CN117077579B - 翼型流场预测方法、装置、设备及存储介质 - Google Patents
翼型流场预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117077579B CN117077579B CN202311340561.1A CN202311340561A CN117077579B CN 117077579 B CN117077579 B CN 117077579B CN 202311340561 A CN202311340561 A CN 202311340561A CN 117077579 B CN117077579 B CN 117077579B
- Authority
- CN
- China
- Prior art keywords
- flow field
- airfoil
- field information
- prediction model
- prediction
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 135
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims description 42
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000002441 reversible effect Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000012530 fluid Substances 0.000 description 5
- 230000003042 antagnostic effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Fluid Mechanics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于互联网技术领域,公开了一种翼型流场预测方法、装置、设备及存储介质。本发明通过根据各翼型形状的形状二维矩阵和各流场信息的归一化数据构建目标数据集;根据目标数据集对初始翼型流场预测模型进行训练,确定目标预测模型,所述初始翼型流场预测模型由流场预测组件、时刻流场增强组件以及时序流场增强组件搭建;输入待测翼型数据至目标预测模型进行流场信息预测,得到预测翼型流场信息。本发明通过初始翼型流场预测模型进行流场信息预测,再根据目标数据集对初始翼型流场预测模型进行训练,得到目标预测模型,最后将翼型数据输入至目标预测模型中预测出流场信息,增强了翼型流场预测结果的前后连续性,提高了翼型流场预测的准确性。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种翼型流场预测方法、装置、设备及存储介质。
背景技术
近年来,随着人工智能的发展,深度学习技术逐渐被应用于流场预测的代理模型。深度学习的流场预测代理模型主要分为两类:一类是基于物理信息神经网络的流场预测方法,该方法主要通过在神经网络中加入了偏微分方程,利用了偏微分方程的损失来对神经网络的预测进行约束。然而,神经网络需要进行变换才能应用于复杂网格,导致其预测精度较低。一类是基于深度学习的快速流场预测,该方法直接利用CFD模拟的数据进行学习,可快速的进行流场预测,但该方法无法对流场进行物理方程约束,导致预测精度差,使其难以应用于实际的工程中。因此,如何在快速的流场预测中,增强流场预测的精度成为了亟待解决的问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种翼型流场预测,旨在解决现有技术在快速的流场预测中预测精度低的技术问题。
为实现上述目的,本发明提供了一种翼型流场预测方法、装置、设备及存储介质,所述方法包括以下步骤:
根据各翼型形状的形状二维矩阵和各流场信息的归一化数据构建目标数据集;
根据所述目标数据集对初始翼型流场预测模型进行训练,确定目标预测模型,所述初始翼型流场预测模型由流场预测组件、时刻流场增强组件以及时序流场增强组件搭建;
输入待测翼型数据至所述目标预测模型进行流场信息预测,得到预测翼型流场信息。
可选地,所述根据各翼型形状的形状二维矩阵和各流场信息的归一化数据构建目标数据集之前,还包括:
获取翼型流场数据集;
对所述翼型流场数据集中的各样本翼型形状进行编码处理,确定各样本翼型形状的形状二维矩阵;
对所述翼型流场数据集中的各样本流场信息进行归一化处理,确定各样本流场信息的归一化数据。
可选地,所述对所述翼型流场数据集中的各样本流场信息进行归一化处理,确定各样本流场信息的归一化数据,包括:
确定所述翼型流场数据集中各样本流场信息的极值变量;
根据各样本流场信息的极值变量对各样本流场信息中的各初始变量进行缩放处理,得到各样本流场信息中各变量对应的处理变量;
对各样本流场信息中各处理变量进行数值转换,得到各样本流场信息中各处理变量对应的转换变量;
根据各样本流场信息中的多个转换变量得到各样本流场信息的归一化数据。
可选地,所述根据各翼型形状的形状二维矩阵和各流场信息的归一化数据构建目标数据集,包括:
根据各流场信息的时间信息,对各流场信息的归一化数据进行划分,确定多个流场信息训练样本;
根据各流场信息训练样本以及各翼型形状的形状二维矩阵确定目标数据集。
可选地,所述根据所述目标数据集对初始翼型流场预测模型进行训练,确定目标预测模型,包括:
输入所述目标数据集中的各流场信息训练样本至初始翼型流场预测模型中的流场预测组件,得到多个预测流场信息;
根据多个预测流场信息和所述目标数据集确定多个时刻训练样本和多个时序训练样本;
根据各时刻训练样本和各时序训练样本对所述初始翼型流场预测模型进行训练,得到目标预测模型。
可选地,所述根据各时刻训练样本和各时序训练样本对所述初始翼型流场预测模型进行训练,得到目标预测模型,包括:
输入各时刻训练样本至所述初始翼型流场预测模型中的时刻流场增强组件,得到时刻预测结果;
输入各时序训练样本至所述初始翼型流场预测模型中的时序流场增强组件,得到时序预测结果;
根据所述时刻预测结果和所述时序预测结果确定所述初始翼型流场预测模型的训练结果;
根据所述训练结果得到目标预测模型。
可选地,所述输入待测翼型数据至所述目标预测模型进行流场信息预测,得到预测翼型流场信息之前,还包括:
获取所述待测翼型形状;
对所述待测翼型形状进行流场信息计算,确定初始流场信息;
对所述待测翼型形状和所述初始流场信息进行编码处理,确定所述待测翼型数据。
此外,为实现上述目的,本发明还提出一种翼型流场预测装置,所述翼型流场预测装置包括:
处理模块,用于根据各翼型形状的形状二维矩阵和各流场信息的归一化数据构建目标数据集;
训练模块,用于根据所述目标数据集对初始翼型流场预测模型进行训练,确定目标预测模型,所述初始翼型流场预测模型由流场预测组件、时刻流场增强组件以及时序流场增强组件搭建;
计算模块,用于输入待测翼型数据至所述目标预测模型进行流场信息预测,得到预测翼型流场信息。
此外,为实现上述目的,本发明还提出一种翼型流场预测设备,所述翼型流场预测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的翼型流场预测程序,所述翼型流场预测程序配置为实现如上文所述的翼型流场预测方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有翼型流场预测程序,所述翼型流场预测程序被处理器执行时实现如上文所述的翼型流场预测方法的步骤。
本发明通过根据各翼型形状的形状二维矩阵和各流场信息的归一化数据构建目标数据集;根据目标数据集对初始翼型流场预测模型进行训练,确定目标预测模型,所述初始翼型流场预测模型由流场预测组件、时刻流场增强组件以及时序流场增强组件搭建;输入待测翼型数据至目标预测模型进行流场信息预测,得到预测翼型流场信息。本发明通过初始翼型流场预测模型进行流场信息预测,再根据目标数据集对初始翼型流场预测模型进行训练,得到目标预测模型,最后将翼型数据输入至目标预测模型中预测出流场信息,增强了翼型流场预测结果的前后连续性,提高了翼型流场预测的准确性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的翼型流场预测设备的结构示意图;
图2为本发明翼型流场预测方法第一实施例的流程示意图;
图3为本发明翼型流场预测方法一实施例的整体流程示意图;
图4为本发明翼型流场预测方法第一实施例中流场预测组件结构图;
图5为本发明翼型流场预测方法第一实施例中时刻流场增强组件的原理图;
图6为本发明翼型流场预测方法第一实施例中时序流场增强组件的原理图;
图7为本发明翼型流场预测方法第二实施例的流程示意图;
图8为本发明翼型流场预测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的翼型流场预测设备结构示意图。
如图1所示,该翼型流场预测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对翼型流场预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及翼型流场预测程序。
在图1所示的翼型流场预测设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明翼型流场预测设备中的处理器1001、存储器1005可以设置在翼型流场预测设备中,所述翼型流场预测设备通过处理器1001调用存储器1005中存储的翼型流场预测程序,并执行本发明实施例提供的翼型流场预测方法。
本发明实施例提供了一种翼型流场预测方法,参照图2,图2为本发明一种翼型流场预测方法第一实施例的流程示意图。
本实施例中,所述翼型流场预测方法包括以下步骤:
步骤S10:根据各翼型形状的形状二维矩阵和各流场信息的归一化数据构建目标数据集。
需要说明的是,本实施例的执行主体是翼型流场预测设备,其中,该翼型流场预测设备具有数据处理,数据通信及程序运行等功能,所述翼型流场预测设备可以为集成控制器,控制计算机等设备,当然还可以为其他具备相似功能的设备,本实施例对此不做限制。
需要说明的是,参照图3,图3为一实施例的整体流程示意图,其中,在收集翼型流场数据集后,搭建翼型流场预测框架,再训练翼型流场预测框架,导出翼型流场预测模型,在实际应用时,通过计算流体力学模型计算翼型形状,输入至翼型流场预测模型,最后输出翼型流场信息。
可以理解的是,各翼型形状的形状二维矩阵指的是将各翼型形状进行编码处理,转换为二维矩阵形式,具体过程为对翼型形状以及计算域进行二维矩阵编码,翼型形状内部的数值编码为-1,翼型外部的计算域则编码为流场信息,以此组成了一个二维矩阵输入到傅里叶神经网络中进行预测,各流场信息的归一化数据指的是对各流场信息进行归一化处理的数据,目标数据集指的是由处理后的翼型形状和处理后的流场信息组成的数据集合,流场信息包括但不限于翼型流场的速度、压力、温度等物理信息。
在具体实施中,对各翼型形状和各流场信息进行预处理,将各翼型形状转换为二维矩阵形式,将各流场信息进行归一化处理,最后根据各翼型形状的形状二维矩阵和各流场信息的归一化数据构建目标数据集。
需要说明的是,为了得到目标数据集,进一步地,所述根据各翼型形状的形状二维矩阵和各流场信息的归一化数据构建目标数据集之前,还包括:获取翼型流场数据集;对所述翼型流场数据集中的各样本翼型形状进行编码处理,确定各样本翼型形状的形状二维矩阵;对所述翼型流场数据集中的各样本流场信息进行归一化处理,确定各样本流场信息的归一化数据。
可以理解的是,翼型流场数据集指的是通过计算流体力学所计算的流场信息数据和翼型形状的集合,即针对不同形状、来流速度、来流方向、攻角等采用CFD进行流场模拟,收集所有的工况流场数据。
在具体实施中,根据翼型形状通过计算流体力学模拟计算出多个流场信息,由多个翼型形状和多个计算出的流场信息组成翼型流场数据集,再对多个翼型形状进行二维矩阵编码处理,得到各样本翼型形状的形状二维矩阵,对所述翼型流场数据集中的各样本流场信息进行归一化处理,确定各样本流场信息的归一化数据。
需要说明的是,为了准确的对流场信息进行归一化处理,进一步地,所述对所述翼型流场数据集中的各样本流场信息进行归一化处理,确定各样本流场信息的归一化数据,包括:确定所述翼型流场数据集中各样本流场信息的极值变量;根据各样本流场信息的极值变量对各样本流场信息中的各初始变量进行缩放处理,得到各样本流场信息中各变量对应的处理变量;对各样本流场信息中各处理变量进行数值转换,得到各样本流场信息中各处理变量对应的转换变量;根据各样本流场信息中的多个转换变量得到各样本流场信息的归一化数据。
可以理解的是,极值变量指的是流场信息中各变量的最大值和最小值,各初始变量指的是流场信息中所有变量,处理变量指的是各个缩放处理后的变量,数值转换指的是对各个缩放处理后的变量数据进行转换数值处理。
在具体实施中,根据翼型流场数据集获取各样本流场信息的极值变量,例如:获取流场信息中速度变量的速度最大值和速度最小值,再根据得到的速度最大值和速度最小值对流场信息中的所有速度变量进行缩放处理,例如:速度=(速度–速度最小值)/(速度最大值–速度最小值),以此将变量缩放到(0,1)的数值空间中,以得到各样本流场信息中各变量对应的处理变量,再对各个处理变量进行数值转换处理,例如:对变量乘以2减去1的操作(速度= 2*速度- 1),以此将数值空间转换为(-1,1)之间,得到各样本流场信息中各处理变量对应的转换变量,最后根据多个转换变量得到各样本流场信息的归一化数据,当然还可以对流场信息中其他变量进行处理,且处理方式还可以为其他具备相似效果的数据处理方式,本实施例对此不做限制。
步骤S20:根据所述目标数据集对初始翼型流场预测模型进行训练,确定目标预测模型,所述初始翼型流场预测模型由流场预测组件、时刻流场增强组件以及时序流场增强组件搭建。
可以理解的是,初始翼型流场预测模型指的是未进行训练的翼型流场预测模型,目标预测模型指的是已完成训练的翼型流场预测模型,流场预测组件采用傅里叶神经网络作为预测网络,傅里叶神经网络负责快速流场的预测,包括前向与后向的流场预测,增强预测的时序关联性,时刻流场增强组件采用卷积神经网络作为增强网络,该组件负责增强傅里叶神经网络预测的空间物理分布规律,时序流场增强组件采用多通道的卷积神经网络作为增强网络,该组件负责增强傅里叶神经网络预测的时间物理分布规律。
在具体实施中,根据得到的目标数据集对初始翼型流场预测模型进行训练,确定训练后的翼型流场预测模型为目标预测模型,其中,由时刻流场增强组件和时序流场增强组件对流场预测组件进行训练。
需要说明的是,在本实施例中,将最小化以下损失函数:,其中,包括预测损失和两个对抗性损失,/>为FNO的预测损失,和/>为两个增强组件的对抗损失,/>与/>用于预测损失与对抗损失之间的平衡系数,本实施例中分别取值为0.1、0.15。
需要说明的是,参照图4,图4为流场预测组件的主要预测结构图,流场预测组件采取了傅里叶神经(以下称FNO)网络作为预测网络,FNO网络采用连续的流场信息作为输入,下一时刻的流场信息作为输出。在本发明中,为了增强FNO预测的时序物理分布规律,采用了循环预测的训练方式,即FNO网络负责前向预测下一个时刻的流场信息,也负责反向预测上一个时刻的流场信息。其中,主要预测结构图中,a(x)为三个时刻的流场信息,P为特征扩张层,此处为卷积层,将三个时刻的流场信息扩张到更多的通道;在傅里叶层中,输入v(x)为多通道特征,F为傅里叶变换操作,将特征从始于转换为频域特征,R为高频滤波器,将高频的频域信息进行过滤,提取主要的频域特征,为反傅里叶变换,将频域特征转换到时域特征中,经过傅里叶变换后,多通道特征过滤了高频的信息,W为权重参数,多多通道特征进行变换,与过滤了高频信息的特征组成了一个残差结构,/>为激活函数leakluyRelu,增强非线性预测能力。
输入时序流场定义为:,其中,/>为第i个时刻的流场数据,m和n表示第一个与最后一个时刻数据的索引,输入的时序长度则为n-m+1,FNO由输入数据生成/>时刻的流场数据,在本实施例中,采取了3个时序的长度作为输入。
同样的,反向输入序列被定义为:。当反向输入序列输入FNO中,FNO则生成/>时刻的流场数据。预测组件FNO的学习任务包含两部分:不仅要预测正向变化的流场,即按时序进行流场的预测;而且要预测反向变化的流场,即按逆时序进行流场的预测。我们将包含一个假时刻序列的流场数据定义为:/>,/>表示FNO预测出n时刻的流场数据,/>则表示使用了含有/>的流场数据预测出的n时刻流场数据。同理,包含一个假时刻你序列数据定义为:/>,/>表示FNO预测出m时刻的流场数据,/>则表示使用了含有/>的流场数据预测出的m时刻流场数据。逆时序的流场预测能够促进正向的流场预测,使得预测组件能够学习到流场的时序物理分布规律。
因此,预测组件FNO的损失由4个均方误差损失组成,包含了为正反向预测误差,同时计算了预测数据之间的误差,如公式所示:
其中,表示/>与/>的均方误差损失。
需要说明的是,时刻流场增强组件用于对预测的时刻流场进行空间物理分布增强,参照图5,图5时刻流场增强组件的原理图,实线框为真实流场,虚线框为预测的流场,在前向预测中,时刻增强组件需要增强第n+1个时刻的预测流场与真实流场/>的空间物理分布规律。同时,包含了预测流场的/>序列预测的/>流场,时刻增强组件也需要增强第n+1个时刻的预测流场/>与真实流场/>的空间物理分布规律;在反向预测中,时刻增强组件需要增强第m个时刻的预测流场/>与真实流场/>的空间物理分布规律。同时,包含了预测流场的/>序列预测的/>流场,时刻增强组件也需要增强第m个时刻的预测流场与真实流场/>的空间物理分布规律;在本实施例中,时刻增强组件的损失函数由4个对抗性误差损失组成,计算公式如下所示:
其中,表示/>与/>的对抗性误差损失,/>表示时刻增强组件,F表示FNO预测组件,/>、/>分别表示m时刻真实的流场信息与预测的流场信息。
需要说明的是,时序流场增强组件用于对预测的时序流场进行时间物理分布增强,参照图6,图6为时序流场增强组件的原理图,实线框为真实流场,虚线框为预测的流场,在时序增强组件中,真实流场序列的三个时刻的流场都是真实的,而假的流场序列包含了四种情况,第一时刻、第二时刻、第三时刻、第一时刻与第三时刻的为预测流场,图中以虚线框表示。在本实施例中,时序增强组件的损失函数由4个对抗性误差损失组成,计算公式如下所示:
,
其中,表示真实的时序流场,/>表示第一时刻为预测流场的时序流场,/>表示第二时刻为预测流场的时序流场,/>表示第三时刻为预测流场的时序流场,/>表示第一和三时刻为预测流场的时序流场。/>、/>分别表示m到n时刻与m+1到n+1逆序时刻的真实流场信息。
步骤S30:输入待测翼型数据至所述目标预测模型进行流场信息预测,得到预测翼型流场信息。
可以理解的是,待测翼型数据指的是待输入翼型流场预测模型中的翼型形状数据,预测翼型流场信息指的是与输入翼型流场预测模型中的翼型形状数据对应的流场信息。
在具体实施中,将待预测的翼型形状输入至训练完成的翼型流场预测模型中,得到与输入翼型流场预测模型中的翼型形状数据对应的流场信息,具体的,采用CFD计算出初始流场信息(三个时刻的初始流场),将翼型形状与初始流场信息编码为3个的二维矩阵输入到流场预测框架中,即可快速准确的计算出翼型流场的速度、压力、温度等物理信息。
本实施例通过根据各翼型形状的形状二维矩阵和各流场信息的归一化数据构建目标数据集;根据目标数据集对初始翼型流场预测模型进行训练,确定目标预测模型,所述初始翼型流场预测模型由流场预测组件、时刻流场增强组件以及时序流场增强组件搭建;输入待测翼型数据至目标预测模型进行流场信息预测,得到预测翼型流场信息。本发明通过初始翼型流场预测模型进行流场信息预测,再根据目标数据集对初始翼型流场预测模型进行训练,得到目标预测模型,最后将翼型数据输入至目标预测模型中预测出流场信息,增强了翼型流场预测结果的前后连续性,提高了翼型流场预测的准确性。
参考图7,图7为本发明一种翼型流场预测方法第二实施例的流程示意图。
基于上述第一实施例,本实施例翼型流场预测方法在所述步骤S20,包括:
步骤S21:输入所述目标数据集中的各流场信息训练样本至初始翼型流场预测模型中的流场预测组件,得到多个预测流场信息。
可以理解的是,各流场信息训练样本指的是由目标数据集中的流场信息组成的多个样本,预测流场信息指的是流场信息训练样本的下一时刻流场信息和上一时刻流场信息。
在具体实施中,确定三个连续时刻的流场信息为一个流场信息训练样本,根据目标数据集中得到多个流场信息训练样本,将多个流场信息训练样本输入初始翼型流场预测模型中的流场预测组件,得到多个预测流场信息,例如:时刻2、3、4的流场信息为一个训练样本,输入至初始翼型流场预测模型中的流场预测组件,可预测下一时刻流场信息,即时刻5的流场信息,将时刻2、3、4的流场信息组成的训练样本进行反序排列,即时刻4、3、2组成一个训练样本,输入至初始翼型流场预测模型中的流场预测组件,可预测上一时刻流场信息,即时刻1的流场信息。
步骤S22:根据多个预测流场信息和所述目标数据集确定多个时刻训练样本和多个时序训练样本。
可以理解的是,多个时刻训练样本指的是多个输入至时刻训练组件中的数据样本,多个时序训练样本指的是多个输入至时序训练组件中的数据样本。
在具体实施中,标记多个预测流场信息中的各时刻流场信息为假样本,目标数据集中通过计算流体力学计算出的流场信息标记为真流场,根据多个预测流场信息和所述目标数据集确定多个时刻训练样本,例如:全部总20个时刻流场信息,通过初始流场时刻1、2、3预测出4-20时刻的流场信息,预测出4-20时刻的流场信息为多个时刻训练样本,确定多个时刻训练样本可以是目标数据集和多个时刻训练样本中的各个时刻流场信息自由组合,可为预测时刻5和目标数据集中时刻4和时刻6组成一个时刻训练样本,也可以是预测时刻4、5、6组成的一个时刻训练样本,具体的组合方式本实施例不进行限定;根据多个预测流场信息和所述目标数据集确定多个时序训练样本,预测时刻的流场信息与其相邻时刻的真实流场信息组成一个时序训练样本,例如:预测下一时刻为时刻5的流场信息,则预测时刻5的流场信息与目标数据集中时刻4和时刻6的流场信息组成一个时序训练样本。
步骤S23:根据各时刻训练样本和各时序训练样本对所述初始翼型流场预测模型进行训练,得到目标预测模型。
在具体实施中,将得到的各时刻训练样本和各时序训练样本输入至初始翼型流场预测模型中,根据各时刻训练样本和各时序训练样本进行训练,得到目标预测模型,即完成训练的翼型流场预测模型。
需要说明的是,为了得到目标数据集,进一步地,所述根据各翼型形状的形状二维矩阵和各流场信息的归一化数据构建目标数据集,包括:根据各流场信息的时间信息,对各流场信息的归一化数据进行划分,确定多个流场信息训练样本;根据各流场信息训练样本以及各翼型形状的形状二维矩阵确定目标数据集。
可以理解的是,时间信息指的是各个流场信息的时刻信息,多个流场信息训练样本指的是三个时刻的流场信息组成的数据样本。
在具体实施中,获取流场信息中的时刻信息,将三个时刻的流场信息作为一个流场信息训练样本,根据各流场信息得到多个流场信息训练样本,最后根据各流场信息训练样本以及各翼型形状的形状二维矩阵确定目标数据集。
需要说明的是,为了对初始翼型流场预测模型进行训练,进一步地,所述根据各时刻训练样本和各时序训练样本对所述初始翼型流场预测模型进行训练,得到目标预测模型,包括:输入各时刻训练样本至所述初始翼型流场预测模型中的时刻流场增强组件,得到时刻预测结果;输入各时序训练样本至所述初始翼型流场预测模型中的时序流场增强组件,得到时序预测结果;根据所述时刻预测结果和所述时序预测结果确定所述初始翼型流场预测模型的训练结果;根据所述训练结果得到目标预测模型。
可以理解的是,时刻预测结果指的是时刻流场增强组件所预测输入的各时刻训练样本的真假结果,时序预测结果指的是时序流场增强组件所预测输入的各时序训练样本的真假结果,训练结果指的是各个训练样本的真假结果集合。
在具体实施中,将各时刻训练样本输入至初始翼型流场预测模型中的时刻流场增强组件,在输入的时刻训练样本中含有标记的假样本时,确定时刻预测结果为假,将各时序训练样本输入至初始翼型流场预测模型中的时序流场增强组件,在输入的时序训练样本中含有标记的假样本时,确定时序预测结果为假,例如:时刻训练样本为预测时刻2和目标数据集中时刻3和时刻4,因为预测时刻2被标记为假样本,则时刻预测结果为假,最后根据所有的预测结果对初始翼型流场预测模型调整,调整预测框架的学习率、层数等超参数,提高翼型流场预测框架的性能,得到目标预测模型。
需要说明的时,为了准确得到待测翼型数据,进一步地,所述输入待测翼型数据至所述目标预测模型进行流场信息预测,得到预测翼型流场信息之前,还包括:获取所述待测翼型形状;对所述待测翼型形状进行流场信息计算,确定初始流场信息;对所述待测翼型形状和所述初始流场信息进行编码处理,确定所述待测翼型数据。
可以理解的是,初始流场信息指的是与待测翼型形状对应的流场信息。
在具体实施中,在获取待测翼型形状后,输入待测翼型形状至计算流体力学模型中进行流体力学计算,得到与待测翼型形状对应的流场信息,再对待测翼型形状进行二维矩阵转换处理,对初始流场信息进行归一化处理,最后得到待测翼型数据。
本实施例通过输入所述目标数据集中的各流场信息训练样本至初始翼型流场预测模型中的流场预测组件,得到多个预测流场信息;根据多个预测流场信息和所述目标数据集确定多个时刻训练样本和多个时序训练样本;根据各时刻训练样本和各时序训练样本对所述初始翼型流场预测模型进行训练,得到目标预测模型。通过初始翼型流场预测模型进行预测,得到多个预测流场信息,再根据多个预测流场信息和所述目标数据集,得到多个时刻训练样本和多个时序训练样本,最后根据多个预测流场信息和所述目标数据集对初始翼型流场预测模型进行训练的到目标预测模型,保证了训练过程的准确性,提高了模型的性能,为后续进行翼型流场预测奠定了基础。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有翼型流场预测程序,所述翼型流场预测程序被处理器执行时实现如上文所述的翼型流场预测方法的步骤。
参照图8,图8为本发明翼型流场预测装置第一实施例的结构框图。
如图8所示,本发明实施例提出的翼型流场预测装置包括:
处理模块10,用于根据各翼型形状的形状二维矩阵和各流场信息的归一化数据构建目标数据集。
训练模块20,用于根据所述目标数据集对初始翼型流场预测模型进行训练,确定目标预测模型,所述初始翼型流场预测模型由流场预测组件、时刻流场增强组件以及时序流场增强组件搭建。
计算模块30,用于输入待测翼型数据至所述目标预测模型进行流场信息预测,得到预测翼型流场信息。
本实施例通过根据各翼型形状的形状二维矩阵和各流场信息的归一化数据构建目标数据集;根据目标数据集对初始翼型流场预测模型进行训练,确定目标预测模型,所述初始翼型流场预测模型由流场预测组件、时刻流场增强组件以及时序流场增强组件搭建;输入待测翼型数据至目标预测模型进行流场信息预测,得到预测翼型流场信息。本发明通过初始翼型流场预测模型进行流场信息预测,再根据目标数据集对初始翼型流场预测模型进行训练,得到目标预测模型,最后将翼型数据输入至目标预测模型中预测出流场信息,增强了翼型流场预测结果的前后连续性,提高了翼型流场预测的准确性。
在一实施例中,所述处理模块10,还用于获取翼型流场数据集;
对所述翼型流场数据集中的各样本翼型形状进行编码处理,确定各样本翼型形状的形状二维矩阵;
对所述翼型流场数据集中的各样本流场信息进行归一化处理,确定各样本流场信息的归一化数据。
在一实施例中,所述处理模块10,还用于确定所述翼型流场数据集中各样本流场信息的极值变量;
根据各样本流场信息的极值变量对各样本流场信息中的各初始变量进行缩放处理,得到各样本流场信息中各变量对应的处理变量;
对各样本流场信息中各处理变量进行数值转换,得到各样本流场信息中各处理变量对应的转换变量;
根据各样本流场信息中的多个转换变量得到各样本流场信息的归一化数据。
在一实施例中,所述处理模块10,还用于根据各流场信息的时间信息,对各流场信息的归一化数据进行划分,确定多个流场信息训练样本;
根据各流场信息训练样本以及各翼型形状的形状二维矩阵确定目标数据集。
在一实施例中,所述训练模块20,还用于输入所述目标数据集中的各流场信息训练样本至初始翼型流场预测模型中的流场预测组件,得到多个预测流场信息;
根据多个预测流场信息和所述目标数据集确定多个时刻训练样本和多个时序训练样本;
根据各时刻训练样本和各时序训练样本对所述初始翼型流场预测模型进行训练,得到目标预测模型。
在一实施例中,所述训练模块20,还用于输入各时刻训练样本至所述初始翼型流场预测模型中的时刻流场增强组件,得到时刻预测结果;
输入各时序训练样本至所述初始翼型流场预测模型中的时序流场增强组件,得到时序预测结果;
根据所述时刻预测结果和所述时序预测结果确定所述初始翼型流场预测模型的训练结果;
根据所述训练结果得到目标预测模型。
在一实施例中,所述计算模块30,还用于获取所述待测翼型形状;
对所述待测翼型形状进行流场信息计算,确定初始流场信息;
对所述待测翼型形状和所述初始流场信息进行编码处理,确定所述待测翼型数据。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
应该理解的是,虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以其他的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光 盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种翼型流场预测方法,其特征在于,所述翼型流场预测方法包括:
根据各翼型形状的形状二维矩阵和各流场信息的归一化数据构建目标数据集;
根据所述目标数据集对初始翼型流场预测模型进行训练,确定目标预测模型,所述初始翼型流场预测模型由流场预测组件、时刻流场增强组件以及时序流场增强组件搭建;
输入待测翼型数据至所述目标预测模型进行流场信息预测,得到预测翼型流场信息;
其中,所述根据所述目标数据集对初始翼型流场预测模型进行训练,确定目标预测模型,包括:
输入所述目标数据集中的各流场信息训练样本至初始翼型流场预测模型中的流场预测组件,得到多个预测流场信息;
根据多个预测流场信息和所述目标数据集确定多个时刻训练样本和多个时序训练样本;
根据各时刻训练样本和各时序训练样本对所述初始翼型流场预测模型进行训练,得到目标预测模型;
其中,所述根据各时刻训练样本和各时序训练样本对所述初始翼型流场预测模型进行训练,得到目标预测模型,包括:
输入各时刻训练样本至所述初始翼型流场预测模型中的时刻流场增强组件,得到时刻预测结果;
输入各时序训练样本至所述初始翼型流场预测模型中的时序流场增强组件,得到时序预测结果;
根据所述时刻预测结果和所述时序预测结果确定所述初始翼型流场预测模型的训练结果;
根据所述训练结果得到目标预测模型。
2.如权利要求1所述的方法,其特征在于,所述根据各翼型形状的形状二维矩阵和各流场信息的归一化数据构建目标数据集之前,还包括:
获取翼型流场数据集;
对所述翼型流场数据集中的各样本翼型形状进行编码处理,确定各样本翼型形状的形状二维矩阵;
对所述翼型流场数据集中的各样本流场信息进行归一化处理,确定各样本流场信息的归一化数据。
3.如权利要求2所述的方法,其特征在于,所述对所述翼型流场数据集中的各样本流场信息进行归一化处理,确定各样本流场信息的归一化数据,包括:
确定所述翼型流场数据集中各样本流场信息的极值变量;
根据各样本流场信息的极值变量对各样本流场信息中的各初始变量进行缩放处理,得到各样本流场信息中各变量对应的处理变量;
对各样本流场信息中各处理变量进行数值转换,得到各样本流场信息中各处理变量对应的转换变量;
根据各样本流场信息中的多个转换变量得到各样本流场信息的归一化数据。
4.如权利要求1所述的方法,其特征在于,所述根据各翼型形状的形状二维矩阵和各流场信息的归一化数据构建目标数据集,包括:
根据各流场信息的时间信息,对各流场信息的归一化数据进行划分,确定多个流场信息训练样本;
根据各流场信息训练样本以及各翼型形状的形状二维矩阵确定目标数据集。
5.如权利要求1所述的方法,其特征在于,所述输入待测翼型数据至所述目标预测模型进行流场信息预测,得到预测翼型流场信息之前,还包括:
