CN117973236B - 一种对仿真结果的校正方法、系统、设备及存储介质 - Google Patents
一种对仿真结果的校正方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN117973236B CN117973236B CN202410384236.3A CN202410384236A CN117973236B CN 117973236 B CN117973236 B CN 117973236B CN 202410384236 A CN202410384236 A CN 202410384236A CN 117973236 B CN117973236 B CN 117973236B
- Authority
- CN
- China
- Prior art keywords
- simulation
- current
- boundary condition
- history
- target
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 333
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012937 correction Methods 0.000 title claims description 24
- 238000005259 measurement Methods 0.000 claims abstract description 128
- 238000012549 training Methods 0.000 claims abstract description 80
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000001808 coupling effect Effects 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005094 computer simulation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000000112 cooling gas Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012512 characterization method 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
- 230000003287 optical effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Abstract
本发明实施例提供了一种对仿真结果的校正方法、系统、设备及存储介质,涉及计算机仿真技术领域,其中,方法包括:获得目标仿真类型的多个历史实测参数组及其分别对应的历史仿真参数组,基于目标历史实测结果和目标历史仿真结果,计算与目标边界条件组对应的误差值组,将一个边界条件组及其对应的经过标准化处理的误差值组确定为训练数据,获得训练数据集,并利用训练数据集进行模型训练,获得预设误差生成模型,将目标仿真类型的仿真模型的当前边界条件组输入至预设误差生成模型,获得预设误差生成模型生成的与当前边界条件组对应的当前误差值组,并基于当前误差值组对当前初始仿真结果进行校正,获得当前仿真结果。本发明提高了仿真结果的精度。
Description
技术领域
本发明涉及计算机仿真技术领域,特别是涉及一种对仿真结果的校正方法、系统、设备及存储介质。
背景技术
随着计算机辅助工程(Computer Aided Engineering,CAE)技术(以下简称CAE)的不断发展,CAE仿真已成为各行业不可或缺的技术手段。
现有CAE是采用经验方程进行仿真模型构建的,即技术人员根据对仿真对象和仿真条件的分析结果,结合既往设计经验构建仿真模型。但是,对于涉及多个物理场,且多个物理场间存在复杂的耦合效应的仿真对象,现有基于经验方程构建的仿真模型无法实现对上述复杂耦合效应的准确描述。例如:涡轮叶片在工作过程中,高温燃气、涡轮冷却叶片、冷却气体间存在实时对流换热,启动载荷和温度载荷会导致涡轮冷却叶片发生变形,因此,涡轮冷却叶片是一个典型的流-热-固耦合分析问题,其中涉及应力场(涡轮冷却叶片)、流体场(高温燃气和冷却气体)以及温度场(高温燃气和冷却气体)三个物理场。显然,仅依靠流体力学方程和结构力学方程构建的仿真模型无法模拟真实场景下的多物理场耦合效应。可见,在对涉及多物理场耦合效应的仿真对象进行仿真时,现有基于经验方程构建的仿真模型无法获得准确的仿真结果。
发明内容
本发明实施例的目的在于提供一种对仿真结果的校正方法、系统、设备及存储介质,以实现提高仿真结果精度。具体技术方案如下:
一种对仿真结果的校正方法,所述方法包括:
获得目标仿真类型的多个历史实测参数组及其分别对应的历史仿真参数组,所述历史实测参数组以及与其对应的所述历史仿真参数组具有相同的边界条件组;
基于目标历史实测结果和目标历史仿真结果,计算与目标边界条件组对应的误差值组,所述目标历史实测结果为任一个所述历史实测参数组中的历史实测结果,所述目标历史仿真结果为所述目标历史实测结果所在的所述历史实测参数组对应的所述历史仿真参数组中的历史仿真结果,所述目标边界条件组为所述目标历史实测结果所在的所述历史实测参数组具有的所述边界条件组;
将一个所述边界条件组及其对应的经过标准化处理的所述误差值组确定为一条训练数据,获得包括多条所述训练数据的训练数据集,并利用所述训练数据集对初始误差生成模型进行训练,获得预设误差生成模型;
将所述目标仿真类型的仿真模型的当前边界条件组输入至所述预设误差生成模型,获得所述预设误差生成模型生成的与所述当前边界条件组对应的当前误差值组,并基于所述当前误差值组对当前初始仿真结果进行校正,获得当前仿真结果,所述当前边界条件组与所述目标边界条件组具有的边界条件的类型相同。
可选的,所述边界条件组包括至少一个类型的所述边界条件,所述基于目标历史实测结果和目标历史仿真结果,计算与目标边界条件组对应的误差值组,包括:
对所述至少一个类型的所述边界条件:获得所述目标历史实测结果中与该类型的所述边界条件对应的历史实测参数组,获得所述目标历史仿真结果中与该类型的所述边界条件对应的历史仿真参数组,所述历史实测参数组包括各网格节点的实测数值,所述历史仿真参数组包括各所述网格节点的仿真数值;将所述网格节点的所述实测数值与所述仿真数值的差值确定为所述网格节点的误差值;将包括各所述网格节点的所述误差值的数据组确定为该类型的所述边界条件对应的初始误差值组;
将包括所述目标边界条件组中各所述类型的边界条件分别对应的所述初始误差值组的数据组确定为所述目标边界条件组对应的所述误差值组。
可选的,所述标准化处理,包括:
对所述目标边界条件组中各所述类型的边界条件对应的所述初始误差值组:求得该初始误差值组的均值和方差;计算该初始误差值组中目标网格节点的所述误差值与所述均值的差值,并将所述目标网格节点的所述误差值更新为所述差值除以所述方差获得的商值。
可选的,所述当前误差值组包括所述当前边界条件组中各类型的边界条件分别对应的当前初始误差值组,所述当前初始误差值组包括各所述网格节点分别对应的当前误差值,所述当前初始仿真结果包括各所述网格节点的当前初始仿真参数组,所述当前初始仿真参数组包括所述当前边界条件组中各类型的所述边界条件分别对应的当前仿真参数,所述基于所述当前误差值组对当前初始仿真结果进行校正,获得当前仿真结果,包括:
对各所述网格节点:根据该网格节点的各所述当前仿真参数各自对应的所述边界条件的所述类型,从所述当前误差值组中提取各所述当前仿真参数对应的所述当前误差值;基于预设均值和预设方差对各所述当前误差值进行修正,所述预设均值为各所述初始误差值组的均值的平均值,所述预设方差为各所述初始误差值组的方差的平均值;对各所述当前仿真参数:将该当前仿真参数更新为该当前仿真参数与该当前仿真参数对应的经过所述修正的所述当前误差值的和;
获得包括各所述网格节点经过所述更新的各所述当前仿真参数的所述当前仿真结果。
可选的,所述获得目标仿真类型的多个历史实测参数组及其分别对应的历史仿真参数组,包括:
对各所述历史实测参数组:
利用该历史实测参数组中的配置文件和所述边界条件组对初始仿真系统进行配置,获得仿真系统;
运行所述仿真系统,获得所述历史仿真结果,并建立包括所述历史仿真结果和所述边界条件组的所述历史仿真参数组与该历史实测参数组的对应关系。
可选的,所述利用所述训练数据集对初始误差生成模型进行训练,获得预设误差生成模型,包括:
将所述训练数据集拆分为训练集和测试集,并利用所述训练集和所述测试集对所述初始误差生成模型进行训练,获得所述预设误差生成模型,所述预设误差生成模型的输入为所述目标仿真类型的边界条件组,所述预设误差生成模型的输出为与所述边界条件组对应的误差值组。
一种对仿真结果的校正系统,所述系统包括:
参数获得模块,用于获得目标仿真类型的多个历史实测参数组及其分别对应的历史仿真参数组,所述历史实测参数组以及与其对应的所述历史仿真参数组具有相同的边界条件组;
数值计算模块,用于基于目标历史实测结果和目标历史仿真结果,计算与目标边界条件组对应的误差值组,所述目标历史实测结果为任一个所述历史实测参数组中的历史实测结果,所述目标历史仿真结果为所述目标历史实测结果所在的所述历史实测参数组对应的所述历史仿真参数组中的历史仿真结果,所述目标边界条件组为所述目标历史实测结果所在的所述历史实测参数组具有的所述边界条件组;
模型训练模块,用于将一个所述边界条件组及其对应的经过标准化处理的所述误差值组确定为一条训练数据,获得包括多条所述训练数据的训练数据集,并利用所述训练数据集对初始误差生成模型进行训练,获得预设误差生成模型;
结果校正模块,用于将所述目标仿真类型的仿真模型的当前边界条件组输入至所述预设误差生成模型,获得所述预设误差生成模型生成的与所述当前边界条件组对应的当前误差值组,并基于所述当前误差值组对当前初始仿真结果进行校正,获得当前仿真结果,所述当前边界条件组与所述目标边界条件组具有的边界条件的类型相同。
可选的,所述数值计算模块被设置为:
对所述边界条件组包括的至少一个类型的所述边界条件:获得所述目标历史实测结果中与该类型的所述边界条件对应的历史实测参数组,获得所述目标历史仿真结果中与该类型的所述边界条件对应的历史仿真参数组,所述历史实测参数组包括各网格节点的实测数值,所述历史仿真参数组包括各所述网格节点的仿真数值;将所述网格节点的所述实测数值与所述仿真数值的差值确定为所述网格节点的误差值;将包括各所述网格节点的所述误差值的数据组确定为该类型的所述边界条件对应的初始误差值组;
将包括所述目标边界条件组中各所述类型的边界条件分别对应的所述初始误差值组的数据组确定为所述目标边界条件组对应的所述误差值组。
可选的,所述模型训练模块在进行所述标准化处理时被设置为:
对所述目标边界条件组中各所述类型的边界条件对应的所述初始误差值组:求得该初始误差值组的均值和方差;计算该初始误差值组中目标网格节点的所述误差值与所述均值的差值,并将所述目标网格节点的所述误差值更新为所述差值除以所述方差获得的商值。
可选的,所述当前误差值组包括所述当前边界条件组中各类型的边界条件分别对应的当前初始误差值组,所述当前初始误差值组包括各所述网格节点分别对应的当前误差值,所述当前初始仿真结果包括各所述网格节点的当前初始仿真参数组,所述当前初始仿真参数组包括所述当前边界条件组中各类型的所述边界条件分别对应的当前仿真参数,所述结果校正模块在基于所述当前误差值组对当前初始仿真结果进行校正,获得当前仿真结果时被设置为:
对各所述网格节点:根据该网格节点的各所述当前仿真参数各自对应的所述边界条件的所述类型,从所述当前误差值组中提取各所述当前仿真参数对应的所述当前误差值;基于预设均值和预设方差对各所述当前误差值进行修正,所述预设均值为各所述初始误差值组的均值的平均值,所述预设方差为各所述初始误差值组的方差的平均值;对各所述当前仿真参数:将该当前仿真参数更新为该当前仿真参数与该当前仿真参数对应的经过所述修正的所述当前误差值的和;
获得包括各所述网格节点经过所述更新的各所述当前仿真参数的所述当前仿真结果。
可选的,所述参数获得模块被设置为:
对各所述历史实测参数组:
利用该历史实测参数组中的配置文件和所述边界条件组对初始仿真系统进行配置,获得仿真系统;
运行所述仿真系统,获得所述历史仿真结果,并建立包括所述历史仿真结果和所述边界条件组的所述历史仿真参数组与该历史实测参数组的对应关系。
可选的,所述模型训练模块在利用所述训练数据集对初始误差生成模型进行训练,获得预设误差生成模型时被设置为:
将所述训练数据集拆分为训练集和测试集,并利用所述训练集和所述测试集对所述初始误差生成模型进行训练,获得所述预设误差生成模型,所述预设误差生成模型的输入为所述目标仿真类型的边界条件组,所述预设误差生成模型的输出为与所述边界条件组对应的误差值组。
一种对仿真结果的校正设备,所述设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如上述任一种所述的对仿真结果的校正方法。
一种计算机可读存储介质,当所述计算机可读存储介质中的指令由对仿真结果的校正设备的处理器执行时,使得所述对仿真结果的校正设备能够执行如权上述任一种所述的对仿真结果的校正方法。
本发明实施例提供的一种对仿真结果的校正方法、系统、设备及存储介质,可以通过配置基于目标历史实测结果和目标历史仿真结果,计算与目标边界条件组对应的误差值组,实现了对目标边界条件下目标仿真类型的多物理场耦合效应的表征。同时,通过配置对误差值组进行标准化处理,降低用于初始误差生成模型训练的误差值组的离散程度,提高了获得预设误差生成模型的输出精度。最后,通过配置预设误差生成模型根据当前边界条件组,输出表征目标仿真类型的仿真模型在当前边界条件组的配置下所产生的多物理场耦合效应的当前误差值组,并基于当前误差值组对当前初始仿真结果进行校正,使得获得的当前仿真结果可以表征包括多物理场耦合效应的真实仿真场景,提高了获得的当前仿真结果的准确性。可见,本发明提高了仿真结果的精度。
当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种对仿真结果的校正方法的流程图;
图2为本发明的一个可选实施例提供的一种现有计算机辅助工程仿真的流程图;
图3为本发明的一个可选实施例提供的一种对仿真结果进行校正的仿真流程图;
图4为本发明实施例提供的一种对仿真结果的校正系统的框图;
图5为本发明实施例提供的一种对仿真结果的校正设备的框图。
具体实施方式
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他实施例,都属于本发明保护的范围。
本发明实施例提供的一种对仿真结果的校正方法,如图1所示,该对仿真结果的校正方法包括:
S101、获得目标仿真类型的多个历史实测参数组及其分别对应的历史仿真参数组,历史实测参数组以及与其对应的历史仿真参数组具有相同的边界条件组。
需要说明的是,在实际用场景下,上述目标仿真类型是指当前所要进行的仿真工程所属的类型,例如:若当前所要进行的仿真工程为“对A型号机翼表面压力系数进行仿真”,则上述目标仿真类型即为:A型号机翼表面压力系数。
需要说明的是,在实际应用场景下,上述历史实测参数组可以是通过构建实物模型,并进行实物测试后获得的参数组。由于是基于实物模型进行的实物测试,因此,上述历史实测参数组中存在表征真实的多物理场耦合效应的测试结果。
需要说明的是,在实际应用场景下,上述历史实测参数组可以是在研发过程中产生的实测数据。在研发过程中,上述历史实测参数组仅适用于结果验证,这导致了对历史实测参数组的数据利用率较低。而本方案通过基于上述历史实测参数组计算误差值组,在提高了获得的预设误差生成模型的精度的同时,也提高了对历史实测参数组的数据利用率。
需要说明的是,在实际应用场景下,上述历史实测参数组对应的历史仿真参数组,可以是通过对实物模型进行分析后,利用多个数学模型构建仿真模型,随后利用历史实测参数组的初始参数(即边界条件组)作为仿真模型的边界条件组对仿真模型训练后获得的。
S102、基于目标历史实测结果和目标历史仿真结果,计算与目标边界条件组对应的误差值组,目标历史实测结果为任一个历史实测参数组中的历史实测结果,目标历史仿真结果为目标历史实测结果所在的历史实测参数组对应的历史仿真参数组中的历史仿真结果,目标边界条件组为目标历史实测结果所在的历史实测参数组具有的边界条件组。
需要说明的是,在实际应用场景下,由于上述目标历史实测结果中存在表征真实的多物理场耦合效应的测试结果,而上述目标历史仿真结果无法准确表征真实的多物理场耦合效应。因此,本发明通过配置基于目标历史实测结果和目标历史仿真结果,计算与目标边界条件组对应的误差值组,利用目标历史实测结果和目标历史仿真结果之间的误差值组表征在目标边界条件下,目标仿真类型在真实条件下的多物理场耦合效应。
S103、将一个边界条件组及其对应的经过标准化处理的误差值组确定为一条训练数据,获得包括多条训练数据的训练数据集,并利用训练数据集对初始误差生成模型进行训练,获得预设误差生成模型。
需要说明的是,在实际应用场景下,由于上述如图1所示的步骤S102中的误差值组包括了仿真空间内各网格节点的误差值,且由于上述目标历史仿真结果无法准确表征真是的多物理场耦合效应,因而导致上述误差值组中的数据的离散程度高。而采用离散程度高的误差值组进行模型训练,会导致训练出的模型输出的误差值组精度降低。因此,本发明通过配置对上述误差值组进行标准化处理,从而降低用于初始误差生成模型训练的误差值组的离散程度,进而提高获得预设误差生成模型的输出精度。
需要说明的,在实际应用场景下,上述初始误差生成模型可以是基于开源的Python机器学习库(PyTorch)构建的深度学习模型。由于PyTorch提供了张量计算,并且可以通过GPU来实现计算加速,因而提高了上述初始误差生成模型的训练速度。
S104、将目标仿真类型的仿真模型的当前边界条件组输入至预设误差生成模型,获得预设误差生成模型生成的与当前边界条件组对应的当前误差值组,并基于当前误差值组对当前初始仿真结果进行校正,获得当前仿真结果,当前边界条件组与目标边界条件组具有的边界条件的类型相同。
可选的,在本发明的一个可选实施例中,现有计算机辅助工程仿真的流程如图2所示,包括建立几何模型201、划分网络202、设定边界条件组203、选择物理模型204、设定计算参数205、求解数值方程506和分析结果207共七个步骤。但是,由于选择物理模型这一步骤无法准确模拟真实场景下的多物理场耦合效应,导致其在分析结果步骤中用于分析的结果数据精度较低,无法准确表征真实场景。而应用本发明对仿真结果进行校正的仿真流程如图3所示,在如图2所示的流程基础上,基于历史实测参数组301及其对应历史仿真参数组302,计算与边界条件组对应的误差值组303,并利用与边界条件组对应的误差值组303训练初始误差生成模型304,获得预设误差生成模型305。随后,利用预设误差生成模型根据设定边界条件组203中的当前边界条件组,获得当前误差值组306,并利用当前误差值组对分析结果207中的当前初始仿真结果进行校正,获得校正后的当前仿真结果307。
需要说明的是,在实际应用场景下,上述当前边界条件组是指在仿真过程中,仿真模型用于进行仿真的初始参数,例如:假设仿真模型是用于对机翼几何体的外部粘性流动进行仿真,则当前边界条件组包括该仿真模型所在的仿真空间内各网格节点的温度、马赫数、攻角、雷诺数等多种类型的边界条件的具体参数。
需要说明的是,在实际应用场景下,本发明通过配置预设误差生成模型根据当前边界条件组,输出表征目标仿真类型的仿真模型在当前边界条件组的配置下所产生的多物理场耦合效应的当前误差值组,并基于当前误差值组对当前初始仿真结果进行校正,使得获得的当前仿真结果可以表征包括多物理场耦合效应的真实仿真场景,提高了获得的当前仿真结果的准确性。
本发明通过配置基于目标历史实测结果和目标历史仿真结果,计算与目标边界条件组对应的误差值组,实现了对目标边界条件下目标仿真类型的多物理场耦合效应的表征。同时,通过配置对误差值组进行标准化处理,降低用于初始误差生成模型训练的误差值组的离散程度,提高了获得预设误差生成模型的输出精度。最后,通过配置预设误差生成模型根据当前边界条件组,输出表征目标仿真类型的仿真模型在当前边界条件组的配置下所产生的多物理场耦合效应的当前误差值组,并基于当前误差值组对当前初始仿真结果进行校正,使得获得的当前仿真结果可以表征包括多物理场耦合效应的真实仿真场景,提高了获得的当前仿真结果的准确性。可见,本发明提高了仿真结果的精度。
可选的,上述边界条件组包括至少一个类型的边界条件,上述基于目标历史实测结果和目标历史仿真结果,计算与目标边界条件组对应的误差值组,包括:
对至少一个类型的边界条件:获得目标历史实测结果中与该类型的边界条件对应的历史实测参数组,获得目标历史仿真结果中与该类型的边界条件对应的历史仿真参数组,历史实测参数组包括各网格节点的实测数值,历史仿真参数组包括各网格节点的仿真数值;将网格节点的实测数值与仿真数值的差值确定为网格节点的误差值;将包括各网格节点的误差值的数据组确定为该类型的边界条件对应的初始误差值组;
将包括目标边界条件组中各类型的边界条件分别对应的初始误差值组的数据组确定为目标边界条件组对应的误差值组。
需要说明的是,在实际应用场景下,由于不同类型的边界条件在多物理场耦合效应所产生的效果不同,因此,本发明通过配置分别确定各类型边界条件对应的初始误差值组,并将各类型边界条件对应的初始误差值组进行整合,获得目标边界条件组对应的误差值组,提高了获得的误差值组的精度。
可选的,上述标准化处理,包括:
对目标边界条件组中各类型的边界条件对应的初始误差值组:求得该初始误差值组的均值和方差;计算该初始误差值组中目标网格节点的误差值与均值的差值,并将目标网格节点的误差值更新为差值除以方差获得的商值。
可选的,在本发明的一个可选实施例中,上述标准化处理的实施方式可以是:
对该类型的边界条件对应的初始误差值组:根据各网格节点的误差值和
各网格节点的总数,求得该初始误差值组的均值;根据各网格节点的误差值、各网格节点的总数和该初始误差值组的均值,求得该初始误差值组的方
差;随后,根据各网格节点的误差值、该初始误差值组的均值和
该初始误差值组的方差,通过公式:,求得目标网
格节点对应的商值,并将目标网格节点的误差值的数值更新为商值。通过上述公式,可以提高误差值组中各误差值的收敛性,从而提高获得的预设误差
生成模型的输出精度。
可选的,当前误差值组包括当前边界条件组中各类型的边界条件分别对应的当前初始误差值组,当前初始误差值组包括各网格节点分别对应的当前误差值,当前初始仿真结果包括各网格节点的当前初始仿真参数组,当前初始仿真参数组包括当前边界条件组中各类型的边界条件分别对应的当前仿真参数,基于当前误差值组对当前初始仿真结果进行校正,获得当前仿真结果,包括:
对各网格节点:根据该网格节点的各当前仿真参数各自对应的边界条件的类型,从当前误差值组中提取各当前仿真参数对应的当前误差值;基于预设均值和预设方差对各当前误差值进行修正,预设均值为各初始误差值组的均值的平均值,预设方差为各初始误差值组的方差的平均值;对各当前仿真参数:将该当前仿真参数更新为该当前仿真参数与该当前仿真参数对应的经过修正的当前误差值的和;
获得包括各网格节点经过更新的各当前仿真参数的当前仿真结果。
可选的,在本发明的一个可选实施例中,上述基于预设均值和预设方差对各当前误差值进行修正的方式可以是:
根据目标类型的边界条件对应的当前仿真参数、当前误差值、预设
均值和预设方差,通过公式:,求得经过更新的当前仿真参数。
可选的,在本发明的另一个可选实施例中,上述当前初始仿真参数组可以是从当前的初始仿真结果文件中读取的数据组。上述获得包括各网格节点经过更新的各当前仿真参数的当前仿真结果的实施方式可以是:将各网格节点经过更新得各当前仿真参数,对应覆盖至初始仿真结果文件中,则该经过覆盖的初始仿真结果文件即为上述当前仿真结果。
可选的,获得目标仿真类型的多个历史实测参数组及其分别对应的历史仿真参数组,包括:
对各历史实测参数组:
利用该历史实测参数组中的配置文件和边界条件组对初始仿真系统进行配置,获得仿真系统;
运行仿真系统,获得历史仿真结果,并建立包括历史仿真结果和边界条件组的历史仿真参数组与该历史实测参数组的对应关系。
可选的,在本发明的一个可选实施例中,上述配置文件包括历史参数组中的配置文件可以包括目标仿真类型的几何模型和网格节点分布的配置文件。
可选的,利用训练数据集对初始误差生成模型进行训练,获得预设误差生成模型,包括:
将训练数据集拆分为训练集和测试集,并利用训练集和测试集对初始误差生成模型进行训练,获得预设误差生成模型,预设误差生成模型的输入为目标仿真类型的边界条件组,预设误差生成模型的输出为与边界条件组对应的误差值组。
需要说明的是,在实际应用场景下,上述初始误差生成模型的训练构建和训练方式有多种,在此示例性的提供一种:
根据实际应用场景的需求,定义初始误差生成模型的输出层和隐藏层的层数,并
设置激活函数。
定义第层的输出为:,其中,为边界条件组生成的维
系数矩阵,为第层的输出,为维的偏置矩阵。和可以是一种自适应动量
的随机优化方法(Adaptive momentum,Adam)通过反向传播计算获得。
定义损失函数为输出数据与值的均方误差(Mean Squared Error,MSE):,其中,为训练数据的总数,为第个训练数据的标号,为初始
误差生成模型输出的第个训练数据中的边界条件组对应的误差值组,为第个训练数
据中的误差值组。
与上述方法实施例相对应地,本发明还提供了一种对仿真结果的校正系统,如图4所示,该对仿真结果的校正系统包括:
参数获得模块401,用于获得目标仿真类型的多个历史实测参数组及其分别对应的历史仿真参数组,历史实测参数组以及与其对应的历史仿真参数组具有相同的边界条件组;
数值计算模块402,用于基于目标历史实测结果和目标历史仿真结果,计算与目标边界条件组对应的误差值组,目标历史实测结果为任一个历史实测参数组中的历史实测结果,目标历史仿真结果为目标历史实测结果所在的历史实测参数组对应的历史仿真参数组中的历史仿真结果,目标边界条件组为目标历史实测结果所在的历史实测参数组具有的边界条件组;
模型训练模块403,用于将一个边界条件组及其对应的经过标准化处理的误差值组确定为一条训练数据,获得包括多条训练数据的训练数据集,并利用训练数据集对初始误差生成模型进行训练,获得预设误差生成模型;
结果校正模块404,用于将目标仿真类型的仿真模型的当前边界条件组输入至预设误差生成模型,获得预设误差生成模型生成的与当前边界条件组对应的当前误差值组,并基于当前误差值组对当前初始仿真结果进行校正,获得当前仿真结果,当前边界条件组与目标边界条件组具有的边界条件的类型相同。
可选的,上述数值计算模块402被设置为:
对边界条件组包括的至少一个类型的边界条件:获得目标历史实测结果中与该类型的边界条件对应的历史实测参数组,获得目标历史仿真结果中与该类型的边界条件对应的历史仿真参数组,历史实测参数组包括各网格节点的实测数值,历史仿真参数组包括各网格节点的仿真数值;将网格节点的实测数值与仿真数值的差值确定为网格节点的误差值;将包括各网格节点的误差值的数据组确定为该类型的边界条件对应的初始误差值组;
将包括目标边界条件组中各类型的边界条件分别对应的初始误差值组的数据组确定为目标边界条件组对应的误差值组。
可选的,上述模型训练模块403在进行标准化处理时被设置为:
对目标边界条件组中各类型的边界条件对应的初始误差值组:求得该初始误差值组的均值和方差;计算该初始误差值组中目标网格节点的误差值与均值的差值,并将目标网格节点的误差值更新为差值除以方差获得的商值。
可选的,当前误差值组包括当前边界条件组中各类型的边界条件分别对应的当前初始误差值组,当前初始误差值组包括各网格节点分别对应的当前误差值,当前初始仿真结果包括各网格节点的当前初始仿真参数组,当前初始仿真参数组包括当前边界条件组中各类型的边界条件分别对应的当前仿真参数,上述结果校正模块404在基于当前误差值组对当前初始仿真结果进行校正,获得当前仿真结果时被设置为:
对各网格节点:根据该网格节点的各当前仿真参数各自对应的边界条件的类型,从当前误差值组中提取各当前仿真参数对应的当前误差值;基于预设均值和预设方差对各当前误差值进行修正,预设均值为各初始误差值组的均值的平均值,预设方差为各初始误差值组的方差的平均值;对各当前仿真参数:将该当前仿真参数更新为该当前仿真参数与该当前仿真参数对应的经过修正的当前误差值的和;
获得包括各网格节点经过更新的各当前仿真参数的当前仿真结果。
可选的,上述参数获得模块401被设置为:
对各历史实测参数组:
利用该历史实测参数组中的配置文件和边界条件组对初始仿真系统进行配置,获得仿真系统;
运行仿真系统,获得历史仿真结果,并建立包括历史仿真结果和边界条件组的历史仿真参数组与该历史实测参数组的对应关系。
可选的,上述模型训练模块403在利用训练数据集对初始误差生成模型进行训练,获得预设误差生成模型时被设置为:
将训练数据集拆分为训练集和测试集,并利用训练集和测试集对初始误差生成模型进行训练,获得预设误差生成模型,预设误差生成模型的输入为目标仿真类型的边界条件组,预设误差生成模型的输出为与边界条件组对应的误差值组。
本发明实施例还提供了一种对仿真结果的校正设备,如图5所示,该对仿真结果的校验设备包括:
处理器501;
用于存储处理器501可执行指令的存储器502;
其中,处理器501被配置为执行指令,以实现如上述任一种的对仿真结果的校正方法。
本发明实施例还提供了一种计算机可读存储介质,当计算机可读存储介质中的指令由对仿真结果的校正设备的处理器执行时,使得对仿真结果的校正设备能够执行如权上述任一种的对仿真结果的校正方法。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中,设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器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),存储器包括至少一个存储芯片。存储器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。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请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,本申请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。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。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。
本说明书中的各个实施例均采用相关的方式描述,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。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种对仿真结果的校正方法,其特征在于,所述方法应用于多物理场耦合效应的仿真,所述方法包括:
获得目标仿真类型的多个历史实测参数组及其分别对应的历史仿真参数组,所述历史实测参数组以及与其对应的所述历史仿真参数组具有相同的边界条件组;
基于目标历史实测结果和目标历史仿真结果,计算与目标边界条件组对应的误差值组,所述目标历史实测结果为任一个所述历史实测参数组中的历史实测结果,所述目标历史仿真结果为所述目标历史实测结果所在的所述历史实测参数组对应的所述历史仿真参数组中的历史仿真结果,所述目标边界条件组为所述目标历史实测结果所在的所述历史实测参数组具有的所述边界条件组;
将一个所述边界条件组及其对应的经过标准化处理的所述误差值组确定为一条训练数据,获得包括多条所述训练数据的训练数据集,并利用所述训练数据集对初始误差生成模型进行训练,获得预设误差生成模型;
将所述目标仿真类型的仿真模型的当前边界条件组输入至所述预设误差生成模型,获得所述预设误差生成模型生成的与所述当前边界条件组对应的多物理场耦合效应的当前误差值组,并基于所述当前误差值组对当前初始仿真结果进行校正,获得当前仿真结果,所述当前仿真结果表征包括多物理场耦合效应的真实仿真场景,所述当前边界条件组与所述目标边界条件组具有的边界条件的类型相同;
其中,所述边界条件组包括至少一个类型的所述边界条件,所述基于目标历史实测结果和目标历史仿真结果,计算与目标边界条件组对应的误差值组,包括:
对所述至少一个类型的所述边界条件:获得所述目标历史实测结果中与该类型的所述边界条件对应的历史实测参数组,获得所述目标历史仿真结果中与该类型的所述边界条件对应的历史仿真参数组,所述历史实测参数组包括各网格节点的实测数值,所述历史仿真参数组包括各所述网格节点的仿真数值;将所述网格节点的所述实测数值与所述仿真数值的差值确定为所述网格节点的误差值;将包括各所述网格节点的所述误差值的数据组确定为该类型的所述边界条件对应的初始误差值组;
将包括所述目标边界条件组中各所述类型的边界条件分别对应的所述初始误差值组的数据组确定为所述目标边界条件组对应的所述误差值组。
2.根据权利要求1所述的方法,其特征在于,所述标准化处理,包括:
对所述目标边界条件组中各所述类型的边界条件对应的所述初始误差值组:求得该初始误差值组的均值和方差;计算该初始误差值组中目标网格节点的所述误差值与所述均值的差值,并将所述目标网格节点的所述误差值更新为所述差值除以所述方差获得的商值。
3.根据权利要求2所述的方法,其特征在于,所述当前误差值组包括所述当前边界条件组中各类型的边界条件分别对应的当前初始误差值组,所述当前初始误差值组包括各所述网格节点分别对应的当前误差值,所述当前初始仿真结果包括各所述网格节点的当前初始仿真参数组,所述当前初始仿真参数组包括所述当前边界条件组中各类型的所述边界条件分别对应的当前仿真参数,所述基于所述当前误差值组对当前初始仿真结果进行校正,获得当前仿真结果,包括:
对各所述网格节点:根据该网格节点的各所述当前仿真参数各自对应的所述边界条件的所述类型,从所述当前误差值组中提取各所述当前仿真参数对应的所述当前误差值;基于预设均值和预设方差对各所述当前误差值进行修正,所述预设均值为各所述初始误差值组的均值的平均值,所述预设方差为各所述初始误差值组的方差的平均值;对各所述当前仿真参数:将该当前仿真参数更新为该当前仿真参数与该当前仿真参数对应的经过所述修正的所述当前误差值的和;
获得包括各所述网格节点经过所述更新的各所述当前仿真参数的所述当前仿真结果。
4.根据权利要求1所述的方法,其特征在于,所述获得目标仿真类型的多个历史实测参数组及其分别对应的历史仿真参数组,包括:
对各所述历史实测参数组:
利用该历史实测参数组中的配置文件和所述边界条件组对初始仿真系统进行配置,获得仿真系统;
运行所述仿真系统,获得所述历史仿真结果,并建立包括所述历史仿真结果和所述边界条件组的所述历史仿真参数组与该历史实测参数组的对应关系。
5.根据权利要求1所述的方法,其特征在于,所述利用所述训练数据集对初始误差生成模型进行训练,获得预设误差生成模型,包括:
将所述训练数据集拆分为训练集和测试集,并利用所述训练集和所述测试集对所述初始误差生成模型进行训练,获得所述预设误差生成模型,所述预设误差生成模型的输入为所述目标仿真类型的边界条件组,所述预设误差生成模型的输出为与所述边界条件组对应的误差值组。
6.一种对仿真结果的校正系统,其特征在于,所述系统应用于多物理场耦合效应的仿真,所述系统包括:
参数获得模块,用于获得目标仿真类型的多个历史实测参数组及其分别对应的历史仿真参数组,所述历史实测参数组以及与其对应的所述历史仿真参数组具有相同的边界条件组;
数值计算模块,用于基于目标历史实测结果和目标历史仿真结果,计算与目标边界条件组对应的误差值组,所述目标历史实测结果为任一个所述历史实测参数组中的历史实测结果,所述目标历史仿真结果为所述目标历史实测结果所在的所述历史实测参数组对应的所述历史仿真参数组中的历史仿真结果,所述目标边界条件组为所述目标历史实测结果所在的所述历史实测参数组具有的所述边界条件组;
模型训练模块,用于将一个所述边界条件组及其对应的经过标准化处理的所述误差值组确定为一条训练数据,获得包括多条所述训练数据的训练数据集,并利用所述训练数据集对初始误差生成模型进行训练,获得预设误差生成模型;
结果校正模块,用于将所述目标仿真类型的仿真模型的当前边界条件组输入至所述预设误差生成模型,获得所述预设误差生成模型生成的与所述当前边界条件组对应的多物理场耦合效应的当前误差值组,并基于所述当前误差值组对当前初始仿真结果进行校正,获得当前仿真结果,所述当前仿真结果表征包括多物理场耦合效应的真实仿真场景,所述当前边界条件组与所述目标边界条件组具有的边界条件的类型相同;
其中,所述数值计算模块被设置为:
对所述边界条件组包括的至少一个类型的所述边界条件:获得所述目标历史实测结果中与该类型的所述边界条件对应的历史实测参数组,获得所述目标历史仿真结果中与该类型的所述边界条件对应的历史仿真参数组,所述历史实测参数组包括各网格节点的实测数值,所述历史仿真参数组包括各所述网格节点的仿真数值;将所述网格节点的所述实测数值与所述仿真数值的差值确定为所述网格节点的误差值;将包括各所述网格节点的所述误差值的数据组确定为该类型的所述边界条件对应的初始误差值组;
将包括所述目标边界条件组中各所述类型的边界条件分别对应的所述初始误差值组的数据组确定为所述目标边界条件组对应的所述误差值组。
7.一种对仿真结果的校正设备,其特征在于,所述设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至5中任一项所述的对仿真结果的校正方法。
8.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由对仿真结果的校正设备的处理器执行时,使得所述对仿真结果的校正设备能够执行如权利要求1至5中任一项所述的对仿真结果的校正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410384236.3A CN117973236B (zh) | 2024-04-01 | 一种对仿真结果的校正方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410384236.3A CN117973236B (zh) | 2024-04-01 | 一种对仿真结果的校正方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117973236A CN117973236A (zh) | 2024-05-03 |
CN117973236B true CN117973236B (zh) | 2024-07-05 |
Family
ID=
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580762A (zh) * | 2022-03-10 | 2022-06-03 | 河海大学 | 一种基于XGBoost的水文预报误差校正方法 |
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580762A (zh) * | 2022-03-10 | 2022-06-03 | 河海大学 | 一种基于XGBoost的水文预报误差校正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190019096A1 (en) | Estimator, estimation method, program and storage medium where program stored for model parameter estimation and model parameter estimation system | |
Falay et al. | Enabling large-scale dynamic simulations and reducing model complexity of district heating and cooling systems by aggregation | |
CN102314533B (zh) | 将计算出的曲线拟合到目标曲线的方法和系统 | |
EP3188054A1 (en) | Convergence estimation of non-linear pde and linear solvers | |
CN107729621B (zh) | 一种静力学模型的验证工具 | |
JP2010277577A (ja) | 制御及び推定のための線形モデルのリアルタイムスケジューリング | |
CN108121215A (zh) | 基于全回路重构仿真的工业控制回路性能评价方法及装置 | |
CN112414668B (zh) | 一种风洞试验数据静气弹修正方法、装置、设备及介质 | |
Anshori et al. | Estimation Of Profitability Of A Company In PT. ABC Using Kalman Filter | |
CN114818549A (zh) | 一种物体的流体力学参数计算方法、系统、设备以及介质 | |
Wilkinson et al. | Approximating computational fluid dynamics for generative tall building design | |
Blaud et al. | From multi‐physics models to neural network for predictive control synthesis | |
CN117973236B (zh) | 一种对仿真结果的校正方法、系统、设备及存储介质 | |
JP7212292B2 (ja) | 学習装置、学習方法および学習プログラム | |
CN117973236A (zh) | 一种对仿真结果的校正方法、系统、设备及存储介质 | |
WO2023148209A1 (en) | System, apparatus and method for calibrating simulation model of one or more assets | |
CN117852315B (zh) | 用于确定计算机辅助工程的初始条件的方法及相关设备 | |
Winter et al. | Nonlinear reduced-order modeling of unsteady aerodynamic loads based on dynamic local linear neuro-fuzzy models | |
CN111210877B (zh) | 一种推断物性参数的方法及装置 | |
JP2022136412A (ja) | 性能予測装置、性能予測方法及び性能予測プログラム | |
Hernández et al. | On the precision evaluation in non-linear sensor network design | |
US20200175121A1 (en) | System and method for predicting analytical abnormality in computational fluid dynamics analysis | |
CN114065460A (zh) | 火电发电系统中模型处理方法、存储介质和电子装置 | |
CN111291464A (zh) | 一种电力系统动态等值方法及装置 | |
US20230142773A1 (en) | Method and system for real-time simulations using convergence stopping criterion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |