CN116227359A - 基于注意力和卷积神经网络编解码器的流场预测方法 - Google Patents

基于注意力和卷积神经网络编解码器的流场预测方法 Download PDF

Info

Publication number
CN116227359A
CN116227359A CN202310242725.0A CN202310242725A CN116227359A CN 116227359 A CN116227359 A CN 116227359A CN 202310242725 A CN202310242725 A CN 202310242725A CN 116227359 A CN116227359 A CN 116227359A
Authority
CN
China
Prior art keywords
flow field
attention
feature map
generate
predicted
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
Application number
CN202310242725.0A
Other languages
English (en)
Other versions
CN116227359B (zh
Inventor
黄宏宇
肖鸿飞
陈超
谢志江
杨朝旭
王成良
谢磊
孟德虹
杨海咏
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Publication of CN116227359A publication Critical patent/CN116227359A/zh
Application granted granted Critical
Publication of CN116227359B publication Critical patent/CN116227359B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/27—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明具体涉及基于注意力和卷积神经网络编解码器的流场预测方法，包括：将符号距离函数图输入经过训练的流场预测模型，输出对应的流场预测图像；训练模型时：首先将包含符号距离函数图及流场真实图像的训练数据集输入流场预测模型；然后通过基于注意力机制和卷积神经网络的编码器提取符号距离函数图的图像特征，生成注意力特征图；进而通过融合映射模块将注意力特征图与符号距离函数图的攻角和马赫数融合，并映射生成高级特征图；随后通过解码器对高级特征图进行解码，生成流场预测图像；最后基于流场预测图像和流场真实图像计算训练损失，并通过训练损失优化流场预测模型的参数。本发明能够提高流场预测的预测精度和预测效率。

Description

基于注意力和卷积神经网络编解码器的流场预测方法
技术领域
本发明涉及流场预测技术领域，具体涉及基于注意力和卷积神经网络编解码器的流场预测方法。
背景技术
机翼的翼型优化设计通常是对一基准翼型衍生出来的同系列翼型进行择优。翼型优化设计方法从早期的风洞实验，发展到计算流体力学(CFD)占主导地位，有效缩短了设计周期，但基于CFD技术的翼型优化过程存在大量流场分析计算问题。在许多实际工程应用中，流场分析都是计算最密集和最耗时的部分。
深度学习对高阶复杂函数有强大的学习能力，在特征提取方面具独特优势，可以进行快速、准确预测。为此，公开号为CN112784508A的中国专利公开了《一种基于深度学习的翼型流场快速预测方法》，其包括：生成搭建神经网络需要的样本数据集；基于样本数据集搭建并训练深度学习神经网络模型；将搭建好的深度神经网络用于翼型流场的快速预测。该模型将深度学习应用到翼型流场的预测，可以减少时间成本和资源的耗费，是一种可行且具有广泛应用前景的新思路。
卷积神经网络(CNN)属于DNN的一类，常用于视觉图像的分析。较多的工作表明，即使数据具有很强的空间和通道相关性，卷积神经网络也有可能学习高级特征。卷积神经网络模型在流体力学中越来越受到关注，原因在于其在形状表示和可伸缩性方面的显著优势。然而，卷积神经网络在全局信息的获取上有很大的局限性，无法有效实现模型的全局参考，导致模型预测的精度不足。同时，现有其他方法还存在预测效率不足的问题。因此，如何设计一种能够提高流场预测精度和预测效率的方法是亟需解决的技术问题。
发明内容
针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种基于注意力和卷积神经网络编解码器的流场预测方法，能够通过卷积神经网络分析预测对象周围流场的主要影响因素，能够通过编解码器结构提高模型的预测速度，能够通过注意力机制从全局信息中提取重要特征，从而能够提高流场预测的预测精度和预测效率，进而能够为机翼的翼型优化设计提供有效的技术支持。
为了解决上述技术问题，本发明采用了如下的技术方案：
基于注意力和卷积神经网络编解码器的流场预测方法，包括：
S1：获取待预测对象的符号距离函数图；
S2：将符号距离函数图输入经过训练的流场预测模型，输出对应的流场预测图像；
训练流场预测模型时：首先将包含符号距离函数图及对应流场真实图像的训练数据集输入流场预测模型；然后通过基于注意力机制和卷积神经网络的编码器提取符号距离函数图的图像特征，生成对应的注意力特征图；进而通过融合映射模块将注意力特征图与对应符号距离函数图的攻角和马赫数融合，并映射生成对应的高级特征图；随后通过解码器对高级特征图进行解码，生成对应的流场预测图像；最后基于流场预测图像和对应的流场真实图像计算训练损失，并通过训练损失优化流场预测模型的参数；
S3：将流场预测图像中速度场和压力场的预测值作为待预测对象的流场预测结果。
优选的，通过如下步骤构建训练数据集：
S201：对目标翼型进行参数化并增加扰动生成新的翼型，将各种翼型作为预测对象；
S202：对于单个预测对象，通过笛卡尔网格方法生成对应的符号距离函数图；
S203：通过雷诺平均N-S方程数值模拟方法计算单个预测对象在不同攻角和不同马赫数下的速度场和压力场作为流场数据；
S204：通过三角部分的散乱数据插值法将单个预测对象的流场数据插值到对应尺寸的笛卡尔网格上，生成对应的流场真实图像；
S205：重复步骤S202至S204，并将对应预测对象的符号距离函数图和流场真实图像作为一组训练数据，以生成包含符号距离函数图及对应流场真实图像的训练数据集。
优选的，步骤S202中，通过如下步骤生成符号距离函数图：
S2021：通过笛卡尔网格方法将对应的预测对象进行网格化，生成对应的机翼网格；
S2022：计算给定的笛卡尔网格点与机翼网格中预测对象的边界点之间的符号距离；
S2023：搜索预测对象的边界点，计算与给定的笛卡尔网格点最近的边界点处的法向量以及从给定的笛卡尔网格点到最近的边界点的向量之间的标量积，并通过标量积值判断函数符号；
S2024：根据计算得到的符号距离和函数符号生成对应预测对象的符号距离函数图。
优选的，编码器通过如下步骤生成注意力特征图：
S211：将符号距离函数图输入卷积层进行卷积滤波处理，生成对应的原始特征图；
S212：将原始特征图输入通道注意力模块中提取通道重要性特征，生成对应的通道注意力特征图；
S213：将通道注意力特征图输入空间注意力模块中提取空间特征，生成对应的空间注意力特征图；
S214：将空间注意力特征图输入卷积层进行卷积滤波处理，生成对应的注意力特征图。
优选的，步骤S212中，通道注意力模块通过如下步骤生成通道注意力特征图：
S2121：将原始特征图输入并行的最大池化层和平均池化层，生成对应的第一特征图和第二特征图；
S2122：通过共享多层感知机分别将第一特征图和第二特征图的通道数压缩为原通道数的1/r倍、再扩张回原通道数，生成对应的第一感知特征图和第二感知特征图；
S2123：通过ReLU激活函数对第一感知特征图和第二感知特征图进行激活，并将激活后的结果进行逐元素相加和sigmoid激活函数处理，生成对应的通道注意力机制图；
S2124：将通道注意力机制图与原始特征图相乘，生成对应的通道注意力特征图。
优选的，步骤S213中，空间注意力模块通过如下步骤生成空间注意力特征图：
S2131：将通道注意力特征图输入最大池化层，生成对应的第三特征图；
S2132：将第三特征图输入卷积层进行卷积滤波处理，生成对应的一通道特征图；
S2133：对一通道特征图进行过sigmoid激活处理，生成对应的空间注意力机制图；
S2134：将空间注意力机制图与原始特征图相乘，生成对应的空间注意力特征图。
优选的，融合映射模块首先将注意力特征图进行重组，得到对应维度的原始特征向量；然后在原始特征向量中加入对应的攻角和马赫数作为新的向量，生成对应的融合特征向量；最后通过全连接层将融合特征向量的维度映射至与原始特征向量一致并对融合特征向量进行重组，生成对应的高级特征图。
优选的，解码器依次通过三个卷积滤波器对高级特征图进行解码，生成包含待预测对象周围x方向速度场、y方向速度场和压力场的预测值的流场预测图像。
优选的，通过如下公式计算训练损失：
Cost＝λMSE×MSE+λGS×GS+λL2×L2regularization；
