CN116205155A - 基于数字孪生的推板窑流场数据预测方法、装置 - Google Patents

基于数字孪生的推板窑流场数据预测方法、装置 Download PDF

Info

Publication number
CN116205155A
CN116205155A CN202310061698.7A CN202310061698A CN116205155A CN 116205155 A CN116205155 A CN 116205155A CN 202310061698 A CN202310061698 A CN 202310061698A CN 116205155 A CN116205155 A CN 116205155A
Authority
CN
China
Prior art keywords
data
flow field
pushed slab
prediction
model
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
CN202310061698.7A
Other languages
English (en)
Inventor
武频
吉潞潞
甄强
唐甜甜
张吉清
唐琪
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and 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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202310061698.7A priority Critical patent/CN116205155A/zh
Publication of CN116205155A publication Critical patent/CN116205155A/zh
Pending legal-status Critical Current

Links

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
    • G06F30/28—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
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明公开了一种基于数字孪生的推板窑流场数据预测方法、装置、电子设备及存储介质。方法包括获取所述推板窑的CFD流场数据；对所述CFD流场数据进行降维处理，得到低维数据；基于所述低维数据对初始的流场预测模型进行训练，得到训练后的流场预测模型；基于所述训练后的流场预测模型对实时采集的所述推板窑的运行数据进行预测，得到基态预测数据；基于所述基态预测数据和所述低维数据进行重构，预测得到所述推板窑的流场数据。该方法可以在生产现场提供快速响应预测得到推板窑的流场数据。

Description

基于数字孪生的推板窑流场数据预测方法、装置
技术领域
本发明属于数据处理领域，涉及一种基于数字孪生的推板窑流场数据预测方法、装置、电子设备及存储介质。
背景技术
推板窑是一种连续加热烧结设备，通过根据烧结产品的工艺要求，安排所需的温度以满足产品的热需求，其工作过程是一个典型的多学科耦合过程，涉及物理、力学和传热等相关理论知识。推板窑内部温度场和压力场的状态对于生产的远程监控和实时调节具有重要的应用价值。炉窑故障会导致生产力和利润的巨大损失。然而，当前的制造业通常仅通过传感器测量有限点位的温度来确定推板窑是否正常运行，这是非常不直观的，数字化程度低，不能表示出整个推板窑内部的流场分布。数字孪生的概念为推板窑的建模、分析和监控提供了有效的技术工具。
数字孪生本质上是物理对象的模拟模型，与静态模拟不同，它可以通过从物理对象接收数据来实时进化，从而在整个生命周期中与物理对象保持一致。数字孪生——机器或系统的精确虚拟拷贝——正在彻底改变行业。在现有技术中，Wang等人以模切机为例构建了一个数字孪生五维模型，将相互隔离的机器连接到一个互联系统，以显示机器的实时状态；Xie等人针对工具生命周期的每个状态提出了一个数字孪生驱动的数据流框架，以确保工具持续改进的过程和潜力。
高精度仿真是实现数字孪生的基础。随着计算机技术和数值计算技术的发展，计算流体动力学(CFD)为研究复杂系统中的流体流动提供了一种替代方法，并广泛应用于许多领域，包括航空航天工程、环境科学、生物医学和工业设计。Refaey等人使用ANSYSFLUENT软件包模拟隧道窑冷却区的对流热和流体流动，与物理制造系统相比，CFD的成本和安全性显著降低，是解决产品和生产开发的早期设计和工程问题的重要工具。但该类方案的数值模拟计算量大，而重要设备的高保真建模和仿真、高置信度仿真预测和高实时数据交互是在生产过程中建立数字孪生的过程中的挑战，高精度数值模拟的计算过程需要大量的计算资源，特别是当需要求解的流场数量巨大时，在工程中，时间消耗通常是不可接受的。
近年来，CFD与机器学习的结合推动了CFD的发展，为该领域带来了新的视角和研究方法，使该领域获得了新的活力和良好的发展前景。机器学习需要大量的数据。CFD结合高性能计算机进行大量计算变成数据库后再建模，对CFD技术是一个比较大的推动，Gockel等人使用飞行过程中记录的飞行参数建立飞机的CFD模型，以评估飞机满足任务要求的能力；Sun等人使用翼型数据库训练人工神经网络，以实现翼型的数据驱动建模和快速逆设计。Roberto Molinaro等人使用多项式回归、多元自适应回归样条、随机森林和完全连接的神经网络对模拟数字孪生进行数据驱动建模；Gianmarco Aversano等人使用POD-Kriging方法构建了一个在无焰燃烧条件下运行的数字双炉，以预测新运行条件下的燃烧数据。然而，在新兴的数字孪生中，需要依靠包括模拟、实际测量和数据分析在内的手段来感知物理实体的状态并实时监控设备，现有的CFD与机器学习的结合方案，无法实现这一感知物理实体的状态并实时监控设备这一效果。
发明内容
本发明所要解决的技术问题是提供一种基于数字孪生的推板窑流场数据预测方法，该方法能快速、准确的预测得到数字孪生的推板窑流场数据。
发明的技术解决方案如下：
第一方面，提出一种基于数字孪生的推板窑流场数据预测方法，包括：
获取所述推板窑的CFD流场数据；
对所述CFD流场数据进行降维处理，得到低维数据；
基于所述低维数据对初始的流场预测模型进行训练，得到训练后的流场预测模型；
基于所述训练后的流场预测模型对实时采集的所述推板窑的运行数据进行预测，得到基态预测数据；
基于所述基态预测数据和所述低维数据进行重构，预测得到所述推板窑的流场数据。
进一步地，所述获取所述推板窑的CFD流场数据，包括：
获取所述推板窑的几何数据，并获取所述推板窑运行时的历史数据；
基于所述几何数据和所述历史数据模拟所述推板窑的物理过程，生成所述推板窑的初始CFD流场数据；
对所述初始CFD流场数据进行后处理，得到所述CFD流场数据。
进一步地，所述基于所述低维数据对初始的流场预测模型进行训练，得到训练后的流场预测模型，包括：
对所述低维数据进行标准化，并将标准化后的低维数据进行预处理，得到预处理数据；
基于多尺度卷积对所述预处理数据进行特征提取，得到多尺度特征；
基于所述多尺度特征对所述初始的流场预测模型进行训练，得到训练后的流场预测模型。
进一步地，所述基于多尺度卷积对所述预处理数据进行特征提取，得到多尺度特征，包括：
通过跳跃连接将所述多尺度卷积中的上一层多尺度卷积层输出的特征与输入特征融合，得到融合特征；
将所述融合特征作为所述多尺度卷积中的下一层多尺度卷积层的输入特征，得到所述多尺度特征。
进一步地，所述多尺度卷积包括3个多尺度卷积层，每个多尺度卷积层包含1*1、3*1和5*1三个核尺度。
进一步地，所述对对所述CFD流场数据进行降维处理，得到低维数据，包括：
对所述CFD流场数据进行标准化处理，得到标准化数据；
提取所述标准化数据的特征值与协方差矩阵；
基于所述特征值的特征向量生成特征矩阵，并基于所述特征矩阵和所述协方差矩阵得到所述低维数据。
进一步地，所述基于所述基态预测数据和所述低维数据进行重构，预测得到所述推板窑的流场数据，包括：
获取所述特征矩阵的伪逆矩阵；
基于所述伪逆矩阵、所述基态预测数据以及所述特征值的特征向量进行重构，预测得到所述推板窑的流场数据。
第二方面，提出一种基于数字孪生的推板窑流场数据预测模型，包括：
运行数据获取模块，配置为获取所述推板窑的CFD流场数据；
低维数据获取模块，配置为对所述CFD流场数据进行降维处理，得到低维数据；
模型训练模块，配置为基于所述低维数据对初始的流场预测模型进行训练，得到训练后的流场预测模型；
初始预测模块，配置为基于所述训练后的流场预测模型对实时采集的所述推板窑的运行数据进行预测，得到基态预测数据；
预测数据获取模块，配置为基于所述基态预测数据和所述低维数据进行重构，预测得到所述推板窑的流场数据。
第三方面，提出一种电子设备，包括：一个或多个处理器；
存储装置，用于存储一个或多个计算机程序，当所述一个或多个计算机程序被所述一个或多个处理器执行时，使得所述电子设备实现上所述的方法。
第四方面，提出一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行如上所述的方法
在本申请的实施例提供的技术方案中，可以在生产现场提供快速响应预测得到推板窑的流场数据，计算速度加快，节省了CFD计算成本，同时可得到高精度的预测推板窑流场，实现推板窑运行状态的实时评估。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术者来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1是本实施例示出的一种基于数字孪生的推板窑流场数据预测方法流程图；
图2是本实施例示出的数字孪生体的总体框架图；
图3是本实施例示出的虚拟现实孪生层运行时的工作流图；
图4是本实施例示出的神经网络模型的框架图；
图5是本实施例示出的流场预测模型结构图；
图6是本实施例示出的MCNN的结构图；
图7(a)是本实施例示出的推板窑内部空间的几何结构图；
图7(b)是本实施例示出的推板窑的前视图；
图7(c)是本实施例示出的推板窑的侧视图；
图8是本实施例示出的基本模式数与能量之间的关系图；
图9是本实施例示出的基本模式数与重建误差之间的关系图；
图10是本实施例示出的在测试集下的温度趋势的POD-MCNN预测结果与CFD结果之间的比较图；
图11是本实施例示出的在测试集下的压力趋势的POD-MCNN预测结果与CFD结果之间的比较图
图12是本实施例示出的在新数据条件下的温度趋势的POD-MCNN预测结果与CFD结果之间的比较图；
图13是本实施例示出的在新数据条件下的压力趋势的POD-MCNN预测结果与CFD结果之间的比较图
图14是本实施例示出的一种基于数字孪生的推板窑流场数据预测装置结构图。
具体实施方式
这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
在本申请中提及的“多个”是指两个或者两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
随着数字化和仿真技术的发展，数字孪生技术已成为各行业新兴的研究热点。数字孪生模型的原型“镜像空间模型”由迈克尔·格里夫斯于2003年在密歇根大学的产品生命周期管理(PLM)课程中首次介绍，其通过物理对象的实际数据构建数字对象模型，然后通过数据对象对物理对象进行预测，通过预测的数据可优化物理对象。随后，在与美国宇航局和美国空军的合作中，这一概念得到了丰富。基于模型的产品性能预测和优化等元素已得到增强。
随后，学术界和工业界对数字孪生概念进行了广泛的研究讨论。2011年，美国宇航局和美国空军研究实验室将数字双星的概念定义为一个集成了多物理、多尺度和概率的仿真模型，可用于预测飞机的健康状态和剩余使用寿命等。2012年，Glaessgen等人认为，数字双星是一个集成多物理、多种尺度的复杂系统，以及基于物理模型、历史数据和传感器的多概率模拟，以实时更新数据。2017年，Grieves等人进一步将数字孪生解释为产品的虚拟信息结构。通过构建数字孪生模型，可以获得关于实际检验产品的所有信息。2018年，Tao等人将数字孪生定义为PLM的一个组成部分，使用产品生命周期中的物理、虚拟和交互式数据实时绘制产品地图。Haag等人将数字孪生定义为产品的全面数字描述，可以模拟真实世界模型的行为特征。
近年来，数字孪生在工业领域的研究越来越多。Yi等人提出了一种基于DT的三层智能装配应用框架。Zhang等人提出了一种基于DT的生产线设计方法，并以玻璃生产线为例验证了该方法的有效性。Wang等人提出了由数字孪生增强的数据驱动智能定制的新框架，并将其应用于常见的电梯定制问题。这些研究为整个系统中的孪生双胞胎创建提供了解决方案，但尚未发现任何研究侧重于关键设备内高维CFD数据的数字孪生的实时模拟。
在解决流体流动和传热问题时，广泛使用的建模方法是传统的CFD流场计算，该方法基于数值求解控制流体流动的微分方程的基本原理，以导出连续区域内流体流场的离散分布。
当计算条件发生变化时，传统的CFD建模方法需要再次执行复杂且耗时的CFD计算，这不仅消耗大量计算资源，而且导致效率低下。事实上，流场作为一个系统有其特点，但每次重新运行CFD计算的做法都忽略了这些特点。
随着人工智能时代的到来，数据驱动的建模方法取得了更大的进步。最初，这些方法在计算机视觉、语音识别、图像识别和自然语言处理领域卓有成效。在此背景下，机器学习，尤其是深度学习方法，逐渐被用于流场重建、流场显示和流场特征提取等。Zhu等人使用RBF神经网络和NACA0012翼型的三个亚音速流场样本数据实现了数据驱动的湍流建模。Gao等人提出了一种物理约束的CNN架构，用于学习不规则区域上参数偏微分方程的解。Thuerey等人使用Unet架构来预测表面上的翼型压力和速度分布。
与传统的建模和仿真方法相比，基于神经网络的方法计算成本低，预测速度快。Hartmann等人提出，模型简化是将高度详细和复杂的仿真模型转移到其他领域和生命周期阶段的关键技术。使用降阶模型可以有效地去除数据中的冗余特征，减少自由度，提高模型执行速度，同时保持所需的准确性和可预测性，为数字孪生的发展提供解决方案。本征正交分解(POD)通过将高维流场数据映射到低维正交空间来分析流场的主要特征，以实现流场的降维。
以往的研究大多集中于制造系统的整体结构，很少有研究集中于重要设备中流场的孪生。尽管在计算流体力学领域有很多关于机器学习的研究，但如何将其应用于建立工业中的数字孪生模型尚未得到广泛研究。
以下将结合附图和具体实施例对本发明做进一步详细说明：
如图1所示，本实施例中提出一种基于数字孪生的推板窑流场数据预测方法，具体实现过程如下：
S1：获取推板窑的CFD流场数据。
本实施例中，该基于数字孪生的推板窑流场数据预测方法的实现可在如图2所示的数字孪生体的总体框架完成，该数字孪生体的总体框架根据技术特征分为专业分析层(Professional analysis layer)、虚拟现实孪生层(Virtual-real twin layer)和基本支持层(Basic support layer)，该基于数字孪生的推板窑流场数据预测方法的实现具体在虚拟现实孪生层中完成。
其中，基本支持层为支撑基于数字孪生的推板窑流场数据预测方法实现的技术，包括如Internet of Things Technology(物联网技术)、CAE(工程设计中的计算机辅助工程)、AI(人工智能)、High performance parallel computing technology(高性能并行计算技术)、Secure Connect Technology(安全连接技术)等。
虚拟现实孪生层中的物理实体(Physical object)提供形状和尺寸信息，以及操作数据信息采集(Data Collection)，其中Physical Equipment(物理设备)包括push-platekiln(推板窑)、sensor(传感器)等，操作数据信息采集History data(历史数据)和Real-time working condition data实时工作环境数据，物理实体实时操作的数据通过MQTT协议传输。
虚拟现实孪生层中的孪生体(Twinned object)实时预测生成CFD流场解，预测得到的数据通过专业分析层可进行预测结果可视化(Visualization of prcdictionresults)，为物理实体的决策(Smart decision making)和控制提供服务决策以进行优化控制(Optimized control)。
具体地，孪生体是几何模型(Geometric model)、规则模型(Rule model)、物理模型(Physical model)和神经网络模型(Neural network model)的集成。几何模型的目的是为物理对象创建虚拟几何体(Provide a virtual entity of the physical entity)，并为物理模型生成网格文件用于后续的流程求解。建立规则模型的目的是为物理模型的模拟边界条件建立规则(Set the rules for the simulation)。物理模型用于模拟计算(Repealed simulation重复模拟)和生成CFD大数据(Simulate the physical processand generate big data模拟物理过程，生成大数据)。生成的数据不能直接输入到神经网络中。需要对其进行后期处理(Flow field data Repealed post-processing，流场数据后处理)，以提取我们需要的数据。最后，神经网络模型执行高维数据的POD降维(PODdecomposition)以及MCNN训练和预测(MCNN training and prediction)，在神经网络模型中，通过建立预测流场的代理模型(Building a surrogate model for predicting theflow field)将working condition(工作条件，即可视为实时采集的推板窑的运行数据)进行多尺度卷积，得到flow filed流场。
具体地，在虚拟现实孪生层运行时的工作流可参考图3，该过程可以分为两个阶段：在线培训和离线分析。在线训练期间，通过四个模型的协作，对大数据流场进行神经网络的非线性拟合，在离线分析中，只需将现场条件参数输入到训练模型中，孪生模型就可以跟踪物理世界的现场数据进行实时更新和动态演变，从而对设备进行实时监测和评估。
在一实施例中，在几何模型中，测量(Measurement)物理实体(Physical entity)的形状(Shape)、出口(Outlet)、大小(Size)以及入口(Inlet)，通过ICEM创建点，线和面来构建3D模型(ICEM creates points,lines and surfaces to build 3D models)，然后创建零件，如进口和出口，边界条件等(Create Parts such as inlet and outlet,wallconditions,etc.)，创建块并与部件关联(Create Block and associate with Parts)，然后构建网格并细化网格(Mesh and refine the mesh)，确认网格是否满足条件(Meet therequirements)，若满足，则导出网格文件(Exporting mesh files)，若不满足，则继续细化网格。具体为测量得到的数据使用ANSYS ICEM CFD预处理软件创建并网格化物理实体的3D模型，以1:1还原物理实体，在随后的模拟中，几何模型实现了实际设备的完整镜像，几何模型最终输出一个网格文件。
在规则模型中，由于推板窑的生产操作有一定的过程，基于实际物理实体运行期间传感器的历史数据，可以获得推板窑现场运行的过程曲线，总结生产过程中每个变量的正常值，以确定每个参数的合理取值范围；其具体表现为通过传感器获取物理实体传感数据(Physical entity sensing data)、然后对传感数据进行清除异常数据(Removeabnormal date)，再总结关键工艺参数的合理范围(Summarize the reasonable range ofkey process parameters)、基于范围和传感数据输出作为物理模型的边界条件(Outputas boundary conditions for physical model)。
在物理模型中，基于几何模型和规则模型，使用ANSYS FLUENT求解器模拟物理过程，选择合适的物理解模型，并根据规则模型设置参数的行为规则。行为规则反映在软件中的各种参数设置中，例如边界条件。在本部分中，FLUENT自动化脚本用于生成流场数据，TECPLOT用于对数据进行后处理，具体表现为获取网格、工艺参数(process parameter)形成参数空间、参数空间LHS采样(Parameter space LHS sampling)、FLUENT设置解模型、边界条件(FLUENT sets the solution model，boundary conditions,etc.即生成流场数据)、然后对FLUENT生成的数据进行计算(calculate)、判断计算是否完成(complete)，若完成则通过TECPLOT进行后处理(TECPLOT post-processing)，并加入模拟数据库(Simulation Database)；否则，重新通过FLUENT进行处理。
神经网络模型是实现CFD离线动态分析的关键模块。在神经网络模型(简称为POD-MCNN)中，物理模型生成的流场大数据被分成训练集和测试集，用于神经网络模型的设计和训练，训练有素的模型可以快速响应输入参数并输出相应的CFD结果；具体表现为：
训练集(Training set)和测试集(Test set)的生成，通过测试集和训练集进行数据降维(POD dimensionality reduction)、通过降维后的数据对MCNN进行训练(MCNNtraining)、得到训练好的Trained POD-MCNN model(Trained POD-MCNNmodel)、通过该POD-MCNN model模型输出预测结果(Model prediction results)。
基于图2与图3，该S1中的运行数据即可视为训练集与测试集数据，该获取推板窑的CFD流场数据，包括：获取推板窑的几何数据，并获取推板窑运行时的历史数据；基于几何数据和历史数据模拟推板窑的物理过程，生成推板窑的初始CFD流场数据；对初始CFD流场数据进行后处理，得到CFD流场数据。
其中，几何数据通过几何模型得到，历史数据通过规则模型得到，在物理模型中模拟推板窑的物理过程，得到初始CFD流场数据，并通过物理模型中的TECPLOT对初始CFD流场数据进行后处理，得到CFD流场数据。
S2：对CFD流场数据进行降维处理，得到低维数据；
本实施例中的步骤S2-S5均在神经网络模型中完成，该神经网络模型的框架可参考图4，结合POD和CNN的优点，使数字孪生体能够提供比模拟更广泛的操作条件，并将其用于推板窑内流场的实时监测。
具体地，该神经网络模型中的处理过程可以概括为三个步骤：POD降维、MCNN预测和POD重建，首先，对于输入的参数空间(Parameter space)、通过POD提取模拟数据库(Simulation database)的物理场特征、将高维流场映射到低维空间(PODdecomposition)、得到基本模态(Modes)和系数(Coefficients)、然后，通过一维多尺度卷积神经网络建立输入参数和低维流场特征(即Coefficients)的替代模型，即MCNN model，以响应新的输入参数(New parameter)、最后，利用基本模式和MCNN预测数据(Predictedcoefficients)对数据进行重构(POD reconstruction)，得到最终的数据。
在一具体实施例中，S2即为POD降维过程，通过对CFD流场数据进行标准化处理，得到标准化数据；提取标准化数据的特征值与协方差矩阵；基于特征值的特征向量生成特征矩阵，并基于特征矩阵和协方差矩阵得到低维数据。
在一具体实施例中，参数空间C(i)通过对参数进行拉丁超立方体采样获得，CFD流场数据(流场数据)为X＝[x1,x2,…,xr]∈Rn×r，其中n是计算域中的节点数，r是参数空间中的样本数。流场数据是高维的，因此将输入参数C(i)直接映射到流场数据X(i)是不实际的。因此，有必要首先降低CFD流场数据的维数。
温度场的平均值计算如下：
Figure SMS_1
标准化数据为：
Figure SMS_2
计算标准化数据
Figure SMS_3
的协方差矩阵和n个特征值，并将它们从大到小排列。取对应于前m个特征值的特征向量q(1),q(2),…,q(m)，形成特征矩阵U；
U＝[q(1),q(2),…,q(m)]T
每个特征向量表示温度场的基本模式，可获得降阶后的矩阵Y∈Rm×r；
Figure SMS_4
当m取适当值时，可以保证：
Figure SMS_5
其中U′表示U的伪逆矩阵。m维数据Y(i)可用于表征具有低错误率的高维流场数据X(i)。通过POD建模，可以获得基本模态和相应的系数矩阵，其中基本模态Modes用于流场重建，系数矩阵Coefficients与参数空间矩阵一起用于MCNN建模和流场预测。
S3：基于低维数据对初始的流场预测模型进行训练，得到训练后的流场预测模型；
本实施例中的流场预测模型即为MCNN模型，也即代理模型，在一具体实施例中，该流场预测模型的结构可参考图5，输入的特征图(Feature map)通过多尺度卷积(Conv)，分别得到每个层的特征图，然后进行特征融合(concat)，最后输入预测结果(Output)。
在一具体实施例中，多尺度卷积神经网络模型(MCNN)被设计成完成将输入参数C(i)映射到基本模式系数矩阵Y(i)的任务。同一特征图在两个不同的比例空间下会有不同的表达形式。单尺度卷积过程使用同一尺度卷积核从输入中提取特征。很容易忽略其他精度特征，从而得到完整的特征表达信息。相比之下，多尺度卷积神经网络可以使用多个卷积核在不同尺度上与输入进行卷积，以提取不同尺度的特征。然后将这些特征进行融合，以达到互补信息的目的。
本实施例中，对低维数据进行标准化，并将标准化后的低维数据进行预处理，得到预处理数据；基于多尺度卷积对预处理数据进行特征提取，得到多尺度特征；基于多尺度特征对初始的流场预测模型进行训练，得到训练后的流场预测模型；其中，基于多尺度卷积对预处理数据进行特征提取，得到多尺度特征，包括：通过跳跃连接将多尺度卷积中的上一层多尺度卷积层输出的特征与输入特征融合，得到融合特征；将融合特征作为多尺度卷积中的下一层多尺度卷积层的输入特征，得到多尺度特征。
具体地，模型输入C＝(c1,c2,…,cn)是通过MQTT协议从物理实体传感器获得的参数，即可视为是低维数据，为了消除参数之间不同维数的影响，并加快网络梯度下降以找到最优解，对C进行了标准化。之后，通过完全连接的神经网络C'＝f(C)对输入参数进行预处理，得到预处理数据，当然，在对预处理数据进行多尺度卷积前，还可增加低维输入信号即预处理数据的维数，这有利于通过多尺度卷积运算提取输入信号的多尺度特征。
卷积核在不同尺度上提取的特征是不同的。核尺寸较大的卷积具有较大的感受野，但对细节特征不敏感。具有较小内核大小的卷积可以更有效地捕获细节特征。在模型中设计了三个多尺度卷积层，每个层包含1*1、3*1和5*1三个核尺度。这些卷积核用于上层输出的多尺度特征提取。除了核的大小F之外，卷积输出还受到核步长S、通道数n和填充大小P的影响。填充操作是在输入矩阵的边界周围添加零。卷积运算后输出矩阵的大小可以计算为：
Nl+1＝(Nl-F+2P)/S+1
其中Nl是第l层特征的尺寸，Nl+1是第1+1层特征的尺寸。
为了确保所提出模型的高度非线性，神经网络使用了多层深度结构。此外，该模型还通过跳跃连接(skip connection)将原始特征与多尺度特征融合，作为下一层的输入。由多尺度卷积层提取的特征最终通过完全连接层输出。图6显示了MCNN的结构，其中，Multi-scale conv即为多尺度卷积，Fully connected为全连接，flatten为展平，表1列出了网络的主要参数。
激活函数增强了网络的非线性表达能力。选择LeakyRelu作为激活函数。
Figure SMS_6
当a为0.01时，LeakyReLU解决了Relu中可能的神经元死亡问题。它在负区域中有一个小的正斜率，因此即使对于负输入值，它也可以进行反向传播。解决了Relu激活函数梯度消失的问题。
通常，卷积神经网络在卷积之后有一个池化层。CNN中的池化层可以在一定程度上降低特征的维数，但这不是CNN的必要操作。在这个实验中，卷积后的特征并不多。没有必要降低维度。池化过程将导致缺少卷积层提取的特征，这将影响模型的性能。因此，MCNN结构不使用池化层。实验证明，没有池化层的结构在流场预测模型任务中表现更好。
表格1多尺度卷积神经网络主要参数
网络层名称 输出形状 核大小 核数量 步长 填充
Fully connected 1 64 - - - -
Multi-scale conv 1-1 3*64 1 3 1 0
Multi-scale conv 1-2 3*64 3 3 1 1
Multi-scale conv 1-3 2*64 5 2 1 2
Concat 9*64 - - - -
Multi-scale conv 2-1 6*64 1 6 1 0
Multi-scale conv 2-2 5*64 3 5 1 1
Multi-scale conv 2-3 5*64 5 5 1 2
Concat 17*64 - - - -
Multi-scale conv 3-1 11*64 1 11 1 0
Multi-scale conv 3-2 11*64 3 11 1 1
Multi-scale conv 3-3 10*64 5 10 1 2
Concat 33*64 - - - -
Conv+flatten 256 3 2 1 -
Fully connected 2 10 - - - -
对于这样的深度模型，所有操作层都可以被视为复杂函数G。网络输出为：
Figure SMS_7
其中θ是要在网络中学习的参数。该初始的流场预测模型的训练是一个由模型损耗驱动的迭代过程。通过最小化网络输出和真实值之间的差异并将误差传播回网络的每一层来更新模型的参数。模型的损失函数由数据损失和正则化项组成。均方误差用于数据损失函数，l2范数用于正则化项。包含正则化项的目的是防止模型过度拟合，从而导致泛化性能下降。
Figure SMS_8
其中
Figure SMS_9
是网络输出，Y是地面真实值，λ是正则化系数，用于控制正则化的强度。θi∈θ是要在网络中学习的参数。M是参数的数量。
在训练过程中，网络的目的是找到一组最佳参数θ，以最小化损失函数，表示为：
Figure SMS_10
为了有效地训练模型，我们采用了基于小批量的学习策略，并将批量大小设置为64。小批量训练已被证明可以有效提高泛化性能并显著降低内存成本。使用Adam优化算法作为模型的优化算法。
S4：基于训练后的流场预测模型对实时采集的推板窑的运行数据进行预测，得到基态预测数据；
当流场预测模型训练好后，对于新输入的参数，也即实时采集的推板窑的运行数据进行预测，该MCNN模型可以预测基本模态系数Ys，然后对其进行POD重构以获得预测的流场数据。
S5：基于基态预测数据和低维数据进行重构，预测得到推板窑的流场数据。
本实施例中，获取特征矩阵的伪逆矩阵；基于伪逆矩阵、基态预测数据以及特征值的特征向量进行重构，预测得到推板窑的流场数据：
Figure SMS_11
重构结果可直接作为高精度流场数据，实现模拟数字孪生对输入参数的实时响应。
本文结合CFD建模仿真、物联网和深度学习技术，提出了一个基于数字孪生的推板窑流场数据预测方法。该方法通过集成几何、规则、物理和神经网络模型，实现了物理和孪生对象的实时仿真，创新地嵌入了本征正交分解(POD)和多尺度卷积神经网络(MCNN)。使用POD将高维数据映射到低维特征，并使用MCNN构建预测低维特征的模型，以实现快速的流场预测，该方法可以基于感知数据快速预测高维流场分布，实现推板窑运行状态的实时评估。
在一具体实施例中，一个推板窑的结构可参考图7(a)-图7(c)，其由电加热。炉体内部空间的有效尺寸为XYZ＝4000mm×1100mm×455mm，其中X为窑长，Y为窑宽，Z为窑高。由于窑很长，模型以适当的比例显示。图7(a)显示了窑内部空间的几何结构(The geometryof the inner space of the push-plate)。根据温度，窑可分为预热区(preheatingzone)、高温区(High temperature zone)和冷却区(Cooling zone)。图7(b)和(c)显示了推板窑的前视图(front view)和侧视图(side view)，其包括排风管道1(Exhaust duct)、烟气出口2(Flue gas outlet)、绝缘材料3(Insulation Materials)、流体区域4(Fluidzone)、产品区5(Product zone)、窑头6(Kiln head)、窑尾7(Kiln tail)、电热8(Electricheating)
推板窑的外壁由隔热材料制成。窑体上下有几个电加热棒，用于加热推板窑。在生产过程中，大量的氮气会从窑尾通过管道吹入窑内，并从出口流出。在进行基于数字孪生的推板窑流场数据预测时，经过对产线数据的分析，其中六个工艺临界点的温度值和入口气体流速值对生产过程影响较大，所以选择如表2中的7维参数作为生成模拟数据集的可变参数。
表格2关键工艺参数范围
参数类型 参数范围
温度点位1(T1) [540,720]℃
温度点位2(T2) [720,810]℃
温度点位3(T3) [900,1080]℃
温度点位4(T4) [1035,1170]℃
温度点位5(T5) [1215,1395]℃
温度点位6(T6) [1300,1400]℃
气体流速(Q) [200,300]m3/h
本实施例中旨在使用CFD数字孪生来快速生成区域4的流场解。为了生成模拟数据库，使用拉丁超立方体采样(LHS)对参数空间进行采样。使用Ansys Fluent 19.3自动化脚本进行CFD模拟。网格由约147k个单元组成。在推板窑的工作过程中，窑内的传热过程是一个复杂的传热过程，具有传热、对流传热和辐射传热的综合功能。建立了相应的窑内热交换和气流的CFD数学模型。气流采用标准k-e模型，辐射模型采用离散坐标(DO)方法。
首先对生成的样本的流场数据进行POD分析，可以得到基模态流场及对应的特征值，将特征值按照大小排列，定义前q阶基模态对应的特征值之和与所有特征值之和的比值为前q阶基模态的能量占比∑Ei，能量占比表征了前q阶基模态所包含的流场信息量，可以据此确定前多少阶模态可以包含原始流场中的绝大部分信息，图8示出基本模式数与能量之间的关系，图8为前n阶(n<15)POD基模态总能量份额的变化趋势，横坐标为基模态的阶数，纵坐标为总能量占比。
图8中的前十种基本模式的能量占99.95％以上，表明流场特征主要集中在前十种POD基本模态中。90％的数据集被用作pod缩减的训练样本，剩余的10％被用作pod重建的测试样本。为了定量分析重建效果，测试样品的重建误差定义为：
Figure SMS_12
其中，
Figure SMS_13
是第i个网格点的预测数据，/>
Figure SMS_14
是通过计算流体力学(CFD)计算的第i个高精度网格点的实际数据，N是网格点的数量。T测试样本的总误差定义如下。
Figure SMS_15
该基本模式数与重建误差Error之间的关系可参考图9，显然，流场特征主要集中在前十阶。这与图8中的信息一致。因此，在对POD重建进行误差分析后，基本模式的数量选择为10。
然后，则可基于上述处理的数据对POD-MCNN的预测性能进行评估，在测试集中选择三个案例来测试模型，该三个案例的数据可参考表3中的Date，该案例中的7维参数具体解释可参考表2，对三种案例进行POD-MCNN预测和CFD计算的平均绝对误差计算。结果如表3所示，从表2中的数据可以看出，三种情况下的平均绝对温度误差(MAE t)只有1.4045，平均绝对压力误差(MAE p)只有0.5140，在工程应用中误差可以忽略不计，因此可知，该网络模型在测试数据的流场预测任务中表现良好。
表格3测试数据中三种情况的参数和MAE
案例 Data MAE t MAE p
案例1 [665,738,950,1104,1345,1318,268] 0.9144 0.4492
案例2 [590,723,1068,1167,1365,1352,206] 1.5922 0.7042
案例3 [594,787,901,1138,1331,1387,241] 1.7068 0.3887
对于工作的推板窑，温度变化的趋势很重要。图11和图12显示了Z＝350mm和Y＝550mm时，3种案例下所得到的数据分别构成的3种测试集下温度和压力趋势的POD-MCNN预测结果与CFD结果之间的比较。从图中可以看出，POD-MCNN输出的数据趋势与CFD模拟的数据趋势一致，几乎重叠。
经过训练，该模型在测试数据的温度场和压力场预测任务中表现良好，能够准确地预测测试集的流场数据。
为了评估模型的插值性能，生成了3个新的案例来测试模型，该新案例1-3的参数可参考表4中的Date，其中，案例1和案例2的参数选择仍在参数空间中，但案例3的参数选择不在参数空间。该新数据下，温度趋势的POD-MCNN预测结果与CFD结果之间的比较图和压力趋势的POD-MCNN预测结果与CFD结果之间的比较图可参考图12与图13，从表4中的数据以及图12与图13可以看出，案例1的MAE t为1.3420和0.4836。因此，模型对参数空间中新数据的预测精度不一定比测试集的预测精度差。案例3的MAE分别为3.9226和1.6723，其误差相对较高，因为案例3的参数选择不在参数范围内。
表格4新数据中三种情况的参数和MAE
案例 Data MAE t MAE p
案例1 [546,786,1046,1144,1226,1317,207] 1.3420 0.4836
案例2 [714,809,1028,1126,1364,1354,290] 2.5835 0.8289
案例3 [514,707,926,1029,1234,1247,190] 3.9226 1.6723
本实施例中，还对POD-MCNN的计算速度进行检验，得到如表5中的检测结果，对于未知参数的预测，训练后的模型仅需0.2秒即可得到结果，而CFD模拟需要1470秒，大大节省了计算成本和时间消耗。
表格5模型加速比性能
Figure SMS_16
将MCNN模型与其他模型进行了比较，这些模型证明了基于数字孪生的推板窑流场数据预测方法各个部分的重要性。三个比较模型是多尺度有池化卷积神经网络(MPCNN)、单尺度卷积神经网络(CNN)和全连接神经网络(FNN)。这三个模型可以被解释为MCNN模型的退化版本。MPCNN保留了卷积神经网络的池运算，CNN使用一个大小的卷积核，而FNN不使用卷积运算。
训练过程采用与MCNN训练相同的批量大小、训练时间、初始学习率和权重衰减等。使用测试集上的均方误差来测量模型的预测精度：
Figure SMS_17
其中
Figure SMS_18
是网络输出的预测值，Y是真实标签值。实验结果如表6所示。所提出的模型在测试集上具有最小的均方误差。使用卷积代替完全连接减少了网络的参数数量。同时，过拟合现象得到改善，误差降低了35％。使用多尺度代替单尺度卷积使得卷积提取的特征更加丰富，误差降低15.5％。放弃池化操作将保留多尺度卷积提取的所有特征，误差降低27.2％。
表格6不同模型的性能比较
模型 参数量 MSE
FNN 8k 0.00343
CNN 6k 0.00264
MPCNN 6k 0.00306
MCNN 6k 0.00223
其中，FNN、CNN、MPCNN为不同的神经网络模型。
总之，使用多尺度卷积神经网络进行代理建模。使用多尺度卷积核可以提取不同精细度的特征，提高模型的特征学习能力。模型中不需要池化操作，这允许对卷积层提取的数据特征进行保留，从而提高网络的准确性。基于高保真模拟和人工智能技术，数字孪生体可以跟踪物理世界的数据进行实时更新，为现场设备的监测、评估、优化和维护提供数据基础。
如图14所示，本实施例中还提出一种基于数字孪生的推板窑流场数据预测模型，包括：运行数据获取模块141，配置为获取推板窑的CFD流场数据；低维数据获取模块142，配置为对CFD流场数据进行降维处理，得到低维数据；模型训练模块143，配置为基于低维数据对初始的流场预测模型进行训练，得到训练后的流场预测模型；初始预测模块144，配置为基于训练后的流场预测模型对实时采集的推板窑的运行数据进行预测，得到基态预测数据；预测数据获取模块145，配置为基于基态预测数据和低维数据进行重构，预测得到推板窑的流场数据。
需要说明的是，上述实施例所提供的基于数字孪生的推板窑流场数据预测装置与上述实施例所提供基于数字孪生的推板窑流场数据预测方法属于同一构思，其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前的基于数字孪生的推板窑流场数据预测方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各个实施例中提供的基于数字孪生的推板窑流场数据预测。
上述内容，仅为本申请的较佳示例性实施例，并非用于限制本申请的实施方案，本领域普通技术人员根据本申请的主要构思和精神，可以十分方便地进行相应的变通或修改，故本申请的保护范围应以权利要求书所要求的保护范围为准。

Claims (10)

1.一种基于数字孪生的推板窑流场数据预测方法，其特征在于，包括：
获取所述推板窑的CFD流场数据；
对所述CFD流场数据进行降维处理，得到低维数据；
基于所述低维数据对初始的流场预测模型进行训练，得到训练后的流场预测模型；
基于所述训练后的流场预测模型对实时采集的所述推板窑的运行数据进行预测，得到基态预测数据；
基于所述基态预测数据和所述低维数据进行重构，预测得到所述推板窑的流场数据。
2.根据权利要求1所述的方法，其特征在于，所述获取所述推板窑的CFD流场数据，包括：
获取所述推板窑的几何数据，并获取所述推板窑运行时的历史数据；
基于所述几何数据和所述历史数据模拟所述推板窑的物理过程，生成所述推板窑的初始CFD流场数据；
对所述初始CFD流场数据进行后处理，得到所述CFD流场数据。
3.根据权利要求1所述的方法，其特征在于，所述基于所述低维数据对初始的流场预测模型进行训练，得到训练后的流场预测模型，包括：
对所述低维数据进行标准化，并将标准化后的低维数据进行预处理，得到预处理数据；
基于多尺度卷积对所述预处理数据进行特征提取，得到多尺度特征；
基于所述多尺度特征对所述初始的流场预测模型进行训练，得到训练后的流场预测模型。
4.根据权利要求3所述的方法，其特征在于，所述基于多尺度卷积对所述预处理数据进行特征提取，得到多尺度特征，包括：
通过跳跃连接将所述多尺度卷积中的上一层多尺度卷积层输出的特征与输入特征融合，得到融合特征；
将所述融合特征作为所述多尺度卷积中的下一层多尺度卷积层的输入特征，得到所述多尺度特征。
5.根据权利要求3-4中任一项所述的方法，其特征在于，所述多尺度卷积包括3个多尺度卷积层，每个多尺度卷积层包含1*1、3*1和5*1三个核尺度。
6.根据权利要求1所述的方法，其特征在于，所述对所述CFD流场数据进行降维处理，得到低维数据，包括：
对所述CFD流场数据进行标准化处理，得到标准化数据；
提取所述标准化数据的特征值与协方差矩阵；
基于所述特征值的特征向量生成特征矩阵，并基于所述特征矩阵和所述协方差矩阵得到所述低维数据。
7.根据权利要求6所述的方法，其特征在于，所述基于所述基态预测数据和所述低维数据进行重构，预测得到所述推板窑的流场数据，包括：
获取所述特征矩阵的伪逆矩阵；
基于所述伪逆矩阵、所述基态预测数据以及所述特征值的特征向量进行重构，预测得到所述推板窑的流场数据。
8.一种基于数字孪生的推板窑流场数据预测装置，其特征在于，包括：
运行数据获取模块，配置为获取所述推板窑的CFD流场数据；
低维数据获取模块，配置为对所述CFD流场数据进行降维处理，得到低维数据；
模型训练模块，配置为基于所述低维数据对初始的流场预测模型进行训练，得到训练后的流场预测模型；
初始预测模块，配置为基于所述训练后的流场预测模型对实时采集的所述推板窑的运行数据进行预测，得到基态预测数据；
预测数据获取模块，配置为基于所述基态预测数据和所述低维数据进行重构，预测得到所述推板窑的流场数据。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个计算机程序，当所述一个或多个计算机程序被所述一个或多个处理器执行时，使得所述电子设备实现如权利要求1至7中的任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行权利要求1至7中的任一项所述的方法。
CN202310061698.7A 2023-01-20 2023-01-20 基于数字孪生的推板窑流场数据预测方法、装置 Pending CN116205155A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310061698.7A CN116205155A (zh) 2023-01-20 2023-01-20 基于数字孪生的推板窑流场数据预测方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310061698.7A CN116205155A (zh) 2023-01-20 2023-01-20 基于数字孪生的推板窑流场数据预测方法、装置

Publications (1)

Publication Number Publication Date
CN116205155A true CN116205155A (zh) 2023-06-02

Family

ID=86516627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310061698.7A Pending CN116205155A (zh) 2023-01-20 2023-01-20 基于数字孪生的推板窑流场数据预测方法、装置

Country Status (1)

Country Link
CN (1) CN116205155A (zh)

Similar Documents

Publication Publication Date Title
Wang et al. Hybrid physics-based and data-driven models for smart manufacturing: Modelling, simulation, and explainability
CN108062432A (zh) 一种激光选区熔化过程的数值模拟方法
Bahloul et al. A study on optimal design of process parameters in single point incremental forming of sheet metal by combining Box–Behnken design of experiments, response surface methods and genetic algorithms
Li et al. An adaptive SVD–Krylov reduced order model for surrogate based structural shape optimization through isogeometric boundary element method
Zhu et al. Convolutional neural network for geometric deviation prediction in additive manufacturing
Avery et al. A computationally tractable framework for nonlinear dynamic multiscale modeling of membrane woven fabrics
CN112733275A (zh) 基于半监督学习的卫星组件热布局温度场预测方法
Danglade et al. A priori evaluation of simulation models preparation processes using artificial intelligence techniques
CN117473826A (zh) 基于数据驱动的多物理场时域非侵入式模型降阶方法及系统
Saravanan et al. Ontological model-based optimal determination of geometric tolerances in an assembly using the hybridised neural network and Genetic algorithm
Kodippili et al. Data-driven prediction of forging outcome: Effect of preform shape on plastic strain in a magnesium alloy forging
CN117854643B (zh) 一种基于图形神经网络的mems膜仿真方法及系统
Wang et al. Optimal sensor placement for digital twin based on mutual information and correlation with multi-fidelity data
CN117725859A (zh) 飞机疲劳损伤关键部位的疲劳裂纹扩展预测方法及系统
CN106407620B (zh) 一种基于abaqus的工程结构响应面随机有限元分析处理方法
El Maani et al. Multiobjective aerodynamic shape optimization of NACA0012 airfoil based mesh morphing
Mohammadnejad et al. Prediction of the effective viscoelastic properties of polymer-based microstructure with randomly-placed linear elastic inclusions using convolutional neural network
CN116205155A (zh) 基于数字孪生的推板窑流场数据预测方法、装置
Li et al. A prediction method of mechanical product assembly precision based on the fusion of measured samples and assembly feature fidelity samples
Poole et al. Optimal domain element shapes for free-form aerodynamic shape control
Emonts et al. SOLVING TRANSIENT INVERSE HEAT TRANSFER PROBLEMS IN COMPLEX GEOMETRIES USING PHYSICS-GUIDED NEURAL NETWORKS (PGNN).
Chen et al. Variation Analysis Method Based on Product Feature Information Network
Wang et al. Research on the Role of Hybrid Mesh Warm-up in Flow Prediction Based on Deep Learning
Sun et al. Analysis and inference of stream of dimensional errors in multistage machining process based on an improved semiparametric model
Tangudu et al. CAE Performance Prediction Using Machine Learning Model Based On Historical Data

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