CN117150951B - 一种泵类设备三维流场计算加速方法 - Google Patents

一种泵类设备三维流场计算加速方法 Download PDF

Info

Publication number
CN117150951B
CN117150951B CN202311009740.7A CN202311009740A CN117150951B CN 117150951 B CN117150951 B CN 117150951B CN 202311009740 A CN202311009740 A CN 202311009740A CN 117150951 B CN117150951 B CN 117150951B
Authority
CN
China
Prior art keywords
grid
flow field
cfd
deep learning
dimensional
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
Application number
CN202311009740.7A
Other languages
English (en)
Other versions
CN117150951A (zh
Inventor
施亚光
夏凯
张文金
胡迟
方才华
潘炎
宫大鑫
李冠群
张容川
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.)
719th Research Institute Of China State Shipbuilding Corp
Original Assignee
719th Research Institute Of China State Shipbuilding Corp
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 719th Research Institute Of China State Shipbuilding Corp filed Critical 719th Research Institute Of China State Shipbuilding Corp
Priority to CN202311009740.7A priority Critical patent/CN117150951B/zh
Publication of CN117150951A publication Critical patent/CN117150951A/zh
Application granted granted Critical
Publication of CN117150951B publication Critical patent/CN117150951B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G06F30/10—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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G06N3/0464—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)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fluid Mechanics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种泵类设备三维流场计算加速方法，包括对泵类设备内腔进行三维建模和网格划分；根据网格的区域体积大小，确定由深度网络模型处理或通过计算流体动力学CFD进行计算；基于网格的空间连续性，将计划使用CFD模型进行计算的网格划分成多个块区域；运行深度学习模型预测当前时间步的的三维流体状态；基于测结果中获取每个块区域边界的状态信息作为所述块对应的CFD模型的边界条件，对每个块区域运行CFD模型。本发明结合深度学习的高效性与CFD的精确性，既保证了流场计算的精度，又实现了计算的加速，降低了计算成本。