式中：Cost表示训练损失；MSE表示均方误差；GS表示梯度锐化；L2regularization表示L2正则化；λMSE、λGS、λL2表示设置的权重系数；
Figure BDA0004124810200000031
Figure BDA0004124810200000032
Figure BDA0004124810200000033
式中：U和V分别表示速度场的x分量和y分量；m表示批量大小；nx表示沿x方向的网格点的数量；ny表示沿y方向的网格点数；P表示标量压力场；
Figure BDA0004124810200000041
表示第l个训练数据中第i行第j列个网格点x方向速度场的真实值；L表示具有可训练权重的层的数量；nl表示层L中的可训练权重数量；θ表示待训练的模型参数；/>
Figure BDA0004124810200000042
表示第l个训练数据中第i行第j列个网格点x方向速度场的预测值；/>
Figure BDA0004124810200000043
表示第l个训练数据中第i行第j列个网格点y方向速度场的真实值；/>
Figure BDA0004124810200000044
表示第l个训练数据中第i行第j列个网格点y方向速度场的预测值；/>
Figure BDA0004124810200000045
表示第l个训练数据中第i行第j列个网格点上压力场的真实值；/>
Figure BDA0004124810200000046
表示第l个训练数据中第i行第j列个网格点上压力场的预测值；/>
Figure BDA0004124810200000047
表示在第i行第j列个网格点上压力在x方向真实值的梯度；/>
Figure BDA0004124810200000048
表示在第i行第j列个网格点上压力在x方向预测值的梯度；
Figure BDA0004124810200000049
表示在第i行第j列个网格点上压力在y方向真实值的梯度；/>
Figure BDA00041248102000000410
表示在第i行第j列个网格点上压力在y方向预测值的梯度；/>
Figure BDA00041248102000000411
表示在第i行第j列个网格点上x方向上速度在x方向真实值的梯度；/>
Figure BDA00041248102000000412
表示在第i行第j列个网格点上x方向上速度在x方向预测值的梯度；/>
Figure BDA00041248102000000413
表示在第i行第j列个网格点上x方向上速度在y方向真实值的梯度；
Figure BDA00041248102000000414
表示在第i行第j列个网格点上x方向上速度在y方向预测值的梯度；/>
Figure BDA00041248102000000415
表示在第i行第j列个网格点上y方向上速度在x方向真实值的梯度；/>
Figure BDA00041248102000000416
表示在第i行第j列个网格点上y方向上速度在x方向预测值的梯度；/>
Figure BDA00041248102000000417
表示在第i行第j列个网格点上y方向上速度在y方向真实值的梯度；/>
Figure BDA00041248102000000418
表示在第i行第j列个网格点上y方向上速度在y方向预测值的梯度。
优选的，流场预测模型在训练阶段学习不同的权重以预测流场：在每次迭代中，一批训练数据经历前馈过程，当输出的结果与期望值不符时，进行反向传播过程，求出结果与期望值的误差，进而将误差一层一层的返回并计算每一层的误差，根据误差计算训练损失以实现网络权值的更新，直至流场预测模型收敛。
本发明中基于注意力和卷积神经网络编解码器的流场预测方法与现有技术相比，具有如下有益效果：
本发明通过基于编解码器的神经网络能够在很少的人工监督下自动检测预测对象的基本特征，相比于现有的雷诺平均N-S方法，能够更快的估计对象周围的速度场和压力场，即能够提高模型的预测速度，从而能够有效的提高模型的预测效率，并为机翼的翼型优化设计提供有效的技术支持。
本发明基于卷积神经网络的编解码器结构在图像分割和重建方面的性能较佳，流场预测则是基于从原始对象提取到的特征对流场真实图像进行重建，故基于卷积神经网络的编解码器结构能够很好的从全局信息中提取特征，从而能够提高流场预测模型的全局精确度。同时，通过卷积神经网络在形状表示和可伸缩性方面的优势，能够从空间和通道相关性较强的流场数据中学习高级特征，能够有效分析预测对象周围流场的主要影响因素，从而能够提高流场预测的精度。
本发明基于注意力机制的编解码器结构能够更好的关注流场变化剧烈的部分，而注意力机制可以从全局信息中提取在流场预测中更加重要的特征，能够有效提高流场变化剧烈部分的预测精度。同时，编码器结构能够获取全局信息以实现模型的全局参考，使得能够得到更准确的模型预测精度和更快的模型收敛速度，从而能够进一步提高流场预测模型的预测精度和预测效率。
攻角和马赫数是影响待预测流场真实图像的重要因素，但是攻角和马赫数的特征无法通过基于注意力机制和卷积神经网络的编码器进行提取，因此本发明将注意力特征图与攻角和马赫数进行融合生成高级特征图，使得能够提取到更加准确的流场特征，从而能够进一步提高流场预测的精度。
本发明的训练数据集生成方法有效的扩宽了训练数据集，并且能够保证训练数据的有效性，从而能够提高流场预测模型的训练效果和预测精度。
由于编解码器结构在局部信息的预测精度上有很大的局限性，因此，本发明通过空间注意力机制和通道注意力机制分别从空间和通道重要性两个层面来实现模型的全局参考，从而能够更好的增加流场预测的准确度和加快模型的收敛速度。
附图说明
为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为基于注意力和卷积神经网络编解码器的流场预测方法的逻辑框图；
图2为流场预测模型的网络结构图；
图3为预测对应的机翼网格；
图4为机翼网格对应的符号距离函数图
图5为通道注意力模块和空间注意力模块的网络结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
下面通过具体实施方式进一步详细的说明：
实施例：
在具体解释本发明实施例之前，先解释本实施例涉及的4个概念。
1)卷积神经网络，是一类包含卷积计算具有深度结构的前馈神经网络。
2)编解码器结构，是指整个网络中存在一个主要的编码器和解码器。编码器主要用来从输入中提取特征图谱，而解码器使用可训练的卷积核进行卷积，即可产生密集的特征图，从而更好的将经过编码器处理的输入所得到的特征进行进一步的特征优化和任务处理。
3)注意力机制，是在机器学习模型中嵌入的一种特殊结构，用来自动学习和计算输入数据对输出数据的贡献大小。
4)结构化网格，是指计算流体力学划分网格区域内，所有的内部点都具有相同的毗邻单元，其具有网格生成速度快、网格质量好、数据结构简单的优点。
本实施例中公开了一种基于注意力和卷积神经网络编解码器的流场预测方法。
如图1所示，基于注意力和卷积神经网络编解码器的流场预测方法，包括：
S1：获取待预测对象的符号距离函数图；
S2：将符号距离函数图输入经过训练的流场预测模型，输出对应的流场预测图像；
结合图2所示，训练流场预测模型时：首先将包含符号距离函数图及对应流场真实图像的训练数据集输入流场预测模型；然后通过基于注意力机制和卷积神经网络的编码器提取符号距离函数图的图像特征，生成对应的注意力特征图；进而通过融合映射模块将注意力特征图与对应符号距离函数图的攻角和马赫数融合，并映射生成对应的高级特征图；随后通过解码器对高级特征图进行解码，生成对应的流场预测图像；最后基于流场预测图像和对应的流场真实图像计算训练损失，并通过训练损失优化流场预测模型的参数；
S3：将流场预测图像中速度场和压力场的预测值作为待预测对象的流场预测结果。
本发明通过基于注意力机制和卷积神经网络的编码器提取流场真实图像的图像特征并生成高级特征图，进而通过解码器对编码器输出的高级特征图进行解码，使得能够将计算流体力学与编解码器结构、卷积神经网络和注意力机制有机的结合在一起，得到实现不同机翼形状和操作状态下机翼周围气动力和流场预测的流场预测模型。
本发明通过基于编解码器的神经网络能够在很少的人工监督下自动检测预测对象的基本特征，相比于现有的雷诺平均N-S方法，能够更快的估计对象周围的速度场和压力场，即能够提高模型的预测速度，从而能够有效的提高模型的预测效率，并为机翼的翼型优化设计提供有效的技术支持。
本发明基于卷积神经网络的编解码器结构在图像分割和重建方面的性能较佳，流场预测则是基于从原始对象提取到的特征对流场真实图像进行重建，故基于卷积神经网络的编解码器结构能够很好的从全局信息中提取特征，从而能够提高流场预测模型的全局精确度。同时，通过卷积神经网络在形状表示和可伸缩性方面的优势，能够从空间和通道相关性较强的流场数据中学习高级特征，能够有效分析预测对象周围流场的主要影响因素，从而能够提高流场预测的精度。
本发明基于注意力机制的编解码器结构能够更好的关注流场变化剧烈的部分，而注意力机制可以从全局信息中提取在流场预测中更加重要的特征，能够有效提高流场变化剧烈部分的预测精度。同时，编码器结构能够获取全局信息以实现模型的全局参考，使得能够得到更准确的模型预测精度和更快的模型收敛速度，从而能够进一步提高流场预测模型的预测精度和预测效率。
攻角和马赫数是影响待预测流场真实图像的重要因素，但是攻角和马赫数的特征无法通过基于注意力机制和卷积神经网络的编码器进行提取，因此本发明将注意力特征图与攻角和马赫数进行融合生成高级特征图，使得能够提取到更加准确的流场特征，从而能够进一步提高流场预测的精度。
具体实施过程中，通过如下步骤构建训练数据集：
S201：对目标翼型进行参数化并增加扰动生成新的翼型，将各种翼型作为预测对象；
本实施例中，选用现有的S805、S809、S814翼型作为目标翼型。
S202：对于单个预测对象，通过笛卡尔网格方法生成对应的符号距离函数图；
通过如下步骤生成符号距离函数图：
S2021：通过笛卡尔网格方法将对应的预测对象进行网格化，生成图3所示的机翼网格；
S2022：计算给定的笛卡尔网格点与机翼网格中预测对象的边界点之间的符号距离；
S2023：为了确定给定的笛卡尔网格点在预测对象的内部或外部还是仅在预测对象的表面上，搜索预测对象的边界点，计算与给定的笛卡尔网格点最近的边界点处的法向量以及从给定的笛卡尔网格点到最近的边界点的向量之间的标量积，并通过标量积值判断函数符号；
S2024：根据计算得到的符号距离和函数符号生成图4所示的符号距离函数图。
符号距离函数图的尺寸为150*150。
S203：通过雷诺平均N-S方程数值模拟方法计算单个预测对象在不同攻角和不同马赫数下的速度场和压力场作为流场数据；
所述的雷诺平均N-S方程数值模拟方法是现有成熟技术。
其中，雷诺平均N-S方程是流场平均变量的控制方程，相关的模拟理论被称为湍流模式理论。湍流模式理论假定湍流中的流场变量由一个时均量和一个脉动量组成，以此观点处理N-S方程可以得出雷诺平均N-S方程。再引入Boussinesq假设，即认为湍流雷诺应力与应变成正比之后，湍流计算就归结为对雷诺应力与应变之间的比例系数(即湍流粘性系数)的计算。正是由于将控制方程进行了统计平均，使得其无需计算各尺度的湍流脉动，只需计算出平均运动，从而降低了空间与时间分辨率，减少计算工作量。在求解器设置中，使用具有Koren限制器和Roe通量差分分裂的三阶守恒律单调迎风格式(MUSCL)来计算无粘项。粘性项采用二阶精确中心差分。雷诺平均N-S方程闭合是Spalart-Allmaras湍流模型。机翼表面无滑移边界条件。
具体的，计算预测对象的流场数据可通过现有成熟软件完成，包括：
首先将对应的预测对象进行网格化，生成对应的机翼网格；
包括定义网格边界和结点，定义预测对象的入风口、出风口、上壁面、下壁面、前后墙体以及定义网格结点和网格单元。
然后随机生成攻角和雷诺数，并将攻角和雷诺数作为预测对象初始的攻角和马赫数。
随后将机翼网格及其初始的攻角和马赫数输入现有的流体力学流动求解器中，并定义迭代次数；然后设置离散格式，包括插值格式等；再设置涉及代数方程组求解和速度-压力耦合相关算法的参数。
最后通过现有的流体力学流动求解器生成预测对象的速度场和压力场作为流场数据。
S204：通过三角部分的散乱数据插值法将单个预测对象的流场数据插值到对应尺寸(此处的尺寸与符号距离函数图的尺寸一致)的笛卡尔网格上，生成对应的流场真实图像；
所述的通过三角部分的散乱数据插值法是现有成熟技术，具体包括：
首先需要定义散乱点集，该散乱点集均匀的分布在待插值的流场计算结果上。
