CN117094248A - 原位环境下航天流场大数据的自动化分析方法和装置 - Google Patents

原位环境下航天流场大数据的自动化分析方法和装置 Download PDF

Info

Publication number
CN117094248A
CN117094248A CN202311050277.0A CN202311050277A CN117094248A CN 117094248 A CN117094248 A CN 117094248A CN 202311050277 A CN202311050277 A CN 202311050277A CN 117094248 A CN117094248 A CN 117094248A
Authority
CN
China
Prior art keywords
flow field
data
field data
obtaining
decision tree
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
CN202311050277.0A
Other languages
English (en)
Inventor
艾邦成
黄智濒
陈思员
刘涛
刘周
马乐
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.)
Beijing University of Posts and Telecommunications
China Academy of Aerospace Aerodynamics CAAA
Original Assignee
Beijing University of Posts and Telecommunications
China Academy of Aerospace Aerodynamics CAAA
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 Beijing University of Posts and Telecommunications, China Academy of Aerospace Aerodynamics CAAA filed Critical Beijing University of Posts and Telecommunications
Priority to CN202311050277.0A priority Critical patent/CN117094248A/zh
Publication of CN117094248A publication Critical patent/CN117094248A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • 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)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Fluid Mechanics (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种原位环境下航天流场大数据的自动化分析方法和装置。方法包括：基于CFD求解器生成流场数据；根据所述流场数据，得到流场拓扑重构数据；对所述流场数据进行预处理，得到处理后流场数据；基于决策树模型，对所述处理后流场数据进行预测，得到预测数据；根据所述预测数据，基于几何特征转换，得到渲染参数；根据所述渲染参数和所述流场拓扑重构数据，基于原位环境，实现流场数据可视化。本方法解决了航天流场数据网格规模较大，传统的后处理模式不能满足规模巨大复杂的流场数据分析，无法实现流场的实时分析与可视化的问题。

Description

原位环境下航天流场大数据的自动化分析方法和装置
技术领域
本发明涉及航天大规模数据分析领域，更具体地，涉及一种原位环境下航天流场大数据的自动化分析方法和装置。
背景技术
在现代航空航天飞行系统的空气动力学中，计算流体力学(Computational FluidDynamics，CFD)是其中的一个重要技术分支。
计算流体力学是利用计算机和数值计算方法来求解用于描述流体运动的控制方程，从而进行揭示流动规律以及流动机理。在航天空气动力学中为了捕捉流场中细小的涡结构，尤其是在CFD计算中采用直接数值模拟和大涡模拟的方式，对于网格的尺度以及质量要求都很高，往往达到亿级网格规模。
航天流场数据网格规模较大，传统的后处理模式不能满足规模巨大复杂的流场数据分析，无法实现流场的实时分析与可视化。
发明内容
针对上述问题，本发明的目的是提供一种原位环境下航天流场大数据的自动化分析方法和装置。
根据本申请实施例的第一方面，提供了一种原位环境下航天流场大数据的自动化分析方法，包括：基于CFD求解器生成流场数据；根据所述流场数据，得到流场拓扑重构数据；对所述流场数据进行预处理，得到处理后流场数据；基于预设决策树模型，对所述处理后流场数据进行预测，得到预测数据；根据所述预测数据，基于几何特征转换，得到渲染参数；根据所述渲染参数和所述流场拓扑重构数据，基于原位环境，实现流场数据可视化。
进一步，其特征在于，所述决策树模型训练方法包括：获取训练流场数据；预先标记训练流场数据，得到敏感区域数据和非敏感区域数据；基于并行决策树框架，以所述敏感区域数据和非敏感区域数据为输入，得到决策树模型。
进一步，其特征在于，对所述流场数据进行预处理，得到处理后流场数据，包括：根据所述流场数据，得到流场数据属性最值区域流场数据；根据所述流场数据，得到流场数据均匀取点值区域流场数据；其中所述流场数据属性最值区域流场数据和所述流场数据均匀取点值区域流场数据为所述处理后流场数据。
进一步，其特征在于，所述根据所述预测数据，基于几何特征转换，得到渲染参数，包括：根据所述预测数据，基于球形截取过滤器和切片过滤器，得到渲染参数。
根据本申请实施例的第二方面，提供一种原位环境下航天流场大数据的自动化分析装置，包括：数据生成模块，用于基于CFD求解器生成流场数据；数据处理模块，用于根据所述流场数据，得到流场拓扑重构数据；对所述流场数据进行预处理，得到处理后流场数据；数据预测模块，用于基于预设决策树模型，对所述处理后流场数据进行预测，得到预测数据；数据可视化模块，用于根据所述预测数据，基于几何特征转换，得到渲染参数；根据所述渲染参数和所述流场拓扑重构数据，基于原位环境，实现流场数据可视化。
进一步，其特征在于，所述装置进一步包括：决策树模型训练模块，用于获取训练流场数据；预先标记训练流场数据，得到敏感区域数据和非敏感区域数据；基于并行决策树框架，以所述敏感区域数据和非敏感区域数据为输入，得到决策树模型。
进一步，其特征在于，所述数据处理模块，用于：根据所述流场数据，得到流场拓扑重构数据；根据所述流场数据，得到流场数据属性最值区域流场数据；根据所述流场数据，得到流场数据均匀取点值区域流场数据；其中所述流场数据属性最值区域流场数据和所述流场数据均匀取点值区域流场数据为所述处理后流场数据。
进一步，其特征在于，所述数据可视化模块，用于：根据所述预测数据，基于球形截取过滤器和切片过滤器，得到渲染参数；根据所述渲染参数和所述流场拓扑重构数据，基于原位环境，实现流场数据可视化。
根据本申请实施例的第三方面，提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；处理器，用于从存储器中读取可执行指令，并执行指令以实现本申请第一方面所提供的一种原位环境下航天流场大数据的自动化分析方法。
根据本申请实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本申请第一方面所提供的一种原位环境下航天流场大数据的自动化分析方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请在原位环境中，基于CFD求解器生成流场数据，根据所述流场数据，得到流场拓扑重构数据。对所述流场数据进行预处理，得到处理后流场数据。在预处理中筛选数据，减少数据规模。基于决策树模型，对所述处理后流场数据进行预测，得到预测数据，决策树自动化分析能够对大规模数据进行实时处理。根据所述预测数据，基于几何特征转换，得到渲染参数。根据所述渲染参数和所述流场拓扑重构数据，基于原位环境，实现流场数据可视化，原位环境中不需要传输数据，可以直接在当前计算节点上可视化，及时对数据处理。本申请通过预测数据指导几何特征转换，避免了手动指定参数带来结果不准确或者缺失的问题，实现了流场数据实时自动化分析。同时，基于原位环境实现可视化，以略去数据上传过程从而提高数据处理效率。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种原位环境下航天流场大数据的自动化分析方法的流程图；
图2是根据一示例性实施例示出的一种原位环境下航天流场大数据的自动化分析方法的六面体流场示意图；
图3是根据一示例性实施例示出的一种原位环境下航天流场大数据的自动化分析装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，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，都应当属于本文件的保护范围。
示例性方法一
如图1所示，本申请实施例给出了一种原位环境下航天流场大数据的自动化分析方法，包括以下步骤：
在步骤S101中，基于CFD求解器生成流场数据。
CFD求解器是指不断计算求解流体力学方程来模拟流体力学现象，根据时间和空间上进行迭代，迭代次数可以控制，从而不断获得一个流体力学的相关空间数据、流场属性数据。CFD求解器生成流场数据中分为顶点坐标集、场、网格三类数据。
在步骤S102中，根据所述流场数据，得到流场拓扑重构数据。
CFD求解器生成数据不满足原位计算数据引擎的格式要求，需要转换格式才能将数据放到原位系统中，对生成数据拓扑重构适应原位系统。
CFD求解器生成六面体数据每一面都包含当前面所有顶点，顶点数据重复存在，例如在正方体中顶点共存在4×6个，无法使用原位计算实现可视化。因此，通过拓扑重构消除重复顶点并确定六面体的8个顶点，以实现在原位环境中的可视化。
重构六面体数据时，首先定义一个key的个数为4的map映射数组map<key,value>，key指的是下标索引，value是坐标值。在本申请中记为vis<int,int>vis[4]，第i个map元素代表其他顶点与保存的顶点i出现在一个面中的次数，如果顶点j使得vis[i][j]＝2，那么顶点j即为我们要找的顶点i的对应点。图2为例，具体的实现流程如下：
给定一个面中包含的四个顶点，假设为[0,1,2,3]。找出每个顶点对应的另一侧的顶点编号，如编号为0的顶点对应的另一个点为4，编号为3的顶点对应的另一个点为7。
以编号为0的点为例，所有包含0号顶点的面有三个，除去之前保存节点的面[0,1,2,3]之外，另外两个面分别为[0,1,5,4]和[0,3,7,4]。在这两个面中只有编号为4的顶点出现了两次，这就是我们要找的0号顶点对应的另一个顶点4。
从六面体的结构不难证明，只有与其相对应的点才会在另外两个面中同时出现。因此只需要按照这种方式找出另外三个顶点，即可重构出当前六面体符合原位系统的拓扑结构。
六面体顶点[0,1,2,3,4,5,6,7]，每8个顶点作为一个正方体，以四个点为面，前四个跟后四个一一对应。
在步骤S103中，对所述流场数据进行预处理，得到处理后流场数据。
在本申请实施例中，处理后流场数据包括流场数据属性最值区域流场数据和流场数据均匀取点值区域流场数据：
确定流场数据属性最值区域流场数据的具体过程为：
以提取和查询的方式获取流场属性在最大值和最小值处的网格区域流场数据。设置集合list，将物理属性加入到集合中，进而对该集合进行遍历，对于物理属性，获取该属性的最大值和最小值。
其中物理属性包括：密度、三方向速度(法向、轴向、侧向)，温度、压力、声速、总焓、粘性、热传导系数、湍流粘性、马赫数、Q准则、密度纹影和压力纹影。
基于该最值，获取CFD求解器每个模拟周期中的所有流场元素的数组，在其中查找该属性的最值所对应的网格位置和在数据集中的索引作为流场数据属性最值区域流场数据。
其中所述流场数据属性最值区域流场数据和所述流场数据均匀取点值区域流场数据为所述处理后流场数据。
确定流场数据均匀取点值区域流场数据的具体过程为：
由于在不同的流场算例中各个物体的形状是不规则的，所以想要进行均匀取点分析，从空间位置上来划分显得十分困难，本步骤采用直接从坐标集的数据中进行等比例选取的方式进行获取坐标位置，这样就能够提供了原位计算自动化分析的另一个角度，即从流场中选取位置点来预测分析，与上述的流场属性最值方法进行结合从而更加能够对流场数据进行深入分析。
基于流场位置均匀取点的预测分析步骤中，首先获取中流场数据中坐标集数据，在此坐标集数据中等比例的选取一些位置点，这里的比例可以根据需要设定大小。
获取到该位置以及下标索引之后，能够根据索引来获取该位置处的所有流场属性值，将它和坐标位置作为键值对加入数组map<key,value>作为流场数据均匀取点值区域流场数据。
在步骤S104中，基于决策树模型，对所述处理后流场数据进行预测，得到预测数据。
基于决策树模型，以所述流场数据属性最值区域流场数据和所述流场数据均匀取点值区域流场数据为输入，预测流场数据敏感区域，输出预测数据。
在步骤S105中，根据所述预测数据，基于几何特征转换，得到渲染参数。
用两个过滤器来进行数据转换：球形截取过滤器和切片过滤器。
球形截取过滤器需要输入球体中心点坐标和半径大小，固定半径大小的前提下只需要在预测算法中获取到可视化的网格区域坐标值即可完成对该过滤器的参数配置。
切片过滤器则是对流场数据按照指定的位置和方向进行切割，需要输入切面上的任意一点和切面的法向量，在这里同样对法向量的方向设置为固定值，在预测算法中只需输入对应的坐标位置。
使用切片过滤器和球形截取过滤器能够充分展示敏感的网格区域周围的流场信息，以及展示该网格区域为基点的整个流场切片信息。
在步骤S106中，根据所述渲染参数和所述流场拓扑重构数据，基于原位环境，实现流场数据可视化。
所述的原位环境指流场数据计算和可视化渲染在同一节点进行，避免了数据在不同节点的传输，节省传输时间，减少传输步骤，有助于对大规模数据的处理，同时提高运算效率，其运行环境由相关运行程序调度实现。
对流场中的数据进行指定操作的可视化，指定操作是指渲染参数的指定：如颜色表参数、相机角度、相机位置、焦距参数，以及需要渲染的流场属性参数等构成的可视化动作参数，可视化动作从而根据相关参数进行渲染。
示例性方法二
决策树模型为预先训练后使用，其中训练方法包括：
获取训练流场数据：收集流场数据并进行数据清洗；
预先标记训练流场数据，得到敏感区域数据和非敏感区域数据：根据可视化分析经验，本申请从流场数据众多属性中选取如下15个属性作为决策树训练使用的特征：密度、三方向速度(法向、轴向、侧向)，温度、压力、声速、总焓、粘性、热传导系数、湍流粘性、马赫数、Q准则、密度纹影和压力纹影。并且添加是否为敏感区域作为数据的标签，标签的值为敏感和非敏感两类。
基于并行决策树框架，以所述敏感区域数据和非敏感区域数据为输入，训练得到决策树模型。
示例性方法三
离线场景中存在四面体流场数据，离线场景是直接处理后处理模式导出的数据。
对流场数据进行预处理，得到处理后流场数据；
基于决策树模型，对所述处理后流场数据进行预测，得到预测数据；
四面体流场数据为一个整体数据，只能用单进程处理，划分为并行数据，可以同时处理提升效率。
对预测数据流场网格并行划分：
采用空间坐标的划分方式将网格分配到不同的进程中，首先需要获取到流场数据的基本空间坐标信息，如流场坐标的X，Y，Z各轴坐标的最大值和最小值，这些值可在读取数据时获取。进行设置划分的标准，即如何将空间坐标点如何划分到具体进程中。
其中x为X轴坐标值，maxx和minx分别为流场数据中X轴上的最大最小值，cutsx为设定将X轴等分为几份的值,a表示该坐标在X轴上的对应划分位置。
其中y为Y轴坐标值，maxy和miny分别为流场数据中Y轴上的最大最小值，cutsy为设定将Y轴等分为几份的值。b表示该坐标在Y轴上的对应划分位置。
其中z为Z轴坐标值，maxZ和minZ分别为流场数据中Z轴上的最大最小值，cutsZ为设定将Z轴等分为几份的值。c表示该坐标在Z轴上的对应划分位置。
rank＝(a+b*cutsx+c*cutsx*cutsy)％commsize
最后利用类似于三维数组转化为一维数组的方法，将Y，Z坐标的划分位置投影到X轴上，并将最后结果对进程数目comm_size取余，这样保证划分的每个顶点都能落到对应的进程中。
在处理完网格顶点的进程归属之后，需要对不同的四面体之间的拓扑关系进行映射。使用接收进程和发送进程对各个进程的数据进行重新分配，接收进程用于从发送进程中获取坐标、拓扑等数据，并且使用原始流场数据的顶点信息作为依据，将发送进程的坐标顶点数据重构为接收进程的坐标顶点体系，也就是说在不同的进程中的数组最终的值均统一为接收进程的坐标顶点序号，这样保解决了不同进程间网格顶点匹配的问题。
根据划分后预测数据，基于几何特征转换，得到渲染参数；
根据所述渲染参数和所述流场拓扑重构数据，基于原位环境，实现流场数据可视化。
示例性装置
在本申请实施例中，如图3，包括数据生成模块301、数据处理模块302、数据预测模块303、数据可视化模块304。
数据生成模块301，用于基于CFD求解器生成流场数据；
数据处理模块302，用于根据所述流场数据，得到流场拓扑重构数据；
对所述流场数据进行预处理，得到处理后流场数据；
数据预测模块303，用于基于决策树模型，对所述处理后流场数据进行预测，得到预测数据；
数据可视化模块304，用于根据所述预测数据，基于几何特征转换，得到渲染参数；
根据所述渲染参数和所述流场拓扑重构数据，基于原位环境，实现流场数据可视化。
决策树模型训练模块305，用于获取训练流场数据；
预先标记训练流场数据，得到敏感区域数据和非敏感区域数据；
基于并行决策树框架，以所述敏感区域数据和非敏感区域数据为输入，得到决策树模型。
在本申请实施例中，所述数据处理模块302具体用于：
根据所述流场数据，得到流场拓扑重构数据；
根据所述流场数据，得到流场数据属性最值区域流场数据；
根据所述流场数据，得到流场数据均匀取点值区域流场数据；
其中所述流场数据属性最值区域流场数据和所述流场数据均匀取点值区域流场数据为所述处理后流场数据。
所述数据可视化模块304具体用于：
根据所述预测数据，基于球形截取过滤器和切片过滤器，得到渲染参数；
根据所述渲染参数和所述流场拓扑重构数据，基于原位环境，实现流场数据可视化。
示例性电子设备
本实施例提出一种电子设备，包括：一个或多个处理器，以及内部存储器、外部存储器，所述内部存储器存储指令，当所述指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行前述任一实施例所述的一种原位环境下航天流场大数据的自动化分析方法。
其中，处理器用于执行如所述实施例中的所述的一种原位环境下航天流场大数据的自动化分析方法中的全部或部说分步骤。存储器用于存储各种类型的数据，这些数据例如可以包括电子设备中的任何应用程序或方法的指令，以及应用程序相关的数据。
所述处理器可以是专用集成电路(Application Specific Integrated Cricuit，简称ASIC)、数字信号处理器(Digital Signal Processor，简称DSP)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable GateArray，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行所述实施例中所述的一种原位环境下航天流场大数据的自动化分析方法。
计算机存储介质
所述计算机可读存储介质上存储计算机程序，所述计算机程序被一个或多个处理器执行时，实现如前述任一实施例所述的一种原位环境下航天流场大数据的自动化分析方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪30年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本文件的实施例而已，并不用于限制本文件。对于本领域技术人员来说，本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本文件的权利要求范围之内。

Claims (10)

1.一种原位环境下航天流场大数据的自动化分析方法，其特征在于，包括：
基于CFD求解器生成流场数据；
根据所述流场数据，得到流场拓扑重构数据；
对所述流场数据进行预处理，得到处理后流场数据；
基于预设决策树模型，对所述处理后流场数据进行预测，得到预测数据；
根据所述预测数据，基于几何特征转换，得到渲染参数；
根据所述渲染参数和所述流场拓扑重构数据，基于原位环境，实现流场数据可视化。
2.根据权利要求1所述的方法，其特征在于，所述决策树模型训练方法包括：
获取训练流场数据；
预先标记训练流场数据，得到敏感区域数据和非敏感区域数据；
基于并行决策树框架，以所述敏感区域数据和所述非敏感区域数据为输入，得到所述决策树模型。
3.根据权利要求1所述的方法，其特征在于，对所述流场数据进行预处理，得到处理后流场数据，包括：
根据所述流场数据，得到流场数据属性最值区域流场数据；
根据所述流场数据，得到流场数据均匀取点值区域流场数据；
其中，所述流场数据属性最值区域流场数据和所述流场数据均匀取点值区域流场数据为所述处理后流场数据。
4.根据权利要求1所述的方法，其特征在于，所述根据所述预测数据，基于几何特征转换，得到渲染参数，包括：
根据所述预测数据，基于球形截取过滤器和切片过滤器，得到渲染参数。
5.一种原位环境下航天流场大数据的自动化分析装置，其特征在于，包括：
数据生成模块，用于基于CFD求解器生成流场数据；
数据处理模块，用于根据所述流场数据，得到流场拓扑重构数据；对所述流场数据进行预处理，得到处理后流场数据；
数据预测模块，用于基于预设决策树模型，对所述处理后流场数据进行预测，得到预测数据；
数据可视化模块，用于根据所述预测数据，基于几何特征转换，得到渲染参数；根据所述渲染参数和所述流场拓扑重构数据，基于原位环境，实现流场数据可视化。
6.根据权利要求5所述的装置，其特征在于，所述装置进一步包括：
决策树模型训练模块，用于获取训练流场数据；
预先标记训练流场数据，得到敏感区域数据和非敏感区域数据；
基于并行决策树框架，以所述敏感区域数据和所述非敏感区域数据为输入，得到决策树模型。
7.根据权利要求5所述的装置，其特征在于，所述数据处理模块，用于：
根据所述流场数据，得到流场拓扑重构数据；
根据所述流场数据，得到流场数据属性最值区域流场数据；
根据所述流场数据，得到流场数据均匀取点值区域流场数据；
其中，所述流场数据属性最值区域流场数据和所述流场数据均匀取点值区域流场数据为所述处理后流场数据。
8.根据权利要求5所述的装置，其特征在于，所述数据可视化模块，用于：
根据所述预测数据，基于球形截取过滤器和切片过滤器，得到渲染参数；
根据所述渲染参数和所述流场拓扑重构数据，基于原位环境，实现流场数据可视化。
9.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述一种原位环境下航天流场大数据的自动化分析方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述一种原位环境下航天流场大数据的自动化分析方法的步骤。
CN202311050277.0A 2023-08-21 2023-08-21 原位环境下航天流场大数据的自动化分析方法和装置 Pending CN117094248A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311050277.0A CN117094248A (zh) 2023-08-21 2023-08-21 原位环境下航天流场大数据的自动化分析方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311050277.0A CN117094248A (zh) 2023-08-21 2023-08-21 原位环境下航天流场大数据的自动化分析方法和装置

Publications (1)

Publication Number Publication Date
CN117094248A true CN117094248A (zh) 2023-11-21

Family

ID=88770990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311050277.0A Pending CN117094248A (zh) 2023-08-21 2023-08-21 原位环境下航天流场大数据的自动化分析方法和装置

Country Status (1)

Country Link
CN (1) CN117094248A (zh)

Similar Documents

Publication Publication Date Title
CN117372631B (zh) 一种多视角图像生成模型的训练方法、应用方法
CN116977525B (zh) 一种图像渲染方法、装置、存储介质及电子设备
CN116776135B (zh) 一种基于神经网络模型的物理场数据预测方法及装置
CN116341642B (zh) 一种数据处理的方法、装置、存储介质及电子设备
CN117370536A (zh) 一种任务执行方法、装置、存储介质及电子设备
CN115809696B (zh) 虚拟形象模型训练方法及装置
CN117094248A (zh) 原位环境下航天流场大数据的自动化分析方法和装置
CN116842715A (zh) 一种仿真数据结构化处理系统
CN115858837A (zh) 一种智能工厂设备的三维模型管理方法、设备及介质
CN116126883A (zh) 一种基于扫描算子的轨迹点查询方法、装置以及设备
CN117455015B (zh) 一种模型优化的方法、装置、存储介质及电子设备
CN116415103B (zh) 一种数据处理的方法、装置、存储介质以及电子设备
CN115861560B (zh) 一种构建地图的方法、装置、存储介质及电子设备
CN115935019A (zh) 一种时空多维体索引处理方法、装置以及设备
CN114118798B (zh) 工业互联网平台的任务处理方法、装置及工业互联网平台
CN116612244B (zh) 一种图像生成方法、装置、存储介质及电子设备
CN117689822B (zh) 一种三维模型构建方法、装置、存储介质及电子设备
CN116882278B (zh) 一种想定仿真实验系统
CN117726907B (zh) 一种建模模型的训练方法、三维人体建模的方法以及装置
CN116502567B (zh) 一种非结构网格流场的插值求解方法、装置、设备、介质
CN115953706B (zh) 虚拟形象处理方法及装置
CN116955425A (zh) 基于合并树模型的数据流处理方法、装置及存储介质
Vetter et al. Development and integration of an in-situ framework for visualization of large-scale, unsteady phenomena in ICON
CN117788696A (zh) 一种基于三维建模的任务执行方法、装置及电子设备
CN116107636A (zh) 一种硬件加速方法、装置、存储介质及电子设备

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