Description

一种泵类设备三维流场计算加速方法
技术领域
本发明属于计算机技术领域，尤其涉及一种泵类设备三维流场计算加速方法。
背景技术
泵类设备是流体输送中的核心设备，其性能直接影响到整个流体系统的运行效率和安全性。为了精确地预测和优化泵的性能，需要对泵内部的流场进行详细的分析和计算。目前，计算流体动力学（CFD）是进行这种计算的主要工具。
CFD是一种基于数值方法和流体力学的理论模型，对流体流动进行模拟和分析的技术。在进行泵类设备的三维流场计算时，需要根据泵的实际结构，使用计算机辅助设计（CAD）软件建立起泵的三维几何模型，需要设置模拟的边界条件和初始条件，然后选择和设置适当的流体力学模型，最后使用CFD软件进行计算生成三维流场的计算结果。
虽然CFD技术能够提供非常详细和准确的泵内部的流场信息，但由于泵的几何结构复杂，以及流体的非线性行为，CFD模拟通常需要大量的计算资源和时间。因此，如何提高泵类设备的三维流场计算的效率，降低计算成本，是当前的一个重要研究方向。
发明内容
针对上述现有技术中存在的缺陷，本发明提供一种泵类设备三维流场计算加速方法，包括：
对泵类设备内腔进行三维建模，并根据设备的几何特性和流动特性进行网格划分；
确定不同网格的计算方法，包括根据网格的区域体积大小，确定该网格由深度网络模型处理或通过计算流体动力学CFD进行计算；
基于网格的空间连续性，将计划使用CFD模型进行计算的网格划分成多个块区域，每个区域作为一个独立的CFD模型；
运行训练好的深度学习模型，预测当前时间步的在泵类设备内腔的三维流体状态，包括各个体素点位的流体的压力、速度和温度信息；
基于从深度学习模型的预测结果中获取每个块区域边界的状态信息作为所述块对应的CFD模型的边界条件；
以及，根据从深度学习模型得到的边界条件，对每个块区域运行CFD模型，以精确地求解当前时间步的每个网格内的流场状态。
其中，所述确定不同网格的计算方法，包括根据网格的区域体积大小，确定该网格由深度网络模型处理或通过CFD进行计算，包括：
设置体积阈值；
当网络的区域体积小于所述体积阈值时，确定基于CFD进行网格内三维流场的计算；
以及，当网格的区域体积大于或等于所述体积阈值时，确定基于深度网络模型来处理获得三维流场的计算结果。
其中，所述根据设备的几何特性和流动特性，确定网格的大小，包括：
将流动特性复杂的区域或流动变化剧烈的区域确定为重点区域，在所述重点区域设置初始网格；
以及对于流动变化平缓的区域设置的网格的体积大于所述初始网格的体积。
其中，在离所述重点区域越来越远的地方，逐渐增大网格大小；
通过设置网格的增长率来实现网格大小随着距离递增的目的；
所述重点区域为叶轮内部、进口和出口、转弯处、突变处和叶轮和扩散器的接合处。
其中，根据计算设备的计算能力确定一个基础的网格尺度 D_base，所述基础的网格尺度 D_base为叶轮内部的网格尺度；
所述叶轮内部区域的边界包括叶片前后边缘之间的空间，以及叶片上下表面之间的空间。
其中，基于基础的网格尺度 D_base确定其他重点区域的网格尺寸，其他重点区域包括进口和出口、转弯处、突变处和叶轮和扩散器的接合处。
其中，基于从深度学习模型的预测结果中获取每个块区域边界的状态信息作为所述块对应的CFD模型的边界条件中，
如果深度学习模型的体素点位与块区域边界不完全对应，则在不对应的位置进行插值处理；所述插值处理包括使用线性插值、二次插值或三次样条插值，将深度学习模型的预测结果插值到CFD块区域边界上。
其中，所述深度学习模型用于对第一时间步的泵内设备内的三维流场的生成，以及用于第一时间步以后的每一时步的泵内设备内的三维流场的更新。
其中，深度学习模型的输入包括：泵的空间状态、泵的操作条件、以及原流场状态；
所述泵的操作条件至少包括泵的转速、入口流量、出口压力；
在深度学习中将多种类型的信息融合为一个统一的输入，将泵的空间状态、操作条件和原流场状态的三种信息作为一个输入组合，将这个多通道的三维数组输入到一个3DCNN或3D全卷积网络FCN中，进行训练和预测。
其中，将CFD求解的块内的流场状态恢复成深度学习网络的点位数据；
通过插值或者重采样的方法将CFD模型的结果映射到深度学习模型的体素上，然后替换原深度网络的输出结果中的对应点位的结果；
将替换后的结果作为下一时间步的深度学习网络输入中的原流场状态部分的输入。
本发明通过将首先基于训练好的深度学习模型处理，可以大大减少需要通过CFD计算的网格数量，从而降低计算时间，实现流场计算的加速。而对于重点区域的网格，通过设置体积阈值筛选需要精确CFD计算的网格，仍使用精确的CFD进行计算，保证了整体流场计算的精度。
附图说明
通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是示出根据本发明实施例的一种泵类设备三维流场计算加速方法的流程图。
具体实施方式
为了使本发明的目的、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地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述……，但这些……不应限于这些术语。这些术语仅用来将……区分开。例如，在不脱离本发明实施例范围的情况下，第一……也可以被称为第二……，类似地，第二……也可以被称为第一……。
应当理解，本文中使用的术语“和/或”仅仅是一种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。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测（陈述的条件或事件）”可以被解释成为“当确定时”或“响应于确定”或“当检测（陈述的条件或事件）时”或“响应于检测（陈述的条件或事件）”。
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商品或者装置不仅包括那些要素，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商品或者装置所固有的要素。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商品或者装置中还存在另外的相同要素。
传统的计算流体动力学（CFD）方法在精度上表现优秀，但在计算大规模、复杂的三维流场时，计算成本高、耗时长，且对计算资源要求较高。而深度学习模型在处理大规模数据时能展现出高效的计算性能，但可能在精确性上不如CFD。这就需要寻找一种有效的方法，既能保持计算的精度，又能提高计算速度，降低计算成本。本发明旨在解决如何有效地加速泵类设备的三维流场计算。
如图1所示，本发明公开了一种泵类设备三维流场计算加速方法，通过一种结合深度学习与计算流体动力学CFD算法，用于加速泵类设备的三维流场计算的方法，具体步骤如下：
三维建模与网格划定：对泵类设备内腔进行三维建模，并根据设备的几何特性和流动特性进行网格划分。
确定不同网格的计算方法，包括根据网格的区域体积大小，确定哪些网格可以由深度网络模型处理，哪些需要通过CFD进行计算。其中，当网络的区域体积小于体积阈值时，确定基于CFD进行网格内三维流场的计算，当网格的区域体积大于或等于体积阈值时，确定基于深度网络模型来处理获得三维流场的计算结果。
基于网格的空间连续性，将计划使用CFD模型进行计算的网格划分成多个块区域，每个区域作为一个独立的CFD模型。其中，每个块内的所有网格都是确定为使用CFD进行三维流场的计算，块区域为空间上的连续区域。
运行已经训练好的深度学习模型，预测整个泵内的三维流体状态，包括各个体素点位的流体的压力、速度和温度信息。
从深度学习模型的预测结果中获取每个块区域边界的状态信息，这些信息将作为所述块对应的CFD模型的边界条件。根据从深度学习模型得到的边界条件，对每个块区域运行CFD模型，以精确地求解每个网格内的流场状态。
由于深度学习模型的计算效率高，因此使用深度学习模型可以大幅度降低计算成本。而通过对流体变化敏感度在不同位置区域设置不同大小的网格，可以通过体积阈值灵活地决定哪些区域使用深度学习模型计算，哪些区域使用CFD计算，进一步优化计算效率和精度的平衡。
因此，本发明有效地结合了深度学习的高效性与CFD的精确性，能够在保证流场计算精度的同时，大幅度提高计算速度，并降低计算成本。
其中，对泵类设备内腔进行三维建模，并根据设备的几何特性和流动特性进行网格划分，包括创建泵类设备内腔的三维几何模型，通过直接从设备的物理模型扫描获得，三维模型应该准确地反映出设备的内腔结构，包括泵壳、叶轮、扩散器、出入口和内腔等部分。
在得到三维模型后，需要进行网格划分。网格划分是将整个流动区域划分为许多小的网格，网格的大小和形状对计算的准确性和效率有很大影响。
其中，对于选择网格类型，根据流动的复杂性和设备的几何形状，选择合适的网格类型。对于标准流动和几何形状，选择结构化网格；对于复杂的流动和几何形状，需要选择非结构化网格。结构化（例如六面体）或非结构化（例如四面体或多面体）网格。
根据设备的几何特性和流动特性，确定网格的大小。其中，对于流动特性复杂的区域即流动变化剧烈的地方需要更小的网格，例如叶轮和扩散器的接合处；流动变化平缓的地方可以使用更大的网格，例如容积的中心部分。
在进行初步的网格划分后，需要检查并优化网格的质量。这包括消除狭长的网格，平滑过度扭曲的网格，以及增加网格的密度以提高计算的准确性。
在某一实施例中，识别出流动特性复杂或者对整体结果影响较大的重点区域，设定初始网格大小包括在重点区域设定较小的初始网格大小。在离重点区域越来越远的地方，逐渐增大网格大小。通过设置网格生成参数来实现，例如在CFD软件中，设置网格的增长率来实现网格大小随着距离递增的目的。生成网格后，进行网格质量检查，如必要时进行优化。检查点包括网格的平滑度、倾斜度、变形程度等。
在某一实施例中，在重点区域设定较小的初始网格大小。重点区域为叶轮内部、进口和出口、转弯处、突变处和叶轮和扩散器的接合处。
在某一实施例中，根据计算设备的计算能力确定一个基础的网格尺度 D_base，所述基础的网格尺度 D_base为叶轮内部的网格尺度。
叶片是叶轮的主要组成部分，它们的形状和布局对流动特性有重要影响。叶片的几何形状，包括其前后边缘（即进气和出口边缘）和上下表面（即压力面和吸力面）。叶片之间的空间被称为流道。流道的形状和尺寸对流动特性也有重要影响。流道的边界即叶轮内部区域的边界通常包括叶片前后边缘之间的空间，以及叶片上下表面之间的空间。一旦确定了叶轮内部的边界就可以在这个区域内生成网格。网格的尺度（即网格的大小）通常由计算设备的计算能力和模拟的精度需求共同决定。
在某一实施例中，基于计算资源（CPU性能和内存）和模拟事件的需求确定基础的网格尺度（D_base），以正立方体的网格为例，包括：
确定计算机的内存容量（Memory）和可接受的模拟时间用于确定可处理的最大网格数量。例如，如果有16GB（即16*10^9 KB）的内存，且每个网格需要约10000KB的内存，那么理论上可以处理的最大网格数量为 Memory / 10000KB = 16*10^5。此外还需要基于可接受的模拟时间和CPU的处理速度确定实际的最大网格数量N_max。
通过CAD软件得到模拟区域的体积（V），并计算基础的网格尺度，包括使用 D_base划分的总网格数量 N = V / (D_base)^3 。为了保证计算机能够处理这么多的网格，需要满足N<= N_max。可以得到 D_base 的一个下限：D_base>= (V/N_max)^(1/3)。
在某一实施例中，基于D_base确定其他重点区域的网格尺寸，其他重点区域包括进口和出口、转弯处、突变处和叶轮和扩散器的接合处。
在某一实施例中，泵类设备的进口和出口的流动通常相对较为简单，可以令进口和出口的网格尺度D_in_out =B* D_base，其中B为大于1的整数。
在某一实施例中，在泵类设备内部的转弯处，流动可能会突然改变，将转弯处的网格尺度与转弯的半径 R 和角度 θ 相关联，令：
K_turn = max(1, 20*sqrt(θ/R))，
D_turn = D_base * K_turn，
其中 K_turn 是一个根据转弯半径和角度计算得到的系数，sqrt为平方根函数，max 函数确保 K_turn 不会小于 1，因此 D_turn 不会小于 D_base。
所述D_turn为重点区域转弯处的网格尺寸。
在某一实施例中，突变处的流动变化率变化较快，将突变处的网格尺度与突变的长度 L 相关联，令
K_change = max(1, L/D_base)，
D_change = D_base * K_change，
其中K_change 是根据突变长度 L 和基础网格尺度 D_base 的比例计算得到的系数。max 函数确保 K_change 不会小于 1，因此 D_change 不会小于 D_base，以保证在突变处的网格尺度大于或等于基础网格尺度。
在某一实施例中，在叶轮和扩散器的接合处可能会出现复杂的流动现象，所以需要更小的网格以捕捉这些变化，通过设定一个与叶轮和扩散器的几何特性相关的系数 K_joint，令：
K_joint = max(1, 2*θ_joint/180)，
D_joint = D_base * K_joint，
其中 K_joint 是一个根据叶轮和扩散器的接合角度 θ_joint 计算得到的系数，同时max 函数确保 K_joint 不会小于 1，以保证网格不会过小超出了计算设备的计算能力。
在某一实施例中，在划分网格后，根据网格的大小，确定使用深度学习模型还是CFD进行计算。包括设置一个体积阈值，当网格的体积小于阈值时，确定该网格所在区域使用CFD进行计算；以及当网格的体积大于或等于阈值时，确定该网格所在区域使用深度学习模型进行计算。
在某一实施例中，运行已经训练好的深度学习模型，预测整个泵内的三维流体状态，包括各个点位的流体的压力、速度等参数，包括：
收集泵类设备的实验数据，包括泵内空间状态，泵的操作条件以及流体的速度、压力和温度等在泵内不同位置和不同时间的分布。对收集到的数据进行预处理，包括清洗、归一化和数据增强等。选择合适的深度学习模型以预测流场分布为目标，设计模型的结构和参数。利用优化算法（例如，随机梯度下降）对模型进行训练。训练过程中，可以采用交叉验证等方法来调整模型参数。在独立的测试数据集上评估模型性能，根据实际需求，可以选择如均方误差（MSE）等指标。使用训练好的深度学习模型预测大网格的流场状态。
在某一实施例中，对泵设备内部进行三维建模，并根据设备的几何特性和流动特性进行网格划分。这个步骤需要具备计算流体动力学的知识，以确保网格划分的质量。
根据每个网格的体积，确定使用哪种计算方法。当网格的体积小于体积阈值时，预计使用CFD进行计算；当网格的体积大于或等于体积阈值时，使用深度学习模型进行计算。
对于预计使用CFD进行计算的网格，根据空间位置的连续性，将这些网格划分为多个块。每个块都可以看作是一个独立的CFD模型。
使用训练好的深度学习模型来模拟整个泵内的流体状态。这个模型需要被训练来预测流体的压力、速度等参数。
在深度学习模型的预测结果中，获取各块边界的状态。这些状态将被用作CFD模型的边界条件。
根据深度学习模型提供的边界条件，对每个块使用CFD模型来求解网格内的流场状态。这个过程需要选择合适的求解器和模型，比如湍流模型、热传导模型等，以准确地模拟流动的物理过程。
最后对模拟结果进行后处理和分析，比如可视化流场、计算关键的流动特性等。
在某一实施例中，深度学习模型的预测结果可能并不完全符合CFD模型的边界条件的要求。可能需要进行一些调整或者插值，来将深度学习模型的预测结果转化为适当的边界条件。
在某一实施例中，深度学习模型的预测结果需要进行一些调整或插值以满足CFD模型的边界条件要求。首先，需要确定各个边界的类型。在CFD模型中，边界条件通常分为指定压力、指定速度、指定温度等各种类型。在深度学习模型的预测结果中，需要选择与这些类型对应的参数。
深度学习模型的预测结果的体素点位的位置可能与块区域边界不完全对应，需要在不对应的位置进行插值处理。例如，可以使用线性插值、二次插值、三次样条插值等方法，将深度学习模型的预测结果插值到CFD的块区域边界上。
对于一些特殊的边界条件，例如无滑移边界条件、周期性边界条件等，需要对深度学习模型的预测结果进行修正。这些修正可能需要基于物理规则进行，例如在无滑移边界上，流速的法向分量应该为零。
最后，需要进行边界条件的校准和验证。可以通过对比模拟结果和实验数据，或者使用一些已知的解析解，来验证和校准边界条件。如果模拟结果与实验数据或解析解有较大偏差则需要重新调整边界条件。
在某一实施例中，选择适合当前问题的求解器和模型。例如当流体的流速很高需要使用湍流模型。
根据从深度学习模型得到的边界状态设定边界条件。包括流体在边界上的压力、速度、温度等参数。对于复杂的边界条件，可能需要使用插值进行预处理。
将设定好的边界条件输入到CFD模型中，运行模型来求解每个网格内的流场状态。所述过程使用高性能计算资源，在求解过程中，需要进行迭代和收敛检查。
在某一实施例中，计算流体动力学（CFD）模型的运行过程包括以下步骤：
在模型的预处理阶段，设定好的边界条件，包括块边界上的流体的压力、速度、温度等参数。
除了边界条件，还需要设定模型的初始条件。所述初始条件为整个计算区域内的原始流场状态。
然后，运行CFD模型，使用选择的求解器和模型，基于设定的边界条件和初始条件，对每个网格内的流场状态进行求解。这个过程通常需要迭代进行，直到求解结果满足预设的收敛标准。所述流场状态包括块内的流体压力、速度、温度。
在求解过程中，需要定期检查解的收敛性。如果解没有收敛需要调整求解器的参数。
在某一实施例中，在块内进行的三维流场状态的求解为使用传统CFD算法进行的求解，包括使用专业的CFD软件进行传统CFD算法求解。CFD是一种基于数值方法和流体力学的理论模型，对流体流动进行模拟和分析的技术。在进行泵类设备的三维流场计算时，需要以下步骤：首先，确定需要进行CFD计算的三维模型（本发明中为确定的块区域地三维模型），确定所述模型内的计算网格。接着，导入深度学习模拟预测的块区域的边界条件和初始条件。选择和设置适当的流体力学模型使用CFD软件进行计算，并对计算结果进行后处理。
可选地，所述计算网格可基于前述已经确定好的对应区域的网格大小来确定。所述块内的网格尺寸可以不同。
在某一实施例中，使用CFD软件包括例如ANSYS Fluent、OpenFOAM、SimScale、CFD++、中的一个或多个等确定块内区域的CFD模型和流场计算。
在某一实施例中，在预测第1时步的流场状态时，设定整个区域内的初始条件中的空间流体初始流速为零，初始压力为某一个常数，即默认在第0时步时整个区域内的初始流速为0。
在某一实施例中，所述深度学习模型可以用于对第一时间步的泵内设备内的三维流场的生成，以及用于第一时间步以后的每一时步的泵内设备内的三维流场的更新。
在某一实施例中，深度学习模型的输入包括：泵的空间状态、泵的操作条件（泵的转速、入口流量、出口压力等信息）、以及原流场状态。
由于深度学习模型需要预测不同时间步的流场状态，因此当前时间步的上一时间步的流场状态即原流场状态也需要作为模型的输入，包括每个网格点的压力、速度、温度等流动参数。
深度学习模型的训练需要大量的标注数据即输入-输出对。输出是每个网格点的压力、速度等流动参数。
在某一实施例中，将泵内的空间状态体素化为三维网格，类似于二维图像中的像素。以下说明如何将一个三维物体（例如泵壳内的空间状态）转换为体素：
确定体素网格的大小。这个大小应该足够小，能够准确地表示物体的形状，但也不能太小，否则会生成过多的体素，增加计算的复杂性。例如，选择将物体划分为100x100x100的体素网格。然后将物体的三维空间划分为等大小的立方体网格。每个立方体就是一个体素。
对于每个体素确定体素状态，包括确定它是空的还是被物体填充的。一种常见的方法是检查体素的中心点：如果中心点在物体内部，则认为体素被填充；如果中心点在物体外部，则认为体素是空的。最后得到一个三维的二值数组，其中1表示体素被填充，0表示体素是空的。
可选地，根据不同泵类设备的内部结构，可以选用不同精细的网格。
在某一实施例中，在深度学习中可以将多种类型的信息融合为一个统一的输入。将泵的空间状态、操作条件和原流场状态的三种信息作为一个输入组合：
（1）泵的空间状态：我们可以通过体素化的方法将三维形状转换为一个三维的二值数组。这个数组可以作为一个单独的输入通道，就像在卷积神经网络（ConvolutionalNeural Network, CNN）中处理多通道图像一样。
（2）泵的操作条件：条件（泵的转速、入口流量、出口压力）可以直接作为模型的输入。
（3）原流场状态：状态（每个网格点的压力、速度、温度）可以作为一个单独的输入通道，类似于泵的空间状态，需要确保流场状态的网格与泵的空间状态的网格对齐。
最后将所有这些输入通道堆叠在一起，形成一个多通道的三维数组。例如，如果泵的空间状态是一个1xNxNxN的数组，操作条件是一个1x1x1xM的数组（其中M是操作条件的数量），原流场状态是一个3xNxNxN的数组（假设有压力、速度的三个分量和温度的流场状态参数），那么最终输入就是一个（1+1+3）xNxNxN = 5xNxNxN的数组。
在某一实施例中，将这个多通道的三维数组输入到一个3D CNN或3D全卷积网络FCN中，进行训练和预测。3D CNN或3D FCN可以有效地处理三维的空间信息。
在某一实施例中，需要将CFD精确求解的块内的流场状态恢复成深度学习网络的点位数据。通过插值或者重采样的方法将CFD模型的结果映射到深度学习模型的体素上。然后以替换原深度网络的输出结果中的对应点位的结果。将替换后的结果作为下一时间步的深度学习网络输入中的原流场状态的这部分输入。
本发明通过将首先基于训练好的深度学习模型处理，可以大大减少需要通过CFD计算的网格数量，从而降低计算时间，实现流场计算的加速。而对于重点区域的网格，通过设置体积阈值筛选需要精确CFD计算的网格，仍使用精确的CFD进行计算，保证了整体流场计算的精度。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述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。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开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。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
以上介绍了本发明的较佳实施方式，旨在使得本发明的精神更加清楚和便于理解，并不是为了限制本发明，凡在本发明的精神和原则之内，所做的修改、替换、改进，均应包含在本发明所附的权利要求概括的保护范围之内。

Claims (9)

1.一种泵类设备三维流场计算加速方法，包括：
对泵类设备内腔进行三维建模，并根据设备的几何特性和流动特性进行网格划分；
确定不同网格的计算方法，包括根据网格的区域体积大小，确定该网格由深度网络模型处理或通过计算流体动力学CFD进行计算；
基于网格的空间连续性，将计划使用CFD模型进行计算的网格划分成多个块区域，每个区域作为一个独立的CFD模型；
运行训练好的深度学习模型，预测当前时间步的在泵类设备内腔的三维流体状态，包括各个体素点位的流体的压力、速度和温度信息；
基于从深度学习模型的预测结果中获取每个块区域边界的状态信息作为所述块对应的CFD模型的边界条件；
以及，根据从深度学习模型得到的边界条件，对每个块区域运行CFD模型，以精确地求解当前时间步的每个网格内的流场状态；
所述确定不同网格的计算方法，包括根据网格的区域体积大小，确定该网格由深度网络模型处理或通过CFD进行计算，包括：
设置体积阈值；
当网络的区域体积小于所述体积阈值时，确定基于CFD进行网格内三维流场的计算；
以及，当网格的区域体积大于或等于所述体积阈值时，确定基于深度网络模型来处理获得三维流场的计算结果。
2.如权利要求1所述的一种泵类设备三维流场计算加速方法，其特征在于，所述根据设备的几何特性和流动特性，进行网格划分，包括：
将流动特性复杂的区域或流动变化剧烈的区域确定为重点区域，在所述重点区域设置初始网格；
以及对于流动变化平缓的区域设置的网格的体积大于所述初始网格的体积。
3.如权利要求2所述的一种泵类设备三维流场计算加速方法，其特征在于，
在离所述重点区域越来越远的地方，逐渐增大网格大小；
通过设置网格的增长率来实现网格大小随着距离递增的目的；
所述重点区域为叶轮内部、进口和出口、转弯处、突变处和叶轮和扩散器的接合处。
4.如权利要求3所述的一种泵类设备三维流场计算加速方法，其特征在于，
根据计算设备的计算能力确定一个基础的网格尺度 D_base，所述基础的网格尺度 D_base为叶轮内部的网格尺度；
所述叶轮内部区域的边界包括叶片前后边缘之间的空间，以及叶片上下表面之间的空间。
5.如权利要求4所述的一种泵类设备三维流场计算加速方法，其特征在于，
基于基础的网格尺度 D_base确定其他重点区域的网格尺寸，其他重点区域包括进口和出口、转弯处、突变处和叶轮和扩散器的接合处。
6.如权利要求1所述的一种泵类设备三维流场计算加速方法，其特征在于，
基于从深度学习模型的预测结果中获取每个块区域边界的状态信息作为所述块对应的CFD模型的边界条件中，
如果深度学习模型的体素点位与块区域边界不完全对应，则在不对应的位置进行插值处理；所述插值处理包括使用线性插值、二次插值或三次样条插值，将深度学习模型的预测结果插值到CFD块区域边界上。
7.如权利要求1所述的一种泵类设备三维流场计算加速方法，其特征在于，
所述深度学习模型用于对第一时间步的泵内设备内的三维流场的生成，以及用于第一时间步以后的每一时步的泵内设备内的三维流场的更新。
8.如权利要求7所述的一种泵类设备三维流场计算加速方法，其特征在于，
深度学习模型的输入包括：泵的空间状态、泵的操作条件、以及原流场状态；
所述泵的操作条件至少包括泵的转速、入口流量、出口压力；
在深度学习中将多种类型的信息融合为一个统一的输入，将泵的空间状态、操作条件和原流场状态的三种信息作为一个输入组合，将这个多通道的三维数组输入到一个3D CNN或3D全卷积网络FCN中，进行训练和预测。
9.如权利要求7所述的一种泵类设备三维流场计算加速方法，其特征在于，
将CFD求解的块内的流场状态恢复成深度学习网络的点位数据；
通过插值或者重采样的方法将CFD模型的结果映射到深度学习模型的体素上，然后替换原深度网络的输出结果中的对应点位的结果；
将替换后的结果作为下一时间步的深度学习网络输入中的原流场状态部分的输入。
CN202311009740.7A 2023-08-10 2023-08-10 一种泵类设备三维流场计算加速方法 Active CN117150951B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311009740.7A CN117150951B (zh) 2023-08-10 2023-08-10 一种泵类设备三维流场计算加速方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311009740.7A CN117150951B (zh) 2023-08-10 2023-08-10 一种泵类设备三维流场计算加速方法

Publications (2)

Publication Number Publication Date
CN117150951A CN117150951A (zh) 2023-12-01
CN117150951B true CN117150951B (zh) 2024-03-01

Family

ID=88911039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311009740.7A Active CN117150951B (zh) 2023-08-10 2023-08-10 一种泵类设备三维流场计算加速方法

Country Status (1)

Country Link
CN (1) CN117150951B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684767A (zh) * 2019-01-08 2019-04-26 北京理工大学 一种基于低温流体的涡轮泵诱导轮空化流动数值预测方法
CN109978275A (zh) * 2019-04-03 2019-07-05 中南大学 一种混合cfd和深度学习的极端大风风速预测方法及系统
CN113379103A (zh) * 2021-05-20 2021-09-10 中国船舶重工集团公司第七一九研究所 基于降阶模型的泵类设备内部流场的预测方法
CN114218875A (zh) * 2021-12-08 2022-03-22 南京航空航天大学 一种用于流场预测的加速方法及装置
CN115034138A (zh) * 2022-06-24 2022-09-09 华北电力大学 以计算流体力学与深度学习结合的锅炉温度场预测方法
KR102496082B1 (ko) * 2022-05-25 2023-02-06 경북대학교 산학협력단 원심 펌프에 대한 설계 최적화 방법 및 상기 방법을 수행하는 컴퓨팅 장치
WO2023038054A1 (ja) * 2021-09-09 2023-03-16 株式会社荏原製作所 機械学習装置、ポンプ性能予測装置、推論装置、ポンプ形状設計装置、機械学習方法、ポンプ性能予測方法、推論方法、ポンプ形状設計方法、機械学習プログラム、ポンプ性能予測プログラム、推論プログラム、及び、ポンプ形状設計プログラム
CN116306206A (zh) * 2022-11-06 2023-06-23 西北工业大学 一种基于深度神经网络的翼型跨音速抖振流场快速预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2803066A1 (en) * 2010-07-29 2012-02-02 Exxonmobil Upstream Research Company Methods and systems for machine-learning based simulation of flow
US11373026B2 (en) * 2019-06-10 2022-06-28 General Electric Company Deep learning surrogate for turbulent flow

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684767A (zh) * 2019-01-08 2019-04-26 北京理工大学 一种基于低温流体的涡轮泵诱导轮空化流动数值预测方法
CN109978275A (zh) * 2019-04-03 2019-07-05 中南大学 一种混合cfd和深度学习的极端大风风速预测方法及系统
CN113379103A (zh) * 2021-05-20 2021-09-10 中国船舶重工集团公司第七一九研究所 基于降阶模型的泵类设备内部流场的预测方法
WO2023038054A1 (ja) * 2021-09-09 2023-03-16 株式会社荏原製作所 機械学習装置、ポンプ性能予測装置、推論装置、ポンプ形状設計装置、機械学習方法、ポンプ性能予測方法、推論方法、ポンプ形状設計方法、機械学習プログラム、ポンプ性能予測プログラム、推論プログラム、及び、ポンプ形状設計プログラム
CN114218875A (zh) * 2021-12-08 2022-03-22 南京航空航天大学 一种用于流场预测的加速方法及装置
KR102496082B1 (ko) * 2022-05-25 2023-02-06 경북대학교 산학협력단 원심 펌프에 대한 설계 최적화 방법 및 상기 방법을 수행하는 컴퓨팅 장치
CN115034138A (zh) * 2022-06-24 2022-09-09 华北电力大学 以计算流体力学与深度学习结合的锅炉温度场预测方法
CN116306206A (zh) * 2022-11-06 2023-06-23 西北工业大学 一种基于深度神经网络的翼型跨音速抖振流场快速预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Towards physics-informed deep learning for turbulent flow prediction;Wang, Rui, et al.;《Procedings of the 26th ACM SIGKDD international Conference on Knowledge Discovery & Data Mining》;1457-1466 *
人工神经网络与CFD技术交互的建筑直供水改造中增压优化设计;颜强;姜佩言;张勤;;给水排水(06);128-131 *
基于Ｆ ｌ ｕ ｅ ｎ ｔ 二次开发的螺旋桨敞水性能快速仿真方法研宄;施亚光;《2022年数字化造船学术交流会议论文集》;88-90 *
流场分析与智能建模在机油泵CAD中的联合应用;童宝宏;尹军;;农业工程学报(08);157-162 *
离心水泵流场数值模拟分析方法探究;骆艳洁;王海博;李骁;;通信电源技术(01);58-60、64 *

Also Published As

Publication number Publication date
CN117150951A (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
Zhang et al. Variable-fidelity expected improvement method for efficient global optimization of expensive functions
Yoo et al. Integrating deep learning into CAD/CAE system: generative design and evaluation of 3D conceptual wheel
Verstraete CADO: a computer aided design and optimization tool for turbomachinery applications
Forrester et al. Optimization using surrogate models and partially converged computational fluid dynamics simulations
Fabritius et al. Improving the quality of finite volume meshes through genetic optimisation
Culver et al. Accurate computation of the medial axis of a polyhedron
Zhao et al. Adaptive multi-fidelity sparse polynomial chaos-Kriging metamodeling for global approximation of aerodynamic data
CN116227359A (zh) 基于注意力和卷积神经网络编解码器的流场预测方法
Chen et al. Towards high-accuracy deep learning inference of compressible turbulent flows over aerofoils
CN116738920B (zh) 一种三维几何内核的芯片3d设计方法及系统
Pringuey et al. High order schemes on three-dimensional general polyhedral meshes—Application to the level set method
CN117150951B (zh) 一种泵类设备三维流场计算加速方法
US8031957B1 (en) Rewritable lossy compression of graphical data
CN110349265B (zh) 一种四面体拓扑网格生成方法及电子设备
Chauhan et al. Wing shape optimization using FFD and twist parameterization
Marco et al. Structural shape optimization using Cartesian grids and automatic h-adaptive mesh projection
JP7029056B2 (ja) 分割領域生成プログラム、分割領域生成装置、および分割領域生成方法
Dwight et al. Adaptive uncertainty quantification for computational fluid dynamics
Krijnen et al. Thermal analysis of IFC building models using voxelized geometries
Leifsson et al. Fast multi-objective aerodynamic optimization using space-mapping-corrected multi-fidelity models and kriging interpolation
US20240061982A1 (en) Pipe blockage prediction methods
CN117195761B (zh) 一种基于流场离散度自适应的计算加速方法
CN117709210B (zh) 约束推断模型训练、约束推断方法、组件、终端及介质
US20220309208A1 (en) In-situ formulation of calibrated models in multi component physics simulation
CN116628863A (zh) 车辆风阻系数确定方法、设备和介质

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