获取待测翼型形状;
对所述待测翼型形状进行流场信息计算,确定初始流场信息;
对所述待测翼型形状和所述初始流场信息进行编码处理,确定所述待测翼型数据。
6.一种翼型流场预测装置,其特征在于,所述翼型流场预测装置包括:
处理模块,用于根据各翼型形状的形状二维矩阵和各流场信息的归一化数据构建目标数据集;
训练模块,用于根据所述目标数据集对初始翼型流场预测模型进行训练,确定目标预测模型,所述初始翼型流场预测模型由流场预测组件、时刻流场增强组件以及时序流场增强组件搭建;
计算模块,用于输入待测翼型数据至所述目标预测模型进行流场信息预测,得到预测翼型流场信息;
所述训练模块,还用于输入所述目标数据集中的各流场信息训练样本至初始翼型流场预测模型中的流场预测组件,得到多个预测流场信息;
根据多个预测流场信息和所述目标数据集确定多个时刻训练样本和多个时序训练样本;
根据各时刻训练样本和各时序训练样本对所述初始翼型流场预测模型进行训练,得到目标预测模型;
所述训练模块,还用于输入各时刻训练样本至所述初始翼型流场预测模型中的时刻流场增强组件,得到时刻预测结果;
输入各时序训练样本至所述初始翼型流场预测模型中的时序流场增强组件,得到时序预测结果;
根据所述时刻预测结果和所述时序预测结果确定所述初始翼型流场预测模型的训练结果;
根据所述训练结果得到目标预测模型。
7.一种翼型流场预测设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的翼型流场预测程序,所述翼型流场预测程序配置为实现如权利要求1至5中任一项所述的翼型流场预测方法的步骤。
8.一种存储介质,其特征在于,所述存储介质上存储有翼型流场预测程序,所述翼型流场预测程序被处理器执行时实现如权利要求1至5任一项所述的翼型流场预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311340561.1A CN117077579B (zh) | 2023-10-17 | 2023-10-17 | 翼型流场预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311340561.1A CN117077579B (zh) | 2023-10-17 | 2023-10-17 | 翼型流场预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117077579A CN117077579A (zh) | 2023-11-17 |
CN117077579B true CN117077579B (zh) | 2024-02-06 |
Family
ID=88715678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311340561.1A Active CN117077579B (zh) | 2023-10-17 | 2023-10-17 | 翼型流场预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077579B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117350178B (zh) * | 2023-12-05 | 2024-04-02 | 深圳十沣科技有限公司 | 翼型升阻力预测方法、装置、设备及存储介质 |
CN117421997A (zh) * | 2023-12-15 | 2024-01-19 | 中国空气动力研究与发展中心计算空气动力研究所 | 翼型流场信息的确定方法、装置、终端设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108027966A (zh) * | 2015-09-02 | 2018-05-11 | 西门子保健有限责任公司 | Cfd仿真辅助4d dsa重构 |
CN113255243A (zh) * | 2021-05-11 | 2021-08-13 | 苏州科技大学 | 基于人工侧线的仿生机器鱼近壁面流场识别方法及系统 |
WO2021200248A1 (en) * | 2020-04-02 | 2021-10-07 | Mitsubishi Electric Corporation | System and method for fast wind flow measurement by lidar in a complex terrain |
CN113627093A (zh) * | 2021-07-01 | 2021-11-09 | 武汉大学 | 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 |
CN115438575A (zh) * | 2022-08-18 | 2022-12-06 | 南京航空航天大学 | 一种用于高精度翼型流场预测的分析方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2514368B1 (en) * | 2011-04-18 | 2017-09-20 | TomTec Imaging Systems GmbH | Method for transforming a Doppler velocity dataset into a velocity vector field |
JP7057761B2 (ja) * | 2019-02-06 | 2022-04-20 | 株式会社日立製作所 | 計算機システム及び情報の提示方法 |
-
2023
- 2023-10-17 CN CN202311340561.1A patent/CN117077579B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108027966A (zh) * | 2015-09-02 | 2018-05-11 | 西门子保健有限责任公司 | Cfd仿真辅助4d dsa重构 |
WO2021200248A1 (en) * | 2020-04-02 | 2021-10-07 | Mitsubishi Electric Corporation | System and method for fast wind flow measurement by lidar in a complex terrain |
CN113255243A (zh) * | 2021-05-11 | 2021-08-13 | 苏州科技大学 | 基于人工侧线的仿生机器鱼近壁面流场识别方法及系统 |
CN113627093A (zh) * | 2021-07-01 | 2021-11-09 | 武汉大学 | 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 |
CN115438575A (zh) * | 2022-08-18 | 2022-12-06 | 南京航空航天大学 | 一种用于高精度翼型流场预测的分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117077579A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117077579B (zh) | 翼型流场预测方法、装置、设备及存储介质 | |
CN105981025A (zh) | 基于序列递归滤波三维变分的实测海洋环境数据同化方法 | |
CN108985335B (zh) | 核反应堆包壳材料辐照肿胀的集成学习预测方法 | |
CN114218875A (zh) | 一种用于流场预测的加速方法及装置 | |
CN112001110A (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
CN112414715B (zh) | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 | |
CN111832228A (zh) | 基于cnn-lstm的振动传递系统 | |
CN110677297A (zh) | 一种基于自回归滑动平均模型和极限学习机的组合网络流量预测方法 | |
CN117708656B (zh) | 一种面向单源域的滚动轴承跨域故障诊断方法 | |
CN112949944B (zh) | 一种基于时空特征的地下水位智能预测方法及系统 | |
CN115392477A (zh) | 基于深度学习的Skyline查询基数估计方法及装置 | |
Xu et al. | A novel ensemble model using artificial neural network for predicting wave-induced forces on coastal bridge decks | |
CN113486580B (zh) | 在役风电机组高精度数值建模方法、服务端及存储介质 | |
KR102266279B1 (ko) | 비정상상태를 구현하기 위한 차수 감축 모델 구축 방법 | |
CN110610140B (zh) | 人脸识别模型的训练方法、装置、设备及可读存储介质 | |
CN114692529B (zh) | 一种cfd高维响应的不确定度量化方法、装置、计算机设备 | |
CN106782577A (zh) | 一种基于混沌时间序列预测模型的语音信号编码和解码方法 | |
CN113496228A (zh) | 一种基于Res2Net、TransUNet和协同注意力的人体语义分割方法 | |
CN111444614A (zh) | 一种基于图卷积的流场重构方法 | |
CN112508273B (zh) | 一种基于生成对抗网络的剩余油预测方法 | |
CN117350178B (zh) | 翼型升阻力预测方法、装置、设备及存储介质 | |
CN115267883B (zh) | 地震响应预测模型训练及预测方法、系统、设备及介质 | |
CN117171934B (zh) | 一种基于pod-anns的架空输电线路舞动响应预测方法 | |
CN117993189A (zh) | 一种基于数据驱动建模技术的流固耦合数值模拟计算方法 | |
Wang et al. | Simulation of Sound Signal Analysis Model in Complex Environments Based on Deep Learning Algorithms |
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 |