该散乱点集作为顶点构成多个三角形，对于散射点集的每个点(xi,yi)，计算相应的二次多项式插值：
Figure BDA0004124810200000091
通过将点(xi,yi)本身及其在分散点集中的5个最接近的邻居点代入方程式中得到关于参数a的6个方程。其中，x，y代表坐标，z则代表该点的值。
通过6个方程则可计算得到[a1,a2,a3,a4,a5,a6]。以此得到该散射点的插值多项式。
接着计算插值点(x,y)的插值z，首先找到该点位于三角剖分后的哪个三角形中；然后将值确定为点(x,y)对应于三个三角形顶点的三个插值多项式：
Figure BDA0004124810200000092
为了确保从一个三角形到下一个三角形的连续过渡，只需要确保每个权重wi在与第i个顶点相对的三角形边缘上相同为零。这可以通过使wi与点(x,y)的距离di的k次方成比例来实现。
对于一些k，通常为3，然后权重wi被缩放为顶点i处的di＝1。
因此，
Figure BDA0004124810200000093
确定了wi后，则可根据三个插值多项式确定插值点(x,y)的值。
通过上述插值方法实现流场数据的插值，生成对应的流场真实图像。
S205：重复步骤S202至S204，并将对应预测对象的符号距离函数图和流场真实图像作为一组训练数据，以生成包含符号距离函数图及对应流场真实图像的训练数据集。
本发明通过上述的训练数据集生成方法有效的扩宽了训练数据集，并且能够保证训练数据的有效性，从而能够提高流场预测模型的训练效果和预测精度。
具体实施过程中，编码器通过如下步骤生成注意力特征图：
S211：将符号距离函数图输入卷积层进行卷积滤波处理，生成对应的原始特征图；
本实施例中，输入基于注意力的编码器的流体图像为150*150的符号距离函数图。卷积层为300个5*5的卷积滤波器组成每个卷积都由非线性Swish激活函数包裹，通过卷积滤波器后得到的原始特征图的特征向量变为了30*30*300。
S212：将原始特征图输入通道注意力模块中提取通道重要性特征，生成对应的通道注意力特征图；
结合图5所示，通道注意力模块通过如下步骤生成通道注意力特征图：
S2121：将原始特征图输入并行的最大池化层和平均池化层，生成对应的第一特征图和第二特征图；
本实施例中，通过最大池化层和平均池化层将原始特征图从30*30*300变为1*1*300的大小。
S2122：通过共享多层感知机分别将第一特征图和第二特征图的通道数压缩为原通道数的1/r倍、再扩张回原通道数，生成对应的第一感知特征图和第二感知特征图；
S2123：通过ReLU激活函数对第一感知特征图和第二感知特征图进行激活，并将激活后的结果进行逐元素相加和sigmoid激活函数处理，生成对应的通道注意力机制图；
S2124：将通道注意力机制图与原始特征图相乘，生成对应的通道注意力特征图。
S213：将通道注意力特征图输入空间注意力模块中提取空间特征，生成对应的空间注意力特征图；
结合图5所示，空间注意力模块通过如下步骤生成空间注意力特征图：
S2131：将通道注意力特征图输入最大池化层，生成对应的第三特征图；
本实施例中，将通道注意力特征图输入最大池化层得到一个30*30*1的特征图。
S2132：将第三特征图输入7*7的卷积层进行卷积滤波处理，生成对应的一通道特征图；
S2133：对一通道特征图进行过sigmoid激活处理，生成对应的空间注意力机制图；
S2134：将空间注意力机制图与原始特征图相乘，生成对应的空间注意力特征图。
本实施例中，空间注意力特征图为30*30*300的大小。
S214：将空间注意力特征图输入卷积层进行卷积滤波处理，生成对应的注意力特征图。
本实施例中，将空间注意力特征图依次输入300个5*5的卷积滤波器组成的卷积层，300个3*3的卷积滤波器组成的卷积层，每个卷积都由非线性Swish激活函数包裹，生成2*2*300的注意力特征图。
本发明基于注意力机制和卷积神经网络的编码器，能够从空间和通道相关性较强的流场数据中学习高级特征，进而有效的分析预测对象周围流场的主要影响因素，并且能够更好的关注流场变化剧烈的部分，实现模型的全局参考，进而得到更准确的模型预测精度和更快的模型收敛速度。
由于编解码器结构在局部信息的预测精度上有很大的局限性，因此，本发明通过空间注意力机制和通道注意力机制分别从空间和通道重要性两个层面来实现模型的全局参考，从而能够更好的增加流场预测的准确度和加快模型的收敛速度。
具体实施过程中，融合映射模块首先将2*2*300的注意力特征图进行重组，得到1*1200的特征向量；然后在原始特征向量中加入对应的攻角和马赫数作为新的向量，生成1202*1的融合特征向量；最后通过全连接层将融合特征向量的维度映射至与原始特征向量一致即1200*1，并对融合特征向量进行重组，生成对应的高级特征图。
具体实施过程中，解码器依次通过3*3的卷积滤波器、5*5的卷积滤波器和5*5的卷积滤波器对高级特征图进行解码，生成包含待预测对象周围x方向速度场、y方向速度场和压力场的预测值的流场预测图像。
具体实施过程中，训练损失函数由均方误差、梯度锐化和L2正则化组成。
通过如下公式计算训练损失：
Cost＝λMSE×MSE+λGS×GS+λL2×L2regularization；
式中：Cost表示训练损失；MSE表示均方误差；GS表示梯度锐化；L2regularization表示L2正则化；λMSE、λGS、λL2表示设置的权重系数；
Figure BDA0004124810200000111
Figure BDA0004124810200000112
Figure BDA0004124810200000113
式中：U和V分别表示速度场的x分量和y分量；m表示批量大小；nx表示沿x方向的网格点的数量；ny表示沿y方向的网格点数；P表示标量压力场；
Figure BDA0004124810200000121
表示第l个训练数据中第i行第j列个网格点x方向速度场的真实值；L表示具有可训练权重的层的数量；nl表示层L中的可训练权重数量；θ表示待训练的模型参数；/>
Figure BDA0004124810200000122
表示第l个训练数据中第i行第j列个网格点x方向速度场的预测值；/>
Figure BDA0004124810200000123
表示第l个训练数据中第i行第j列个网格点y方向速度场的真实值；/>
Figure BDA0004124810200000124
表示第l个训练数据中第i行第j列个网格点y方向速度场的预测值；/>
Figure BDA0004124810200000125
表示第l个训练数据中第i行第j列个网格点上压力场的真实值；/>
Figure BDA0004124810200000126
表示第l个训练数据中第i行第j列个网格点上压力场的预测值；/>
Figure BDA0004124810200000127
表示在第i行第j列个网格点上压力在x方向真实值的梯度；/>
Figure BDA0004124810200000128
表示在第i行第j列个网格点上压力在x方向预测值的梯度；
Figure BDA0004124810200000129
表示在第i行第j列个网格点上压力在y方向真实值的梯度；/>
Figure BDA00041248102000001210
表示在第i行第j列个网格点上压力在y方向预测值的梯度；/>
Figure BDA00041248102000001211
表示在第i行第j列个网格点上x方向上速度在x方向真实值的梯度；/>
Figure BDA00041248102000001212
表示在第i行第j列个网格点上x方向上速度在x方向预测值的梯度；/>
Figure BDA00041248102000001213
表示在第i行第j列个网格点上x方向上速度在y方向真实值的梯度；
Figure BDA00041248102000001214
表示在第i行第j列个网格点上x方向上速度在y方向预测值的梯度；/>
Figure BDA00041248102000001215
表示在第i行第j列个网格点上y方向上速度在x方向真实值的梯度；/>
Figure BDA00041248102000001216
表示在第i行第j列个网格点上y方向上速度在x方向预测值的梯度；/>
Figure BDA00041248102000001217
表示在第i行第j列个网格点上y方向上速度在y方向真实值的梯度；/>
Figure BDA00041248102000001218
表示在第i行第j列个网格点上y方向上速度在y方向预测值的梯度。
本实施例中，所述的网格和网格点是指，通过笛卡尔网格方法或其他现有方法将流场预测图像和流场真实图像进行网格化处理后，网格化的流场预测图像和流场真实图像中的网格和网格点。
流场预测模型在训练阶段学习不同的权重以预测流场：在每次迭代中，一批训练数据经历前馈过程，当输出的结果(流场预测图像)与期望值(流场真实图像)不符时，进行反向传播，求出结果与期望值的误差(训练损失)，进而将误差一层一层的返回并计算每一层的误差，根据误差计算训练损失以实现网络权值的更新，直至流场预测模型收敛。
本发明加入均方误差是为了使流场图像在训练结束时更加精确，因为均方误差损失的梯度在损失值较高时会比较大，随着损失接近0时而下降；加入梯度锐化是为了惩罚损失函数中梯度的差异，并解决流场预测中缺乏锐度的问题；加入L2范数是为防止模型训练时候的误差很小，但在测试的时候误差很大，流场预测模型复杂到可以拟合到所有训练样本了，但在实际预测新的样本的时候模型性能较差的问题。因此，本发明通过均方误差、梯度锐化和L2正则化组成训练损失函数，从而能够提高流场预测模型的训练效果和性能。
最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.基于注意力和卷积神经网络编解码器的流场预测方法，其特征在于，包括：
S1：获取待预测对象的符号距离函数图；
S2：将符号距离函数图输入经过训练的流场预测模型，输出对应的流场预测图像；
训练流场预测模型时：首先将包含符号距离函数图及对应流场真实图像的训练数据集输入流场预测模型；然后通过基于注意力机制和卷积神经网络的编码器提取符号距离函数图的图像特征，生成对应的注意力特征图；进而通过融合映射模块将注意力特征图与对应符号距离函数图的攻角和马赫数融合，并映射生成对应的高级特征图；随后通过解码器对高级特征图进行解码，生成对应的流场预测图像；最后基于流场预测图像和对应的流场真实图像计算训练损失，并通过训练损失优化流场预测模型的参数；
S3：将流场预测图像中速度场和压力场的预测值作为待预测对象的流场预测结果。
2.如权利要求1所述的基于注意力和卷积神经网络编解码器的流场预测方法，其特征在于，通过如下步骤构建训练数据集：
S201：对目标翼型进行参数化并增加扰动生成新的翼型，将各种翼型作为预测对象；
S202：对于单个预测对象，通过笛卡尔网格方法生成对应的符号距离函数图；
S203：通过雷诺平均N-S方程数值模拟方法计算单个预测对象在不同攻角和不同马赫数下的速度场和压力场作为流场数据；
S204：通过三角部分的散乱数据插值法将单个预测对象的流场数据插值到对应尺寸的笛卡尔网格上，生成对应的流场真实图像；
S205：重复步骤S202至S204，并将对应预测对象的符号距离函数图和流场真实图像作为一组训练数据，以生成包含符号距离函数图及对应流场真实图像的训练数据集。
3.如权利要求2所述的基于注意力和卷积神经网络编解码器的流场预测方法，其特征在于：步骤S202中，通过如下步骤生成符号距离函数图：
S2021：通过笛卡尔网格方法将对应的预测对象进行网格化，生成对应的机翼网格；
S2022：计算给定的笛卡尔网格点与机翼网格中预测对象的边界点之间的符号距离；
S2023：搜索预测对象的边界点，计算与给定的笛卡尔网格点最近的边界点处的法向量以及从给定的笛卡尔网格点到最近的边界点的向量之间的标量积，并通过标量积值判断函数符号；
S2024：根据计算得到的符号距离和函数符号生成对应预测对象的符号距离函数图。
4.如权利要求1所述的基于注意力和卷积神经网络编解码器的流场预测方法，其特征在于，编码器通过如下步骤生成注意力特征图：
S211：将符号距离函数图输入卷积层进行卷积滤波处理，生成对应的原始特征图；
S212：将原始特征图输入通道注意力模块中提取通道重要性特征，生成对应的通道注意力特征图；
S213：将通道注意力特征图输入空间注意力模块中提取空间特征，生成对应的空间注意力特征图；
S214：将空间注意力特征图输入卷积层进行卷积滤波处理，生成对应的注意力特征图。
5.如权利要求4所述的基于注意力和卷积神经网络编解码器的流场预测方法，其特征在于：步骤S212中，通道注意力模块通过如下步骤生成通道注意力特征图：
S2121：将原始特征图输入并行的最大池化层和平均池化层，生成对应的第一特征图和第二特征图；
S2122：通过共享多层感知机分别将第一特征图和第二特征图的通道数压缩为原通道数的1/r倍、再扩张回原通道数，生成对应的第一感知特征图和第二感知特征图；
S2123：通过ReLU激活函数对第一感知特征图和第二感知特征图进行激活，并将激活后的结果进行逐元素相加和sigmoid激活函数处理，生成对应的通道注意力机制图；
S2124：将通道注意力机制图与原始特征图相乘，生成对应的通道注意力特征图。
6.如权利要求4所述的基于注意力和卷积神经网络编解码器的流场预测方法，其特征在于：步骤S213中，空间注意力模块通过如下步骤生成空间注意力特征图：
S2131：将通道注意力特征图输入最大池化层，生成对应的第三特征图；
S2132：将第三特征图输入卷积层进行卷积滤波处理，生成对应的一通道特征图；
S2133：对一通道特征图进行过sigmoid激活处理，生成对应的空间注意力机制图；
S2134：将空间注意力机制图与原始特征图相乘，生成对应的空间注意力特征图。
7.如权利要求1所述的基于注意力和卷积神经网络编解码器的流场预测方法，其特征在于：融合映射模块首先将注意力特征图进行重组，得到对应维度的原始特征向量；然后在原始特征向量中加入对应的攻角和马赫数作为新的向量，生成对应的融合特征向量；最后通过全连接层将融合特征向量的维度映射至与原始特征向量一致并对融合特征向量进行重组，生成对应的高级特征图。
8.如权利要求1所述的基于注意力和卷积神经网络编解码器的流场预测方法，其特征在于：解码器依次通过三个卷积滤波器对高级特征图进行解码，生成包含待预测对象周围x方向速度场、y方向速度场和压力场的预测值的流场预测图像。
9.如权利要求1所述的基于注意力和卷积神经网络编解码器的流场预测方法，其特征在于：通过如下公式计算训练损失：
Cost＝λMSE×MSE+λGS×GS+λL2×L2regularization；
式中：Cost表示训练损失；MSE表示均方误差；GS表示梯度锐化；L2regularization表示L2正则化；λMSE、λGS、λL2表示设置的权重系数；
Figure FDA0004124810190000031
Figure FDA0004124810190000032
Figure FDA0004124810190000033
式中：U和V分别表示速度场的x分量和y分量；m表示批量大小；nx表示沿x方向的网格点的数量；ny表示沿y方向的网格点数；P表示标量压力场；
Figure FDA0004124810190000034
表示第l个训练数据中第i行第j列个网格点x方向速度场的真实值；L表示具有可训练权重的层的数量；nl表示层L中的可训练权重数量；θ表示待训练的模型参数；/>
Figure FDA0004124810190000035
表示第l个训练数据中第i行第j列个网格点x方向速度场的预测值；/>
Figure FDA0004124810190000036
表示第l个训练数据中第i行第j列个网格点y方向速度场的真实值；/>
Figure FDA0004124810190000037
表示第l个训练数据中第i行第j列个网格点y方向速度场的预测值；/>
Figure FDA00041248101900000320
表示第l个训练数据中第i行第j列个网格点上压力场的真实值；/>
Figure FDA0004124810190000038
表示第l个训练数据中第i行第j列个网格点上压力场的预测值；/>
Figure FDA0004124810190000039
表示在第i行第j列个网格点上压力在x方向真实值的梯度；/>
Figure FDA00041248101900000310
表示在第i行第j列个网格点上压力在x方向预测值的梯度；/>
Figure FDA00041248101900000311
表示在第i行第j列个网格点上压力在y方向真实值的梯度；/>
Figure FDA00041248101900000312
表示在第i行第j列个网格点上压力在y方向预测值的梯度；/>
Figure FDA00041248101900000313
表示在第i行第j列个网格点上x方向上速度在x方向真实值的梯度；/>
Figure FDA00041248101900000314
表示在第i行第j列个网格点上x方向上速度在x方向预测值的梯度；/>
Figure FDA00041248101900000315
表示在第i行第j列个网格点上x方向上速度在y方向真实值的梯度；/>
Figure FDA00041248101900000316
表示在第i行第j列个网格点上x方向上速度在y方向预测值的梯度；/>
Figure FDA00041248101900000317
表示在第i行第j列个网格点上y方向上速度在x方向真实值的梯度；/>
Figure FDA00041248101900000318
表示在第i行第j列个网格点上y方向上速度在x方向预测值的梯度；/>
Figure FDA00041248101900000319
表示在第i行第j列个网格点上y方向上速度在y方向真实值的梯度；/>
Figure FDA0004124810190000041
表示在第i行第j列个网格点上y方向上速度在y方向预测值的梯度。
10.如权利要求9所述的基于注意力和卷积神经网络编解码器的流场预测方法，其特征在于，流场预测模型在训练阶段学习不同的权重以预测流场：在每次迭代中，一批训练数据经历前馈过程，当输出的结果与期望值不符时，进行反向传播过程，求出结果与期望值的误差，进而将误差一层一层的返回并计算每一层的误差，根据误差计算训练损失以实现网络权值的更新，直至流场预测模型收敛。
CN202310242725.0A 2022-11-15 2023-03-14 基于注意力和卷积神经网络编解码器的流场预测方法 Active CN116227359B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2022114301140 2022-11-15
CN202211430114.0A CN115859781A (zh) 2022-11-15 2022-11-15 基于注意力和卷积神经网络编解码器的流场预测方法

Publications (2)

Publication Number Publication Date
CN116227359A true CN116227359A (zh) 2023-06-06
CN116227359B CN116227359B (zh) 2024-09-03

Family

ID=85663577

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202211430114.0A Withdrawn CN115859781A (zh) 2022-11-15 2022-11-15 基于注意力和卷积神经网络编解码器的流场预测方法
CN202310242725.0A Active CN116227359B (zh) 2022-11-15 2023-03-14 基于注意力和卷积神经网络编解码器的流场预测方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202211430114.0A Withdrawn CN115859781A (zh) 2022-11-15 2022-11-15 基于注意力和卷积神经网络编解码器的流场预测方法

Country Status (1)

Country Link
CN (2) CN115859781A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118364701A (zh) * 2024-02-28 2024-07-19 山东大学 基于时空多元数据融合的注浆智能模拟方法及系统

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116522769B (zh) * 2023-04-20 2024-09-13 重庆大学 基于vae-gan和自注意力机制的压力系数预测方法
CN116227364B (zh) * 2023-04-25 2024-09-13 重庆大学 基于改进生成对抗网络与模型压缩的翼型流场预测方法
CN117540489B (zh) * 2023-11-13 2024-06-21 重庆大学 一种基于多任务学习的翼型气动数据计算方法及系统
CN117540664B (zh) * 2024-01-10 2024-04-05 中国空气动力研究与发展中心计算空气动力研究所 一种基于图神经网络的二维流场预测与修正方法
CN117574029B (zh) * 2024-01-19 2024-04-26 中国空气动力研究与发展中心计算空气动力研究所 高分辨率雷诺应力与雷诺平均Navier-Stokes方程求解器的兼容方法
CN118504421B (zh) * 2024-07-17 2024-09-10 中国空气动力研究与发展中心超高速空气动力研究所 一种融合算子学习与卷积神经网络的流场预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112784508A (zh) * 2021-02-12 2021-05-11 西北工业大学 一种基于深度学习的翼型流场快速预测方法
CN113706650A (zh) * 2021-08-27 2021-11-26 深圳龙岗智能视听研究院 一种基于注意力机制和流模型的图像生成方法
CN114429079A (zh) * 2021-12-30 2022-05-03 中国海洋大学 基于双流神经网络的流体动力学过程参数计算方法及应用
WO2022159074A1 (en) * 2021-01-19 2022-07-28 Google Llc Machine-learned approximation techniques for numerical simulations
CN114818462A (zh) * 2022-03-12 2022-07-29 西北工业大学 一种基于离散不变性网格卷积算子的流场建模方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022159074A1 (en) * 2021-01-19 2022-07-28 Google Llc Machine-learned approximation techniques for numerical simulations
CN112784508A (zh) * 2021-02-12 2021-05-11 西北工业大学 一种基于深度学习的翼型流场快速预测方法
CN113706650A (zh) * 2021-08-27 2021-11-26 深圳龙岗智能视听研究院 一种基于注意力机制和流模型的图像生成方法
CN114429079A (zh) * 2021-12-30 2022-05-03 中国海洋大学 基于双流神经网络的流体动力学过程参数计算方法及应用
CN114818462A (zh) * 2022-03-12 2022-07-29 西北工业大学 一种基于离散不变性网格卷积算子的流场建模方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CIHAT DURU ET.AL: "CNNFOIL: convolutional encoder decoder modeling for pressure fields around airfoils", 《NEURAL COMPUTING AND APPLICATIONS》, 6 November 2020 (2020-11-06), pages 6835 - 6849, XP037468820, DOI: 10.1007/s00521-020-05461-x *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118364701A (zh) * 2024-02-28 2024-07-19 山东大学 基于时空多元数据融合的注浆智能模拟方法及系统

Also Published As

Publication number Publication date
CN116227359B (zh) 2024-09-03
CN115859781A (zh) 2023-03-28

Similar Documents

Publication Publication Date Title
CN116227359B (zh) 基于注意力和卷积神经网络编解码器的流场预测方法
Liu et al. Supervised learning method for the physical field reconstruction in a nanofluid heat transfer problem
Hui et al. Fast pressure distribution prediction of airfoils using deep learning
Xu et al. Multi-level convolutional autoencoder networks for parametric prediction of spatio-temporal dynamics
Georgiou et al. Learning fluid flows
Chen et al. Crom: Continuous reduced-order modeling of pdes using implicit neural representations
Gupta et al. Three-dimensional deep learning-based reduced order model for unsteady flow dynamics with variable Reynolds number
Peng et al. Data-driven modeling of geometry-adaptive steady heat conduction based on convolutional neural networks
JP7492083B2 (ja) メッシュ表現およびグラフニューラルネットワークを使用した物理的環境のシミュレーション
Jacob et al. Deep learning for real-time aerodynamic evaluations of arbitrary vehicle shapes
Chen et al. Towards high-accuracy deep learning inference of compressible turbulent flows over aerofoils
Bonnet et al. An extensible benchmarking graph-mesh dataset for studying steady-state incompressible Navier-Stokes equations
Naderibeni et al. Learning solutions of parametric Navier-Stokes with physics-informed neural networks
Xu et al. A novel model with an improved loss function to predict the velocity field from the pressure on the surface of the hydrofoil
Díaz-Morales et al. Deep learning combined with singular value decomposition to reconstruct databases in fluid dynamics
CN111159956B (zh) 一种基于特征的流场间断捕捉方法
Domínguez-Vázquez et al. Adjoint-based particle forcing reconstruction and uncertainty quantification
CN115438575B (zh) 一种用于高精度翼型流场预测的分析方法
Ma et al. A comprehensive deep learning geometric shape optimization framework with field prediction surrogate and reinforcement learning
Jessica et al. Finite Volume Features, Global Geometry Representations, and Residual Training for Deep Learning-based CFD Simulation
Shahane et al. Convolutional neural network for flow over single and tandem elliptic cylinders of arbitrary aspect ratio and angle of attack
Hočevar et al. A turbulent-wake estimation using radial basis function neural networks
Giyats et al. Applied machine learning to estimate length of separation and reattachment flows as parameter active flow control in backward facing step
Yu et al. Reduced-Order Modeling of Ship Airwakes with Atmospheric Turbulence Effects using Dynamic Graph Networks
Clemente et al. Rapid pedestrian‐level wind field prediction for early‐stage design using Pareto‐optimized convolutional neural networks

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
CB03 Change of inventor or designer information

Inventor after: Huang Hongyu

Inventor after: Xiao Hongfei

Inventor after: Chen Chao

Inventor after: Xie Zhijiang

Inventor before: Huang Hongyu

Inventor before: Xiao Hongfei

Inventor before: Chen Chao

Inventor before: Xie Zhijiang

Inventor before: Yang Chaoxu

Inventor before: Wang Chengliang

Inventor before: Xie Lei

Inventor before: Meng Dehong

Inventor before: Yang Haiyong

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant