CN117556725A - 一种流场预测方法及系统 - Google Patents
一种流场预测方法及系统 Download PDFInfo
- Publication number
- CN117556725A CN117556725A CN202311427098.4A CN202311427098A CN117556725A CN 117556725 A CN117556725 A CN 117556725A CN 202311427098 A CN202311427098 A CN 202311427098A CN 117556725 A CN117556725 A CN 117556725A
- Authority
- CN
- China
- Prior art keywords
- flow field
- data
- field prediction
- prediction
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000010586 diagram Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000011160 research Methods 0.000 claims abstract description 10
- 238000004088 simulation Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000013434 data augmentation Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 abstract description 7
- 238000003062 neural network model Methods 0.000 description 8
- 230000002776 aggregation Effects 0.000 description 7
- 238000004220 aggregation Methods 0.000 description 7
- 239000010410 layer Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种流场预测方法及系统,涉及流体力学技术领域,所述方法包括:获取研究对象不同几何外形和工况条件下对应的流场数据,构建流场数据集;将流场数据集中的流场数据转化为基于网格拓扑连接图的存储结构;建立基于图卷积神经网络的流场预测模型,使用转换后的流场数据集训练所述流场预测模型;输入待预测的几何参数和工况参数,使用所述流场预测模型进行流场预测。本发明结合了网格拓扑连接的信息和变几何变工况的特点,能够实现对变几何变工况条件下的流场快速预测。
Description
技术领域
本发明涉及流体力学技术领域,具体涉及一种流场预测方法及系统。
背景技术
随着计算机性能的飞速提升和数值计算方法的持续发展,计算流体力学(Computational Fluid Dynamics,CFD)已经被广泛地应用于流场仿真和设计优化中。传统的CFD模拟方法是基于流动的控制方程,将流场求解域进行空间离散,运用时空数值格式,把连续的偏微分方程转化为离散点的代数方程进行求解。然而,这种方法的计算量很大,且在变几何变工况的情况下,需要重新建立网格和求解方程,计算复杂度更高,导致预测效率低下。不同于传统的CFD模拟方法,人工智能方法通常采用的是基于数据驱动的方式,可以通过学习已有数据中的模式和规律,直接进行流场预测,避免了流体控制方程繁琐的求解过程,在计算效率方面具有很大的潜在优势。
基于数据驱动的神经网络模型发展十分迅速,其根据现有的流场模拟方法获得高可信度的流场样本数据,然后采用机器学习模型学习输入参数,如工况参数等到流场数值解之间的映射关系,代替传统耗时的偏微分方程离散求解过程,从而快速、高效地获得流场的数值解。这类方法在机翼翼型流场预测、风洞控制预测等多个领域均有广泛应用,但目前主要局限在处理变工况条件下的流场预测问题。对于几何外形变化,例如几何体移动、改变或者数量增减的情况,仍然存在较大的挑战,传统神经网络模型大多无法高效地处理变几何条件下的流体问题。在一些实际工程问题中,如电厂选址、机箱器件排布等,除了需要应对工质流动方向、速度大小等变工况情形外,更要考虑到几何变化造成的流场变化,从而进一步考虑选址设计、机箱排布设计等优化问题。
发明内容
为了解决现有技术的不足,本发明的目的是提供一种流场预测方法及系统,以实现对变几何变工况条件下的流场快速预测。
为了实现上述目的,根据一些实施例,本发明的第一方面,提供了一种流场预测方法,包括:
获取研究对象不同几何外形和工况条件下对应的流场数据,构建流场数据集;
将流场数据集中的流场数据转化为基于网格拓扑连接图的存储结构;
建立基于图卷积神经网络的流场预测模型,使用转换后的流场数据集训练所述流场预测模型;
输入待预测的几何参数和工况参数,使用所述流场预测模型进行流场预测。
优选的,所述获取研究对象不同几何外形和工况条件下对应的流场数据,包括:
将研究对象的几何外形和工况条件参数化,确定采样空间;
在采样空间内进行随机采样;
对于采样得到的参数值,使用CFD模拟获得对应的流场数据。
优选的,还包括,对流场数据进行预处理;具体包括:
检查数据完整性以及合理性,剔除存储上损坏的数据以及异常或不合理的数据点;
针对数据量小的数据集,考虑物理规律的合理性,对流场数据进行数据增广。
优选的,所述将流场数据集中的流场数据转化为基于网格拓扑连接图的存储结构,包括:
将流场数据表示为由节点和边组成的网格拓扑连接图,其中节点表示流场中的网格离散点,边表示节点之间的连接关系,流场信息作为节点或边上的特征进行存储。
优选的,针对有限体积法中格点存储的数据,将每个网格点定义为节点,网格的边定义为连接节点的边;针对有限体积法中格心存储的数据,为每个网格单元分配一个节点,将网格的面定义为连接节点的边。
优选的,所述使用转换后的流场数据集训练所述流场预测模型,包括:将数据集划分为训练集、验证集和测试集,用于模型的训练、调优和评估;利用训练集数据进行模型训练,通过优化模型输出和目标数据之间的损失函数,调整模型的参数;利用验证集数据,调整模型的超参数。
优选的,所述输入待预测的几何参数和工况参数,使用所述流场预测模型进行流场预测,包括:
将输入的待预测的几何参数和工况参数,转换为基于网格存储的数据类型,将几何参数和工况参数映射到节点特征上,并构建对应的网格拓扑连接图;
利用训练好的流场预测模型,对经过数据转换的参数输入进行流场预测,得到对应的流场解。
本发明的第二方面,提供了一种流场预测系统,包括:
数据集构建模块,被配置为获取研究对象不同几何外形和工况条件下对应的流场数据,构建流场数据集;
数据转化模块,被配置为将流场数据集中的流场数据转化为基于网格拓扑连接图的存储结构;
模型构建模块,被配置为建立基于图卷积神经网络的流场预测模型,使用转换后的流场数据集训练所述流场预测模型;
预测模块,被配置为输入待预测的几何参数和工况参数,使用所述流场预测模型进行流场预测。
本发明的第三方面,提供了一种介质,其上存储有程序,该程序被处理器执行时实现上述一种流场预测方法中的步骤。
本发明的第四方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现上述一种流场预测方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明提供了一种流场预测方法及系统,结合了网格拓扑连接的信息和变几何变工况的特点,将几何参数的变化有效地嵌入到基于网格拓扑连接图的结构中;图卷积的操作通过节点之间的连接关系进行信息的传递和聚合,可以灵活地处理变几何条件下带来的数据维度变化;相比传统的数值模拟方法,本发明方法减少了在线预测时的计算资源和时间的消耗,提高了预测的效率和实时性。
附图说明
图1为本发明一种流场预测方法的流程图;
图2为将流场数据转化为基于网格拓扑连接图存储结构的示意图;
图3为针对有限体积法格心存储格式的流场数据转化示意图;
图4为基于网格拓扑连接图存储的数据格式示意图;
图5为图卷积算子中信息传递、聚合操作的示意图;
图6为深度图卷积神经网络模型的示意图;
图7为模型预测结果和数值模拟结果的比较示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
实施例一
如图1所示,本实施例提供了一种流场预测方法,包括:
S1、获取研究对象不同几何外形和工况条件下对应的流场数据,构建流场数据集;
S2、将流场数据集中的流场数据转化为基于网格拓扑连接图的存储结构;
S3、建立基于图卷积神经网络的流场预测模型,使用转换后的流场数据集训练所述流场预测模型;
S4、输入待预测的几何参数和工况参数,使用所述流场预测模型进行流场预测。
工程实践中,一些实际流体力学问题通常会涉及比较复杂的几何外形和工况的变化,传统的CFD数值模拟虽然能得到较为准确的流场预测,但是往往需要消耗大量的计算资源和计算时间。因此,利用机器学习技术通过大量数据来构建流场快速预测的模型,可以大大提高计算的效率和减少在线预测的计算资源消耗。但是,传统的神经网络模型大多无法高效地处理变几何条件下的流体问题,因此本实施例针对变几何变工况条件下流场快速预测,基于网格拓扑连接,提出了一种流场预测方法。
步骤S1中,针对特定的一类流体力学问题,将待研究对象的几何外形和工况条件参数化,确定参数范围(即采样空间),并在采样空间内采样。在采样空间对几何参数和工况参数进行随机采样,以获得对应的流场数据,包括空间网格信息、物理场信息,以及对应的几何和工况信息。采样得到的数据集覆盖的参数范围必须尽可能大,并且尽可能均匀地覆盖待研究的参数空间,以保证后续模型训练的有效性
对于采样得到的参数值,通过CFD模拟获得对应的流场数据(流场解),从而构建流场数据集。
在构建流场数据集时,还需要对得到的流场数据进行预处理,包括检查数据完整性、剔除不合理数据、进行数据增广等来增加数据有效性。检查数据完整性以及合理性,剔除存储上损坏的数据以及流场数据中存在异常或不合理的数据点。针对数据量比较小的数据集,还需要进行数据增广操作,以增加数据的多样性和丰富性,提高模型的泛化能力。相比于传统机器学习算法中的数据增广,流场数据的增广需要考虑到物理规律的合理性,例如旋转变换需要对旋转后的几何重新参数化,平移操作则需要保证自由来流不受影响,通过数据增广操作,以增加数据的多样性和丰富性,提高模型的泛化能力。
在数据预处理之后,对数据标准化或归一化,对流场数据进行标准化或归一化处理,常见的方法包括标准差标准化、最小-最大归一化等,以确保数据的可比性和一致性。
步骤S2中,将流场数据集中的流场数据转化为基于网格拓扑连接图的存储结构,利用节点和边来表示空间连接关系,节点和边上的特征来表示流场信息。该结构将流场数据表示为一个由节点和边组成的网格拓扑连接图,其中节点表示流场中的网格离散点,边表示节点之间的连接关系,流场信息(包括空间坐标、物理量)等则作为节点或边上的特征进行存储。
通过CFD数值模拟的流场数据通常基于空间离散的计算网格,因此可以将流场数据存储在基于网格拓扑连接图的结构中,G(V,E),其中V表示图中的节点,也即计算网格的格点,E则表示图中连接节点的边,对应即计算网格中的边。在网格拓扑连接图G(V,E)上,可以定义节点和边上对应的特征xv和xe。使用节点特征来表示流场信息,例如在每个节点处存储相应位置上的空间坐标信息,速度、压力等物理量;使用边特征来表征连接节点的边的信息,例如在每条边的特征向量中存储边的长度、法向量等信息。
确定流场数据的存储方式,针对有限体积法中格点存储的数据,将每个网格点定义为节点,网格的边则自然地定义为连接节点的边;针对有限体积法中格心存储的数据,为每个网格单元分配一个节点,将网格的面定义为连接节点的边。
如图2所示,以有限体积法中常见的格点法存储为例,流场解的数据(通常包括速度、压力等物理量)直接存储在网格点,即拓扑连接图的节点上。
针对有限体积法中另一种常用的格心存储,即将流场解存储在网格单元的中心,如图3所示,给出了一种将流场数据转化为拓扑连接图存储的方式:通过将格心定义为图的节点,并随之定义连接节点的边,即可将流场数据转化为基于拓扑连接图的存储格式。
上述方法主要针对有限体积法及其对应的数据存储格式的转化,其他数值方法所得到的流场解数据均可以采用类似的方法转换为基于网格拓扑连接图的存储格式。
在上述转化之后,本实施例进一步提供了如图4所示的基于网格拓扑连接的流场数据存储格式。网格拓扑连接图中节点和边上的特征将以矩阵形式存储,每一列是该节点或边上的特征向量;网格拓扑连接图中每条边所代表的节点之间的连接关系也通过矩阵形式存储,每一列对应每条边上的节点编号。
步骤S3中,利用深度学习框架建立基于图卷积神经网络的流场预测模型。该模型通过对每个网格节点进行卷积操作,提取局部的输入特征信息,并通过节点之间的边连接将信息传递至全局,从而进行流场的预测。
设计合适的图卷积网络,处理基于网格拓扑连接的流场数据,对每个网格节点进行卷积操作,提取局部特征信息,并进行卷积层特征的传播与聚合,构建模型。
基于拓扑连接图格式存储的数据,本实施例提供了如图5所示的图卷积算子,实现信息在图上的信息传递和聚合从而完成流场解的预测。图神经网络的输入包括节点、边上的特征信息,以及图的拓扑连接关系。图卷积算子定义的则是节点和边之间信息传递和聚合的操作,其具体表达式可以写作以下形式:
其中msgj,i表示从节点j到节点i传递的信息,和/>分别表示对应的节点特征,则表示连接节点i和节点j的边上的特征,信息传递函数由全连接神经网络fv拟合,Θmsg则表示该网络的可训练参数;所有与节点i直接相连的节点(j∈N(i))都将向节点i传递信息msgj,i,并在节点i完成信息聚合,聚合函数/>一般由求和、平均等操作构成;聚合之后得到的信息aggi将会和节点i当地的节点特征/>一起,输入全连接神经网络fv并输出更新后的节点特征/>Θagg则表示网络的可训练参数。通常在确定图卷积的输入维度和输出维度之后,单层图卷积网络的结构和参数维度将被唯一确定,在具体实施例中只需要定义每一层图卷积网络的输入和输出维度,即可构建深层图卷积网络,从而提高模型的性能。如图6所示,输入拓扑图其节点特征为1维,在定义第一层卷积网络和第二层卷积网络的输出节点特征为3维之后,就确定了前两层网络的结构和参数维度,通过类似的定义可以在此基础上不断增加网络的深度,并在最后一层网络定义其输出节点特征为1维,即可以得到最后的输出。
利用流场数据集对模型进行训练,通过最小化模型的预测和真实数据之间的误差损失函数来优化模型的参数,提高预测结果的可信度,从而得到具有预测能力的图神经网络模型。
将处理过后的数据集按一定比例进行分割,划分为训练集、验证集和测试集,用于模型的训练、调优和评估。
通过训练集的数据训练上述的图神经网络模型,即优化模型输出与训练数据之间的损失函数来调整网络的参数Θmsg和Θagg。由于验证集数据不直接参与模型训练,其能够有效地表征模型的预测性能。调整模型的超参数,例如模型的学习率、批处理数据量等,可以训练得到一系列不同的模型,通过监测这些模型在验证集上的预测性能可以选取或优化得到一组较优的超参数组合,从而进一步优化图神经网络模型。
定义适当的损失函数来衡量预测结果与真实流场数据之间的误差,针对一般的流场预测任务,常用的损失函数有均方误差和绝对值误差等,以均方误差为例,其具体形式可以写作
其中N表示拓扑图的节点数,表示节点i的真实特征,/>则表示图卷积网络预测的节点i特征利用训练集数据进行模型训练,计算模型预测和目标数据之间的损失函数,通过损失的反向传播得到网络参数的梯度,并通过梯度下降更新参数,使得预测结果逐渐接近真实数据。
经过步骤S1-S3,即得到了训练好的流场预测模型。当需要对变几何变工况下的流场进行预测时,将几何参数和工况参数输入到模型中,即可实现对该几何和工况参数下的流场预测结果。
步骤S4中,利用经过优化的流场预测模型,输入新的几何和工况信息,即可快速预测该条件下流场解。
对输入的变几何变工况案例进行预处理,转化为与模型训练时相同类型的输入,并利用图神经网络模型预测对应的流场解。将输入的变几何变工况参数,转换为基于网格存储的数据类型,将几何参数和工况参数映射到节点特征上,并构建对应的网格拓扑连接图;利用训练好的模型,对经过数据转换的变几何变工况参数输入进行流场预测,得到对应的流场解。相比于传统的数值模拟方法,本方案能够大大减少计算资源和时间的消耗,提高流场预测的效率和实时性。
图7为模型预测结果和数值模拟结果的比较示意图,该实施案例展示了建筑物附近风场的快速预测,其中左图为流场预测模型预测的流场,右图为CFD模拟的流场,经对比,两者非常接近,证明本方案能够达到较好的预测效果。
本实施例提供的方法,为变几何问题提供了有效的解决途径,不仅可以实现对当前流场的实时预测,也为后期流场降阶优化设计提供支撑,提高了基于数据驱动的神经网络模型在流体力学问题中的技术潜力。
实施例二
本实施例在实施例一的基础上,提供了一种流场预测系统,包括:
数据集构建模块,被配置为获取研究对象不同几何外形和工况条件下对应的流场数据,构建流场数据集;
数据转化模块,被配置为将流场数据集中的流场数据转化为基于网格拓扑连接图的存储结构;
模型构建模块,被配置为建立基于图卷积神经网络的流场预测模型,使用转换后的流场数据集训练所述流场预测模型;
预测模块,被配置为输入待预测的几何参数和工况参数,使用所述流场预测模型进行流场预测。
此处需要说明的是,本实施例中的各个模块与实施例1中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例三
本实施例提供一种介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如实施例一的方法中的步骤。
实施例四
本实施例提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例一的方法所述的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种流场预测方法,其特征在于,包括:
获取研究对象不同几何外形和工况条件下对应的流场数据,构建流场数据集;
将流场数据集中的流场数据转化为基于网格拓扑连接图的存储结构;
建立基于图卷积神经网络的流场预测模型,使用转换后的流场数据集训练所述流场预测模型;
输入待预测的几何参数和工况参数,使用所述流场预测模型进行流场预测。
2.如权利要求1所述的一种流场预测方法,其特征在于,所述获取研究对象不同几何外形和工况条件下对应的流场数据,包括:
将研究对象的几何外形和工况条件参数化,确定采样空间;
在采样空间内进行随机采样;
对于采样得到的参数值,使用CFD模拟获得对应的流场数据。
3.如权利要求1所述的一种流场预测方法,其特征在于,还包括,对流场数据进行预处理;具体包括:
检查数据完整性以及合理性,剔除存储上损坏的数据以及异常或不合理的数据点;
针对数据量小的数据集,考虑物理规律的合理性,对流场数据进行数据增广。
4.如权利要求1所述的一种流场预测方法,其特征在于,所述将流场数据集中的流场数据转化为基于网格拓扑连接图的存储结构,包括:
将流场数据表示为由节点和边组成的网格拓扑连接图,其中节点表示流场中的网格离散点,边表示节点之间的连接关系,流场信息作为节点或边上的特征进行存储。
5.如权利要求4所述的一种流场预测方法,其特征在于,针对有限体积法中格点存储的数据,将每个网格点定义为节点,网格的边定义为连接节点的边;针对有限体积法中格心存储的数据,为每个网格单元分配一个节点,将网格的面定义为连接节点的边。
6.如权利要求1所述的一种流场预测方法,其特征在于,所述使用转换后的流场数据集训练所述流场预测模型,包括:将数据集划分为训练集、验证集和测试集,用于模型的训练、调优和评估;利用训练集数据进行模型训练,通过优化模型输出和目标数据之间的损失函数,调整模型的参数;利用验证集数据,调整模型的超参数。
7.如权利要求1所述的一种流场预测方法,其特征在于,所述输入待预测的几何参数和工况参数,使用所述流场预测模型进行流场预测,包括:
将输入的待预测的几何参数和工况参数,转换为基于网格存储的数据类型,将几何参数和工况参数映射到节点特征上,并构建对应的网格拓扑连接图;
利用训练好的流场预测模型,对经过数据转换的参数输入进行流场预测,得到对应的流场解。
8.一种流场预测系统,其特征在于,包括:
数据集构建模块,被配置为获取研究对象不同几何外形和工况条件下对应的流场数据,构建流场数据集;
数据转化模块,被配置为将流场数据集中的流场数据转化为基于网格拓扑连接图的存储结构;
模型构建模块,被配置为建立基于图卷积神经网络的流场预测模型,使用转换后的流场数据集训练所述流场预测模型;
预测模块,被配置为输入待预测的几何参数和工况参数,使用所述流场预测模型进行流场预测。
9.一种介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的一种流场预测方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种流场预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311427098.4A CN117556725A (zh) | 2023-10-30 | 2023-10-30 | 一种流场预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311427098.4A CN117556725A (zh) | 2023-10-30 | 2023-10-30 | 一种流场预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117556725A true CN117556725A (zh) | 2024-02-13 |
Family
ID=89819468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311427098.4A Pending CN117556725A (zh) | 2023-10-30 | 2023-10-30 | 一种流场预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117556725A (zh) |
-
2023
- 2023-10-30 CN CN202311427098.4A patent/CN117556725A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN110705029B (zh) | 一种基于迁移学习的振荡扑翼能量采集系统流场预测方法 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN115983148B (zh) | 一种cfd仿真云图预测方法、系统、电子设备及介质 | |
CN114692488A (zh) | 一种超临界翼型的生成方法、装置、电子设备及存储介质 | |
CN114048930A (zh) | 一种超短期风电功率预测方法和装置 | |
Wang et al. | Combined digital twin and hierarchical deep learning approach for intelligent damage identification in cable dome structure | |
CN114004152B (zh) | 基于图卷积和循环神经网络的多风场风速时空预测方法 | |
CN201716727U (zh) | 基于遥感与gis的地理模拟系统 | |
CN115146538A (zh) | 基于消息传递图神经网络的电力系统状态估计方法 | |
CN111897240B (zh) | 一种基于核动力系统运行的仿真方法及系统 | |
CN112052604B (zh) | 风机等效疲劳载荷的预测方法、系统、设备及可读介质 | |
He et al. | A new distributed echo state network integrated with an auto-encoder for dynamic soft sensing | |
Zhang | Research on safety simulation model and algorithm of dynamic system based on artificial neural network | |
CN117034808A (zh) | 一种基于图注意力网络的天然气管网压力估计方法 | |
CN116722653A (zh) | 一种电力系统动态状态检测方法及系统 | |
CN117556725A (zh) | 一种流场预测方法及系统 | |
CN113379103B (zh) | 基于降阶模型的泵类设备内部流场的预测方法 | |
CN114638048A (zh) | 三维喷管流场快速预测与敏感性参数分析方法及装置 | |
CN116628836A (zh) | 数据驱动的超临界翼型性能预测方法、系统及介质 | |
CN115438590A (zh) | 一种基于bp神经网络的降水预报订正方法及系统 | |
CN111580999A (zh) | 基于长短期记忆网络的cps软件可靠性预测系统 | |
CN111444614A (zh) | 一种基于图卷积的流场重构方法 | |
CN116595883B (zh) | 数值反应堆实时在线系统状态修正方法 | |
Li et al. | Multi-objective optimization of pressure regulators in buildings’ HVAC systems |
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 |