网络来处理对应各网格单元不同方向的信息。第二长短期记忆网络中上层长短期记忆网络、下层长短期记忆网络、左层长短期记忆网络、右层长短期记忆网络都单独输入一个初始网格信息文件进行运算，且上、下、左和右层长短期记忆网络将运算结果输入到中间层长短期记忆网络。
S3：对所述网格生成模型进行训练，直至所述网格生成模型的损失函数收敛，得到训练好的网格生成模型。
本实施例中，利用获取的初始网格信息文件作为数据集，并将数据集按6:1:3的比例划分为json格式的训练集、验证集和测试集。
本实施例中，所述网格生成模型的损失函数的表达式如下所示：
Figure BDA0004105175020000061
Figure BDA0004105175020000071
其中，
Figure BDA0004105175020000072
为第j个网格预测结果yj与网格标签结果qj的误差损失，
Figure BDA0004105175020000073
为正则化函数，Ω为正则化项，Jj为第j个网格的雅可比比率，Hj为第j个网格的宽高比，Tj为第j个网格的网格锥度。
Figure BDA0004105175020000074
Figure BDA0004105175020000075
f(xi)为网络预测函数，γ为惩罚函数，λ为正则化率，K代表网格节点数量w代表网格节点对应权重。
本实施例中，第j个网格的雅可比比率Jj的表达式如下所示：
Figure BDA0004105175020000076
其中，x为单元变换后网格的横坐标，y为单元变换后网格的纵坐标，ξ为单元变换前网格的横坐标，η为单元变换前网格的横坐标。
雅可比比率为坐标系变换后单位微元的比率，在数学上表现为单元的每一处积分点计算雅可比矩阵的行列式(自由坐标下的理想单元映射到全局坐标下的实际形状)。
本实施例中，第j个网格的宽高比Hj的表达式如下所示：
Figure BDA0004105175020000077
其中，h1为网格的宽，h2为网格的高。
四边形网格单元的宽高比为各对边中点的连线的长度的比值，网格宽高比理想值为1，可接受值为(0,8)。
本实施例中，第j个网格的网格锥度Tj的表达式如下所示：
Figure BDA0004105175020000081
Aavg＝(A1+A2+A3+A4)/4
其中，A1为网格中右对角连线上半部分的面积，A2为网格中右对角连线下半部分的面积，A3为网格中左对角连线上半部分的面积，A4为网格中左对角连线下半部分的面积，Aavg为A1，A2，A3和A4的加权平均面积。
网格锥度锥度理想值为0，可接受值为[0,0.5)。
在具体实施过程中，以四边形网格为主，通过损失函数去检验网格生成质量，假设该生成过程存在局部或者全局最优解，通过梯度下降不断降低损失函数的值来找到客观存在的“最优解”，在不更改网格节点总数的情况下对现有网格划分情况进行二次划分，以达到在力学性能关键区域能达到收敛，同时也保证了计算量的不会二次提高。
S4：将初始网格信息文件输入训练好的网格生成模型中，利用第一长短期记忆网络对所述初始网格信息文件进行语义信息嵌入，生成网格参数矩阵。将所述网格参数矩阵传输至深度神经网络学习网格参数信息，生成网格划分信息文件。
如图2和图3所示，本实施例中，首先定义初始网格信息文件的输入向量X，其表达式如下所示：
X＝[vx,vy,h1,h2,h3,h4,xcells,ycells,sx,sy]
其中，vx和vy分别为四边形网格四个顶点的横坐标和纵坐标；h1,h2,h3和h4为四边形网格的四个顶点信息；xcells和ycells分别为X和Y方向上几何图形的网格数，sx和sy分别表示X和Y方向上的网格拉伸或缩减的程度。
利用第一长短期记忆网络对所述初始网格信息文件进行语义信息嵌入，生成网格参数矩阵Q，其表达式如下所示：
第二长短期记忆网络中遗忘门的输出f为：
Figure BDA0004105175020000082
向第二长短期记忆网络的记忆单元添加的新信息g为：
Figure BDA0004105175020000083
输入i为：
Figure BDA0004105175020000084
输出o为：
Figure BDA0004105175020000091
当前时刻的记忆单元ct为：
ct＝f⊙ct-1+g⊙i
第二长短期记忆网络中在当前时刻的隐藏状态输出ht为：
ht＝o⊙tanh(ct)
由于第一长短期记忆网络使每一层的向量都使用，因此通过一个N层的网络会产生4N+1个表征(每一层各方向上共四个向量，初始输入一个向量，共有5个),因此，在网格位置为k的网格的学习到的参数Rk为：
Figure BDA0004105175020000092
定义网格参数矩阵Q为：
Q＝[R1,...,Rk]
其中，
Figure BDA0004105175020000093
和
Figure BDA0004105175020000094
分别为上层长短期记忆网络、下层长短期记忆网络、左层长短期记忆网络和右层长短期记忆网络在t-1时刻的隐藏状态输出，
Figure BDA0004105175020000095
和
Figure BDA0004105175020000096
分别为上层长短期记忆网络、下层长短期记忆网络、左层长短期记忆网络和右层长短期记忆网络在t-1时刻状态的隐藏状态权重，X为第一长短期记忆网络的原始输入向量，WX为原始输入向量的权重，b为偏置，i表示第二长短期记忆网络的输入，o表示第二长短期记忆网络的输出，
Figure BDA00041051750200000912
为中间层长短期记忆网络输出的中间向量，
Figure BDA0004105175020000097
和
Figure BDA0004105175020000098
分别为上层长短期记忆网络、下层长短期记忆网络、左层长短期记忆网络和右层长短期记忆网络输出的中间向量，σ(·)表示sigmoid函数。
本实施例中，将所述网格参数矩阵传输至深度神经网络学习网格参数信息，生成网格划分信息文件，其表达式如下所示：
Figure BDA0004105175020000099
其中，
Figure BDA00041051750200000910
为输出的含有网格信息的参数矩阵，
Figure BDA00041051750200000911
为输入深度神经网络隐藏层的参数矩阵Q，
Figure BDA0004105175020000101
为输入深度神经网络隐藏层的初始网格信息矩阵，
Figure BDA0004105175020000102
为深度神经网络隐藏层的偏置矩阵。
本实施例中，所述语义信息包括应力特征层信息、应变特征层信息和位移特征层信息。通过第一长短期记忆网络对去除噪声的文件进行Emedding嵌入3层语义信息。此处网格参数矩阵Q内置了网格中的内在语义，起到预训练作用，避免随机初始化深度神经网络中的参数矩阵所导致后期无法找到自适应网格的最优解。
本实施例所提出的网格生成方法，通过获取四边形网格及其上下左右节点之间的信息作为输入，使用第一长短期记忆网络来嵌入初始网格信息文件的语义信息，模拟了仿真四边形网格与其上下左右节点之间的相互信息关系，使得生成的网格更加准确和精确，且大大减少了计算量，缩短计算时间，实现网格自动化生成，省去了人工划分网格的操作，提高了网格生成效率。通过损失函数去检验网格生成质量，假设该生成过程存在局部或者全局最优解，通过损失函数对该过程不断优化，在不更改网格节点总数的情况下对现有网格划分情况进行二次划分，以达到在力学性能关键区域能达到收敛，同时也保证了计算量的不会二次提高，进一步提高了网格生成效率。
实施例3
本实施例提出一种网格生成系统，包括：
获取模块，用于获取初始网格信息文件。所述初始网格信息包括四边形网格及其与上、下、左和右节点之间的位置信息。
构建模块，用于构建网格生成模型，所述网格生成模型包括依次连接的第一长短期记忆网络和深度神经网络。
生成模块，用于将初始网格信息文件输入训练好的网格生成模型中，利用第一长短期记忆网络对所述初始网格信息文件进行语义信息嵌入，生成网格参数矩阵。将所述网格参数矩阵传输至深度神经网络学习网格参数信息，生成网格划分信息文件。
本实施例所提出的网格生成系统，通过获取四边形网格及其上下左右节点之间的信息作为输入，使用第一长短期记忆网络来嵌入初始网格信息文件的语义信息，模拟了仿真四边形网格与其上下左右节点之间的相互信息关系，使得生成的网格更加准确和精确，且大大减少了计算量，缩短计算时间，实现网格自动化生成，省去了人工划分网格的操作，提高了网格生成效率。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种网格生成方法，其特征在于，包括：
S1：获取初始网格信息文件；所述初始网格信息包括四边形网格及其与上、下、左和右节点之间的位置信息；
S2：构建网格生成模型，所述网格生成模型包括依次连接的第一长短期记忆网络和深度神经网络；
S3：将初始网格信息文件输入训练好的网格生成模型中，利用第一长短期记忆网络对所述初始网格信息文件进行语义信息嵌入，生成网格参数矩阵；将所述网格参数矩阵传输至深度神经网络学习网格参数信息，生成网格划分信息文件。
2.根据权利要求1所述的网格生成方法，其特征在于，所述第一长短期记忆网络包括N层依次连接的第二长短期记忆网络；
所述第二长短期记忆网络包括上层长短期记忆网络、下层长短期记忆网络、左层长短期记忆网络、右层长短期记忆网络和中间层长短期记忆网络；所述中间层长短期记忆网络设置有4个输入端，中间层长短期记忆网络的4个输入端分别与上层长短期记忆网络、下层长短期记忆网络、左层长短期记忆网络和右层长短期记忆网络的输出端连接。
3.根据权利要求2所述的网格生成方法，其特征在于，S4中，利用第一长短期记忆网络对所述初始网格信息文件进行语义信息嵌入，生成网格参数矩阵Q，具体表达式如下所示：
Figure FDA0004105175010000011
Figure FDA0004105175010000012
ct＝f⊙ct-1+g⊙i
ht＝o⊙tanh(ct)
Figure FDA0004105175010000013
Q＝[R1,...,Rk]
其中，f表示第二长短期记忆网络中遗忘门的输出，g表示向第二长短期记忆网络的记忆单元添加的新信息，ct为当前时刻的记忆单元，ht为第二长短期记忆网络中在当前时刻的隐藏状态输出，Rk表示在网格位置为k的网格的学习到的参数，σ(·)表示sigmoid函数，
Figure FDA0004105175010000014
和
Figure FDA0004105175010000015
分别为上层长短期记忆网络、下层长短期记忆网络、左层长短期记忆网络和右层长短期记忆网络在t-1时刻的隐藏状态输出，
Figure FDA0004105175010000021
和
Figure FDA0004105175010000022
分别为上层长短期记忆网络、下层长短期记忆网络、左层长短期记忆网络和右层长短期记忆网络在t-1时刻状态的隐藏状态权重，X为第一长短期记忆网络的原始输入向量，WX为原始输入向量的权重，b为偏置，i为第二长短期记忆网络的输入，o为第二长短期记忆网络的输出，
Figure FDA0004105175010000023
为中间层长短期记忆网络输出的中间向量，
Figure FDA0004105175010000024
和
Figure FDA0004105175010000025
分别为上层长短期记忆网络、下层长短期记忆网络、左层长短期记忆网络和右层长短期记忆网络输出的中间向量。
4.根据权利要求1所述的网格生成方法，其特征在于，在S2之后，S3之前，所述方法还包括：利用所述初始网格信息文件构建数据集，并将数据集划分为训练集、验证集和测试集；利用所述训练集和所述验证集对所述网格生成模型进行训练和调参，直至网格生成模型的损失函数收敛，得到训练好的网格生成模型；
所述网格生成模型的的损失函数的表达式如下所示：
Figure FDA0004105175010000026
Figure FDA0004105175010000027
其中，
Figure FDA0004105175010000028
为第j个网格预测结果yj与网格标签结果qj的误差损失，
Figure FDA0004105175010000029
为正则化函数，Ω为正则化项，Jj为第j个网格的雅可比比率，Hj为第j个网格的宽高比，Tj为第j个网格的网格锥度；
Figure FDA00041051750100000210
Figure FDA00041051750100000211
f(xi)为网络预测函数，γ为惩罚函数，λ为正则化率，K代表网格节点数量w代表网格节点对应权重。
5.根据权利要求4所述的网格生成方法，其特征在于，第j个网格的雅可比比率Jj的表达式如下所示：
Figure FDA0004105175010000031
其中，x为单元变换后网格的横坐标，y为单元变换后网格的纵坐标，ξ为单元变换前网格的横坐标，η为单元变换前网格的横坐标；
第j个网格的宽高比Hj的表达式如下所示：
Figure FDA0004105175010000032
其中，h1为网格的宽，h2为网格的高；
第j个网格的网格锥度Tj的表达式如下所示：
Tj＝∑|(Aj-Aavg)/Aavg|max，j＝1,2,3,4
Aavg＝(A1+A2+A3+A4)/4
其中，A1为网格中右对角连线上半部分的面积，A2为网格中右对角连线下半部分的面积，A3为网格中左对角连线上半部分的面积，A4为网格中左对角连线下半部分的面积，Aavg为A1，A2，A3和A4的加权平均面积。
6.根据权利要求5所述的网格生成方法，其特征在于，S4中，将所述网格参数矩阵传输至深度神经网络学习网格参数信息，生成网格划分信息文件，其表达式如下所示：
Figure FDA0004105175010000033
其中，
Figure FDA0004105175010000034
为输出的含有网格信息的参数矩阵，
Figure FDA0004105175010000035
为输入深度神经网络隐藏层的参数矩阵Q，
Figure FDA0004105175010000041
为输入深度神经网络隐藏层的初始网格信息矩阵，
Figure FDA0004105175010000042
为深度神经网络隐藏层的偏置矩阵。
7.根据权利要求1所述的网格生成方法，其特征在于，在获取初始网格信息文件之后，所述方法还包括：对初始网格信息文件进行去除噪声操作，具体为：将网格节点类型和网格节点存储信息以外的信息剔除。
8.根据权利要求1所述的网格生成方法，其特征在于，所述语义信息包括应力特征层信息、应变特征层信息和位移特征层信息。
9.根据权利要求1所述的网格生成方法，其特征在于，S1中，利用筛选器从OpenFOAM中的turotial筛选获取初始网格信息文件，所述初始网格信息文件包括turotial中所有案例类型的网格信息文件。
10.一种网格生成系统，其特征在于，包括：
获取模块，用于获取初始网格信息文件；所述初始网格信息包括四边形网格及其与上、下、左和右节点之间的位置信息；
构建模块，用于构建网格生成模型，所述网格生成模型包括依次连接的第一长短期记忆网络和深度神经网络；
生成模块，用于将初始网格信息文件输入训练好的网格生成模型中，利用第一长短期记忆网络对所述初始网格信息文件进行语义信息嵌入，生成网格参数矩阵；将所述网格参数矩阵传输至深度神经网络学习网格参数信息，生成网格划分信息文件。
CN202310190207.9A 2023-02-28 2023-02-28 一种网格生成方法及系统 Pending CN116168179A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310190207.9A CN116168179A (zh) 2023-02-28 2023-02-28 一种网格生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310190207.9A CN116168179A (zh) 2023-02-28 2023-02-28 一种网格生成方法及系统

Publications (1)

Publication Number Publication Date
CN116168179A true CN116168179A (zh) 2023-05-26

Family

ID=86414641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310190207.9A Pending CN116168179A (zh) 2023-02-28 2023-02-28 一种网格生成方法及系统

Country Status (1)

Country Link
CN (1) CN116168179A (zh)

Similar Documents

Publication Publication Date Title
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
CN109102126B (zh) 一种基于深度迁移学习的理论线损率预测模型
CN112927357B (zh) 一种基于动态图网络的3d物体重建方法
CN111860828B (zh) 一种神经网络的训练方法、存储介质和设备
CN109783910B (zh) 一种利用生成对抗网络加速的结构优化设计方法
CN113688869B (zh) 一种基于生成对抗网络的光伏数据缺失重构方法
CN111027772A (zh) 基于pca-dbilstm的多因素短期负荷预测方法
CN114006370B (zh) 一种电力系统暂态稳定分析评估方法及系统
CN108710906A (zh) 基于轻量级网络LightPointNet的实时点云模型分类方法
CN110083125A (zh) 一种基于深度学习的机床热误差建模方法
CN110289987B (zh) 基于表征学习的多智能体系统网络抗攻击能力评估方法
CN110414718A (zh) 一种深度学习下的配电网可靠性指标优化方法
CN115983148B (zh) 一种cfd仿真云图预测方法、系统、电子设备及介质
CN111488974B (zh) 基于深度学习神经网络的海洋风能降尺度方法
CN118332937B (zh) 一种新能源气象大模型构建方法、装置及功率预测方法
CN117854643B (zh) 一种基于图形神经网络的mems膜仿真方法及系统
CN113065321B (zh) 基于lstm模型和超图的用户行为预测方法及系统
CN112183721B (zh) 一种基于自适应差分进化的组合水文预测模型的构建方法
CN111859785B (zh) 流体特征提取方法、系统、计算机可读存储介质及设备
CN117634316A (zh) 一种工程装备级仿真过程用数字孪生模型的构建方法
CN117543537A (zh) 一种代理购电用户电量预测方法、装置、存储介质
CN115310209B (zh) 基于vae的气动形状迁移优化方法及相关装置
CN116826734A (zh) 一种基于多输入模型的光伏发电功率预测方法及装置
CN111709275B (zh) 一种用于Affordance推理的深度网络构建方法
CN116168179A (zh) 一种网格生成方法及系统

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