WO2024001096A1 - 一种物体的流体力学参数计算方法、系统、设备以及介质 - Google Patents

一种物体的流体力学参数计算方法、系统、设备以及介质 Download PDF

Info

Publication number
WO2024001096A1
WO2024001096A1 PCT/CN2022/141089 CN2022141089W WO2024001096A1 WO 2024001096 A1 WO2024001096 A1 WO 2024001096A1 CN 2022141089 W CN2022141089 W CN 2022141089W WO 2024001096 A1 WO2024001096 A1 WO 2024001096A1
Authority
WO
WIPO (PCT)
Prior art keywords
flow field
simulation
field data
neural network
rans
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.)
Ceased
Application number
PCT/CN2022/141089
Other languages
English (en)
French (fr)
Inventor
崔冰
刘羽
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.)
Suzhou Metabrain Intelligent Technology Co Ltd
Original Assignee
Suzhou Metabrain Intelligent Technology Co Ltd
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 Suzhou Metabrain Intelligent Technology Co Ltd filed Critical Suzhou Metabrain Intelligent Technology Co Ltd
Publication of WO2024001096A1 publication Critical patent/WO2024001096A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • the present application relates to the field of fluid mechanics, and in particular to a method, system, equipment and storage medium for calculating fluid mechanics parameters of an object.
  • Computational fluid dynamics refers to the use of numerical simulation methods to solve the basic governing equations of fluid mechanics (Navier-Stokes, N-S equations). Due to the nature of the equation, the equation itself does not have an analytical solution, so certain model assumptions need to be made when using numerical equations to solve the equation. . No matter what hypothesis is used, there will be a certain approximation, which will affect the accuracy of the solution. However, high-precision simulation results require a large amount of computing resources to obtain. Therefore, data-driven assisted modeling may be a reasonable method to resolve the above contradiction.
  • the most widely used method at present is to convert the N-S equation into the Reynolds-averaged N-S equation (RANS) for solution, that is, decompose all physical quantities in the N-S equation into time-averaged quantities and pulsation quantities and then bring them into the original equation.
  • the RANS equation is very similar to the N-S equation in form, except that a term related to Reynolds stress is added, so a new equation needs to be added to close the RANS equation.
  • different RANS models can be obtained.
  • the RANS equation itself mainly focuses on changes in the time average of different physical quantities, it has flaws in solving many problems.
  • the inventor realized that the above two commonly used neural network algorithms have different defects when applied in computational fluid dynamics simulation software. That is, it can only make predictions for existing data sets, and cannot be used to correct data sets that have not appeared in the model training process, that is, it lacks a certain degree of generalization. Moreover, transition phenomena cannot be predicted.
  • the embodiment of the present application provides a method for calculating the fluid dynamics parameters of an object, which includes the following steps:
  • the first RANS model equation and the NS control equation are used to simulate under multiple simulation parameters to obtain multiple flow field data, further including:
  • the flow field data is used as input and the corresponding eddy viscosity coefficient is used as output to train the neural network, which further includes:
  • the above-mentioned several physical quantities are velocity, pressure, temperature and/or density.
  • the flow field data is used as input and the corresponding eddy viscosity coefficient is used as output to train the neural network, which further includes:
  • the first RANS model equation and the NS control equation are used to simulate under multiple simulation parameters to obtain multiple flow field data, further including:
  • the first RANS model equation and the NS control equation are used to simulate under multiple simulation parameters to obtain multiple flow field data.
  • the second RANS model equation and the NS control equation are used to perform simulation under corresponding simulation parameters to obtain the eddy viscosity coefficient corresponding to each flow field data, which further includes:
  • the second density grid uses the second RANS model equation and NS control equation to simulate under the corresponding simulation parameters to obtain the eddy viscosity coefficient corresponding to each flow field data.
  • the second density grid is denser than the first density grid.
  • the flow field data is used as input and the corresponding eddy viscosity coefficient is used as output to train the neural network, which further includes:
  • the corresponding eddy viscosity coefficient obtained under the second density grid is interpolated onto the first density grid and the inverse hyperbolic sine function is calculated as the output.
  • building the neural network further includes:
  • it also includes:
  • embodiments of the present application also provide a fluid dynamics parameter calculation system for an object, including:
  • the simulation module is configured to use the first RANS model equation and the NS control equation to simulate under multiple simulation parameters to obtain multiple flow field data, and use the second RANS model equation and the NS control equation to simulate under the corresponding simulation parameters to obtain The eddy viscosity coefficient corresponding to each flow field data, in which the transition model is integrated into the second RANS model equation;
  • a training module configured to construct a neural network and take flow field data as input, and the corresponding eddy viscosity coefficient as output to train the neural network;
  • An acquisition module configured to acquire the simulation object of the fluid dynamics parameters to be calculated, and simulate the simulation object using the first RANS model equation and the NS control equation to obtain flow field data;
  • the calculation module is configured to input the flow field data into the trained neural network to obtain the corresponding eddy viscosity coefficient and use the corresponding eddy viscosity coefficient and NS control equation to calculate the hydrodynamic parameters of the simulation object.
  • the simulation module is further configured to:
  • the training module is further configured to:
  • the above-mentioned several physical quantities are velocity, pressure, temperature and/or density.
  • the training module is further configured to:
  • the simulation module is further configured to:
  • the first RANS model equation and the NS control equation are used to simulate under multiple simulation parameters to obtain multiple flow field data.
  • the simulation module is also configured to: perform simulation under the second density grid using the second RANS model equation and the NS control equation under the corresponding simulation parameters to obtain the eddy viscosity coefficient corresponding to each flow field data, where, The second density mesh is denser than the first density mesh.
  • the simulation module is further configured to:
  • the corresponding eddy viscosity coefficient obtained under the second density grid is interpolated onto the first density grid and the inverse hyperbolic sine function is calculated as the output.
  • the training module is also configured to:
  • the training module is also configured to:
  • an embodiment of the present application also provides a computer device, including:
  • One or more memories store computer-readable instructions that can be run on one or more processors, characterized in that when the one or more processors execute the computer-readable instructions, any of the above The steps of a method for calculating hydrodynamic parameters of an object.
  • embodiments of the present application also provide a non-volatile computer-readable storage medium, the non-volatile computer-readable storage medium stores computer-readable instructions, and the computer When the readable instructions are executed by the above-mentioned one or more processors, the steps of the above method for calculating the fluid dynamics parameters of any object are performed.
  • Figure 1 is a schematic flowchart of a method for calculating fluid dynamics parameters of an object provided in one or more embodiments of the present application;
  • Figure 2 is a schematic structural diagram of a fluid dynamics parameter calculation system for an object provided in one or more embodiments of the present application;
  • Figure 3 is a schematic structural diagram of a computer device provided in one or more embodiments of the present application.
  • Figure 4 is a schematic structural diagram of a non-volatile computer-readable storage medium provided in one or more embodiments of the present application.
  • an embodiment of the present application proposes a method for calculating the fluid dynamics parameters of an object, as shown in Figure 1, which may include the steps:
  • the solution proposed in this application designs a new turbulence model based on the neural network algorithm and flow field data that considers the transition phenomenon.
  • This model can replace the traditional RANS turbulence model and capture the transition phenomenon, reducing the amount of numerical simulation calculations. Improved the accuracy of prediction results.
  • Turbulence simulation is widely used in industry, such as the design of aircraft wings or engine blades, the design of ship propellers, the design of wind turbine blades, etc., and the turbulence model provided by this application or provides a method to optimize existing turbulence
  • the idea of the model can provide assistance for industrial design and simulation in different industries.
  • the first RANS model equation and the NS control equation are used to simulate under multiple simulation parameters to obtain multiple flow field data, further including:
  • the flow field data is used as input and the corresponding eddy viscosity coefficient is used as output to train the neural network, which further includes:
  • the above-mentioned several physical quantities are velocity, pressure, temperature and/or density.
  • the transition phenomenon involves the transition of fluid state from laminar flow to turbulent flow.
  • physical quantities that can reflect the difference between laminar flow and turbulent flow are selected as input quantities of the neural network model, and some tensor components are added to enhance the model.
  • the selected physical quantity may be velocity, pressure, temperature and/or density, etc.
  • the flow field data is used as input and the corresponding eddy viscosity coefficient is used as output to train the neural network, which further includes:
  • train can be selected from the RANS-Original simulation results of the training data set as the input features of the neural network, and used before training.
  • the formula is normalized.
  • the first RANS model equation and the NS control equation are used to simulate under multiple simulation parameters to obtain multiple flow field data, further including:
  • the first RANS model equation and the NS control equation are used to simulate under multiple simulation parameters to obtain multiple flow field data.
  • the second RANS model equation and the NS control equation are used to perform simulation under corresponding simulation parameters to obtain the eddy viscosity coefficient corresponding to each flow field data, which further includes:
  • the second density grid uses the second RANS model equation and NS control equation to simulate under the corresponding simulation parameters to obtain the eddy viscosity coefficient corresponding to each flow field data.
  • the second density grid is denser than the first density grid.
  • the flow field data is used as input and the corresponding eddy viscosity coefficient is used as output to train the neural network, which further includes:
  • the corresponding eddy viscosity coefficient obtained under the second density grid is interpolated onto the first density grid and the inverse hyperbolic sine function is calculated as the output.
  • the inverse hyperbolic sine of the eddy viscosity coefficient can be extracted from the RANS-Transition data of the training set.
  • the selection of the output parameters involves two sets of grids.
  • This patent interpolates the data of the dense grid onto the coarse grid as the output parameter, which enhances the stability of the later iterations of the model, that is, the output used for training.
  • the value is a value with higher precision. In this way, the use of dense grid interpolation increases the convergence and stability of the simulation process. Therefore, the physical phenomenon can be simulated more accurately on a coarser grid, which greatly saves money. amount of calculation.
  • the true value of the eddy viscosity coefficient is selected as the output parameter.
  • the true value of the eddy viscosity coefficient is selected as the output parameter.
  • the inverse hyperbolic sine function of the true value of the eddy viscosity coefficient is selected as the final output parameter, that is
  • a mapping based on the training set data is constructed, i.e. Then the weights and offsets of each neuron in the neural network under this mapping are derived, and then the obtained weights and offsets are embedded into the open source CFD code.
  • the neural network model can be used to predict the eddy viscosity coefficient distribution of the solution problem. Finally, the optimization of the RANS-Original model simulation results is achieved.
  • S3 obtain the simulation object for which the fluid mechanics parameters are to be calculated, and use the first RANS model equation and NS control equation to simulate the simulation object to obtain flow field data, and then S4, input the flow field data into the trained neural network to obtain The corresponding eddy viscosity coefficient and the NS control equation are used to calculate the hydrodynamic parameters of the simulation object.
  • building the neural network further includes:
  • it also includes:
  • Keras can be used as a neural network framework building tool. Keras is an open source artificial neural network library written in Python and can be used as a high-level application program interface for Tensorflow and Theano. At present, many open source CFD codes (such as OpenFoam, etc.) have integrated transition models, so a certain open source CFD code can be selected as the second RANS model.
  • OpenFoam OpenFoam, etc.
  • the hyperparameter settings of the neural network framework are as follows:
  • Activation function Leaky ReLu, where a i is a fixed parameter in the (1, + ⁇ ) interval.
  • Adam is a first-order optimization algorithm that can replace the traditional stochastic gradient descent process. It iteratively updates the neural network weights based on training data.
  • Loss function mean square error, Calculate the Euclidean distance between the predicted value and the true value. The closer the predicted value and the true value, the smaller the mean square error of the two.
  • the accuracy of the eddy viscosity coefficient predicted by the neural network model is verified based on the flow field results after the code converges. If there is a deviation, the neural network parameters are further optimized until the results are accurate.
  • the solution proposed in this application designs a neural network framework, establishes a mapping between the physical parameters of the traditional hydrodynamic turbulence model and the eddy viscosity coefficient of the turbulence model that considers the transition phenomenon, and then realizes the correction of the prediction results of the traditional turbulence model. .
  • the selection of input physical quantities and the form of output parameters were screened and improved taking into account the physical characteristics of the simulated problem.
  • the dense grid interpolation method is used to increase the convergence and stability during the simulation process, so the physical phenomena can be simulated more accurately on a coarser grid, which greatly saves the amount of calculation.
  • an embodiment of the present application also provides a fluid dynamics parameter calculation system 400 of an object, as shown in Figure 2, including:
  • the simulation module 401 is configured to use the first RANS model equation and the NS control equation to perform simulation under multiple simulation parameters to obtain multiple flow field data, and use the second RANS model equation and the NS control equation to perform simulation under the corresponding simulation parameters.
  • the eddy viscosity coefficient corresponding to each flow field data is obtained, in which the transition model is integrated into the second RANS model equation;
  • the training module 402 is configured to construct a neural network and take flow field data as input, and the corresponding eddy viscosity coefficient as output to train the neural network;
  • the acquisition module 403 is configured to acquire the simulation object of the fluid dynamics parameters to be calculated, and simulate the simulation object using the first RANS model equation and the NS control equation to obtain flow field data;
  • the calculation module 404 is configured to input the flow field data into the trained neural network to obtain the corresponding eddy viscosity coefficient and calculate the hydrodynamic parameters of the simulation object using the corresponding eddy viscosity coefficient and NS control equation.
  • the simulation module 401 is further configured to:
  • the training module 402 is further configured to:
  • the above-mentioned several physical quantities are velocity, pressure, temperature and/or density.
  • the training module 402 is further configured to:
  • the simulation module 401 is further configured to:
  • the first RANS model equation and the NS control equation are used to simulate under multiple simulation parameters to obtain multiple flow field data.
  • the simulation module 401 is also configured to: perform simulation under the second density grid using the second RANS model equation and the NS control equation under the corresponding simulation parameters to obtain the eddy viscosity coefficient corresponding to each flow field data, where , the second density grid is denser than the first density grid.
  • the simulation module 401 is further configured to:
  • the corresponding eddy viscosity coefficient obtained under the second density grid is interpolated onto the first density grid and the inverse hyperbolic sine function is calculated as the output.
  • the training module 402 is also configured to:
  • the training module 402 is also configured to:
  • the solution proposed in this application designs a neural network framework, establishes a mapping between the physical parameters of the traditional hydrodynamic turbulence model and the eddy viscosity coefficient of the turbulence model that considers the transition phenomenon, and then realizes the correction of the prediction results of the traditional turbulence model. .
  • the selection of input physical quantities and the form of output parameters were screened and improved taking into account the physical characteristics of the simulated problem.
  • the dense grid interpolation method is used to increase the convergence and stability during the simulation process, so the physical phenomena can be simulated more accurately on a coarser grid, which greatly saves the amount of calculation.
  • an embodiment of the present application also provides a computer device 501, including:
  • processors 520 one or more processors 520;
  • One or more memories 510 store computer readable instructions 511 that can be run on one or more processors.
  • the one or more processors 520 execute the program, they execute any of the above-mentioned embodiments. Steps in the calculation of hydrodynamic parameters of an object.
  • the solution proposed in this application designs a neural network framework, establishes a mapping between the physical parameters of the traditional hydrodynamic turbulence model and the eddy viscosity coefficient of the turbulence model that considers the transition phenomenon, and then realizes the correction of the prediction results of the traditional turbulence model. .
  • the selection of input physical quantities and the form of output parameters were screened and improved taking into account the physical characteristics of the simulated problem.
  • the dense grid interpolation method is used to increase the convergence and stability during the simulation process, so the physical phenomena can be simulated more accurately on a coarser grid, which greatly saves the amount of calculation.
  • an embodiment of the present application also provides a non-volatile computer-readable storage medium 601.
  • the above-mentioned non-volatile computer-readable storage medium 601 stores computer-readable instructions 610.
  • the steps in the calculation of the fluid dynamics parameters of the object provided by any of the above embodiments are performed.
  • the solution proposed in this application designs a neural network framework, establishes a mapping between the physical parameters of the traditional hydrodynamic turbulence model and the eddy viscosity coefficient of the turbulence model that considers the transition phenomenon, and then realizes the correction of the prediction results of the traditional turbulence model. .
  • the selection of input physical quantities and the form of output parameters were screened and improved taking into account the physical characteristics of the simulated problem.
  • the dense grid interpolation method is used to increase the convergence and stability during the simulation process, so the physical phenomena can be simulated more accurately on a coarser grid, which greatly saves the amount of calculation.
  • non-volatile computer-readable storage media e.g., one or more memories
  • the non-volatile computer-readable storage media may be volatile memories or non-volatile memories, or may include both volatile memories and non-volatile memories. Both lossless memory.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请提供了一种物体的流体力学参数计算方法，包括以下步骤：利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，并利用第二RANS模型方程和NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，第二RANS模型方程中融合有转捩模型；构建神经网络并将流场数据作为输入，对应的涡粘系数作为输出对神经网络进行训练；获取待计算流体力学参数的模拟对象，并利用第一RANS模型方程和NS控制方程对模拟对象进行仿真得到流场数据；将流场数据输入到训练好的神经网络中得到相应的涡粘系数并利用相应的涡粘系数和NS控制方程计算模拟对象的流体力学参数。

Description

一种物体的流体力学参数计算方法、系统、设备以及介质
相关申请的交叉引用
本申请要求于2022年06月29日提交中国专利局，申请号为202210752299.0，申请名称为“一种物体的流体力学参数计算方法、系统、设备以及介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及流体力学领域，尤其涉及一种物体的流体力学参数计算方法、系统、设备以及存储介质。
背景技术
随着高效推断统计算法以及机器学习技术的发展，不同领域的学者们都开始尝试利用先前发展的高置信度数据(高精度仿真以及实验测量等等)来辅助建模。对于计算流体力学(CFD)而言，基于人工神经网络(ANN)算法辅助湍流模型建模也已成为当下的研究热点之一。
计算流体力学是指利用数值仿真方法求解流体力学基本控制方程(Navier-Stokes，N-S方程)，由于方程的性质导致方程本身并没有解析解，因此使用数值方程求解方程时需要给出一定的模型假设。无论是何种假设都会存在一定的近似，因此都会导致求解的精度受到影响，然而高精度的模拟结果又需要大量的计算资源才可以得到。因此，数据驱动辅助建模或许是一种可以合理解决上述矛盾的方法。
就工程流体力学仿真而言，目前应用最为广泛方法是将N-S方程转化为雷诺平均N-S方程(RANS)进行求解，即将N-S方程中所有物理量分解为时间平均量和脉动量后带入原方程得到。RANS方程与N-S方程形式非常类似，只是增加了与雷诺应力有关的一项，因此需要增加新的方程来使RANS方程封闭。根据增加方程数量的不同，就能得到不同的RANS模型。然而，由于RANS方程 本身主要关注不同物理量时间平均值的变化，其在很多问题的求解上是存在缺陷的，例如完全无法捕捉一个流体力学中非常重要的物理过程——转捩(表示流体状态从层流到湍流的过渡)。为了解决这一问题，很多学者通过增加一个到两个新的方程来实现了对转捩现象的捕捉，即转捩模型。
而基于神经网络算法的数据驱动建模在计算流体力学中的应用主要有以下几种形式：
1.基于神经网络算法及高置信度数据对RANS方法中的湍流模型不确定性进行评估和修正。由于不同的湍流模型对RANS方程中雷诺应力不确定性的模拟都存在一定的偏差，因此通过神经网络算法则可以量化以及修正这一不确定性。
2.基于神经网络算法以及高置信度数据对湍流模型方程中的待定系数以及不同项的大小进行评估和修正。与第一种方法思路类似，知识评估和修正的对象关注到了湍流模型方程本身。
然而，发明人意识到，上述两种常用的神经网络算法在被应用于计算流体力学仿真软件中时，均存在不同的缺陷。即只能针对现有的数据集进行预测，无法用于修正模型训练过程中没有出现过的算例的数据集，即缺乏一定的泛化性。而且也无法预测转捩现象。
发明内容
本申请实施例提供了一种物体的流体力学参数计算方法，包括以下步骤：
利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，并利用第二RANS模型方程和NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，第二RANS模型方程中融合有转捩模型；
构建神经网络并将流场数据作为输入，对应的涡粘系数作为输出对神经网络进行训练；
获取待计算流体力学参数的模拟对象，并利用第一RANS模型方程和NS控制方程对模拟对象进行仿真得到流场数据；及
将流场数据输入到训练好的神经网络中得到相应的涡粘系数并利用相应的涡粘系数和NS控制方程计算模拟对象的流体力学参数。
在一些实施例中，利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，进一步包括：
利用第一RANS模型方程和NS控制方程在不同攻角、不同马赫数和/或不同模拟对象下进行仿真得到多个流场数据，其中每一个流场数据均包括多个物理量。
在一些实施例中，将流场数据作为输入，对应的涡粘系数作为输出对神经网络进行训练，进一步包括：
从上述多个物理量中选择体现层流与湍流差异的若干个物理量作为输入。
在一些实施例中，上述若干个物理量为速度、压力、温度和/或密度。
在一些实施例中，将流场数据作为输入，对应的涡粘系数作为输出对神经网络进行训练，进一步包括：
将选择的上述若干个物理量进行归一化处理。
在一些实施例中，利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，进一步包括：
在第一密度网格下利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据。
在一些实施例中，利用第二RANS模型方程和NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，进一步包括：
在第二密度网格下利用第二RANS模型方程和NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，第二密度网格比第一密度网格密。
在一些实施例中，将流场数据作为输入，对应的涡粘系数作为输出对神经网络进行训练，进一步包括：
将在第二密度网格下得到的对应的涡粘系数插值到第一密度网格上并计算反双曲正弦函数以作为输出。
在一些实施例中，构建神经网络，进一步包括：
利用输入层、三层隐藏层和输出层构建神经网络。
在一些实施例中，还包括：
利用均方差公式
Figure PCTCN2022141089-appb-000001
计算损失函数，其中y i为预测值， t i为真实值。
基于同一发明构思，根据本申请的另一个方面，本申请的实施例还提供了一种物体的流体力学参数计算系统，包括：
仿真模块，配置为利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，并利用第二RANS模型方程和NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，第二RANS模型方程中融合有转捩模型；
训练模块，配置为构建神经网络并将流场数据作为输入，对应的涡粘系数作为输出对神经网络进行训练；
获取模块，配置为获取待计算流体力学参数的模拟对象，并利用第一RANS模型方程和NS控制方程对模拟对象进行仿真得到流场数据；及
计算模块，配置为将流场数据输入到训练好的神经网络中得到相应的涡粘系数并利用相应的涡粘系数和NS控制方程计算模拟对象的流体力学参数。
在一些实施例中，仿真模块还配置为：
利用第一RANS模型方程和NS控制方程在不同攻角、不同马赫数和/或不同模拟对象下进行仿真得到多个流场数据，其中每一个流场数据均包括多个物理量。
在一些实施例中，训练模块还配置为：
从上述多个物理量中选择体现层流与湍流差异的若干个物理量作为输入。
在一些实施例中，上述若干个物理量为速度、压力、温度和/或密度。
在一些实施例中，训练模块还配置为：
将选择的上述若干个物理量进行归一化处理。
在一些实施例中，仿真模块还配置为：
在第一密度网格下利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据。
在一些实施例中，仿真模块还配置为：在第二密度网格下利用第二RANS模型方程和NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，第二密度网格比第一密度网格密。
在一些实施例中，仿真模块还配置为：
将在第二密度网格下得到的对应的涡粘系数插值到第一密度网格上并计算反双曲正弦函数以作为输出。
在一些实施例中，训练模块，还配置为：
利用输入层、三层隐藏层和输出层构建神经网络。
在一些实施例中，训练模块，还配置为：
利用均方差公式
Figure PCTCN2022141089-appb-000002
计算损失函数，其中y i为预测值，t i为真实值。
基于同一发明构思，根据本申请的另一个方面，本申请的实施例还提供了一种计算机设备，包括：
一个或多个处理器；及
一个或多个存储器，该一个或多个存储器存储有可在一个或多个处理器上运行的计算机可读指令，其特征在于，一个或多个处理器执行计算机可读指令时执行如上的任一种物体的流体力学参数计算方法的步骤。
基于同一发明构思，根据本申请的另一个方面，本申请的实施例还提供了一种非易失性计算机可读存储介质，非易失性计算机可读存储介质存储有计算机可读指令，计算机可读指令被上述一个或多个处理器执行时执行如上的任一种物体的流体力学参数计算方法的步骤。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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实施例。
图1为本申请的一个或多个实施例中提供的物体的流体力学参数计算方法的流程示意图；
图2为本申请的一个或多个实施例中提供的物体的流体力学参数计算系统的结构示意图；
图3为本申请的一个或多个实施例中提供的计算机设备的结构示意图；
图4为本申请的一个或多个实施例中提供的非易失性计算机可读存储介质 的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请实施例进一步详细说明。
需要说明的是，本申请实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本申请实施例的限定，后续实施例对此不再一一说明。
根据本申请的一个方面，本申请的实施例提出一种物体的流体力学参数计算方法，如图1所示，其可以包括步骤：
S1，利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，并利用第二RANS模型方程和上述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，第二RANS模型方程中融合有转捩模型；
S2，构建神经网络并将流场数据作为输入，对应的涡粘系数作为输出对神经网络进行训练；
S3，获取待计算流体力学参数的模拟对象，并利用第一RANS模型方程和NS控制方程对模拟对象进行仿真得到流场数据；
S4，将流场数据输入到训练好的神经网络中得到相应的涡粘系数并利用相应的涡粘系数和NS控制方程计算模拟对象的流体力学参数。
本申请提出的方案基于神经网络算法及考虑转捩现象的流场数据设计了一个新的湍流模型，该模型可以替代传统的RANS湍流模型并实现对转捩现象的捕捉，减少数值仿真计算量的提升了预测结果的准确性。湍流仿真在工业届应用广泛，如飞机机翼或发动机叶片的设计、船舶螺旋桨的设计以及风力发电机叶片的设计等等，而本申请所提供的湍流模型或者说提供的一种优化现有湍流模型的思路可以为不同行业的工业设计及仿真提供助力。
在一些实施例中，利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，进一步包括：
利用第一RANS模型方程和NS控制方程在不同攻角、不同马赫数和/或不同模拟对象下进行仿真得到多个流场数据，其中每一个流场数据均包括多个物理量。
具体的，可以使用传统RANS模型(简称RANS-Original)以及融合有转捩模型的RANS模型(简称RANS-Transition)在不同攻角、不同马赫数甚至不同机翼下的仿真结果。
在一些实施例中，将流场数据作为输入，对应的涡粘系数作为输出对神经网络进行训练，进一步包括：
从上述多个物理量中选择体现层流与湍流差异的若干个物理量作为输入。
在一些实施例中，上述若干个物理量为速度、压力、温度和/或密度。
具体的，转捩现象涉及流体状态从层流到湍流的转变，考虑这一物理现象，选择能够体现层流与湍流差异的物理量作为神经网络模型的输入量，同时增加部分张量分量来增强模型训练的收敛性。例如，选择的物理量可以是速度、压力、温度和/或密度等。
在一些实施例中，将流场数据作为输入，对应的涡粘系数作为输出对神经网络进行训练，进一步包括：
将选择的上述若干个物理量进行归一化处理。
具体的，可以根据仿真对象(如机翼等)的物理特性，从训练数据集的RANS-Original仿真结果中选择若干物理量I| train作为神经网络的输入特征，在进行训练前使用
Figure PCTCN2022141089-appb-000003
公式进行归一化处理。
在一些实施例中，利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，进一步包括：
在第一密度网格下利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据。
在一些实施例中，利用第二RANS模型方程和NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，进一步包括：
在第二密度网格下利用第二RANS模型方程和NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，第二密度网格比第一 密度网格密。
在一些实施例中，将流场数据作为输入，对应的涡粘系数作为输出对神经网络进行训练，进一步包括：
将在第二密度网格下得到的对应的涡粘系数插值到第一密度网格上并计算反双曲正弦函数以作为输出。
具体的，可以从训练集的RANS-Transition数据中提取涡粘系数的反双曲正弦
Figure PCTCN2022141089-appb-000004
作为神经网络的输出参数，输出参数的选取涉及两套网格，本专利将密网格的数据插值到了粗网格上作为输出参数，增强了模型后期迭代的稳定性，即用于训练的输出值为精度较高的值，这样使用了密网格插值的方式增加了仿真过程中的收敛性及稳定性，故可以在较粗的网格上对物理现象进行较为精确的仿真，大大节省了计算量。
在输出参数的选择上，由于雷诺应力主要由湍流粘性系数μ t来控制，因此输出参数选择涡粘系数真值，同时为了避免不同区域(如物体表面与仿真区域外边界)涡粘系数数值差距过大而导致局部区域预测出现偏差，最后选择涡粘系数真值的反双曲正弦函数作为最终输出参数，即
Figure PCTCN2022141089-appb-000005
最后，构建基于训练集数据的映射，即
Figure PCTCN2022141089-appb-000006
进而导出该映射下神经网络中各神经元的权重与偏置量，再将得到的权重以及偏置量嵌入到开源CFD代码中，即可使用神经网络模型来预测求解问题的涡粘系数分布，最终实现对RANS-Original模型仿真结果的优化。即S3，获取待计算流体力学参数的模拟对象，并利用第一RANS模型方程和NS控制方程对模拟对象进行仿真得到流场数据，然后S4，将流场数据输入到训练好的神经网络中得到相应的涡粘系数并利用相应的涡粘系数和NS控制方程计算模拟对象的流体力学参数。
在一些实施例中，构建神经网络，进一步包括：
利用输入层、三层隐藏层和输出层构建神经网络。
在一些实施例中，还包括：
利用均方差公式
Figure PCTCN2022141089-appb-000007
计算损失函数，其中y为预测值，t i为真实值。
具体的，可以采用Keras作为神经网络框架搭建工具，Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow和Theano等的高阶应用程序接口。目前很多的开源CFD代码(如OpenFoam等)中均已融合了转捩模型，因此可以选择某一开源CFD代码来作为第二RANS模型。
其中，神经网络框架的超参数设置如下所示：
激活函数：Leaky ReLu，
Figure PCTCN2022141089-appb-000008
其中a i为(1，+∞)区间内的固定参数。
优化器：Adam，
Figure PCTCN2022141089-appb-000009
Adam是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重。
损失函数：均方差，
Figure PCTCN2022141089-appb-000010
计算预测值与真实值之间的欧式距离，预测值和真实值越接近，两者的均方差越小。
基于代码收敛后的流场结果验证神经网络模型所预测涡粘系数的精确性，若有偏差则进一步优化神经网络参数直至结果准确。
本申请的提出的方案设计了一种神经网络框架，建立了传统流体力学湍流模型物理参数与考虑转捩现象的湍流模型的涡粘系数之间的映射，进而实现对传统湍流模型预测结果的修正。该神经网络框架建立的过程中，输入物理量的选取以及输出参数的形式都考虑所模拟问题的物理特性进行了筛选及改进。并且使用了密网格插值的方式增加了仿真过程中的收敛性及稳定性，故可以在较粗的网格上对物理现象进行较为精确的仿真，大大节省了计算量。
基于同一发明构思，根据本申请的另一个方面，本申请的实施例还提供了一种物体的流体力学参数计算系统400，如图2所示，包括：
仿真模块401，配置为利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，并利用第二RANS模型方程和NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，第二RANS模型方程中融合有转捩模型；
训练模块402，配置为构建神经网络并将流场数据作为输入，对应的涡粘系数作为输出对神经网络进行训练；
获取模块403，配置为获取待计算流体力学参数的模拟对象，并利用第一RANS模型方程和NS控制方程对模拟对象进行仿真得到流场数据；
计算模块404，配置为将流场数据输入到训练好的神经网络中得到相应的涡粘系数并利用相应的涡粘系数和NS控制方程计算模拟对象的流体力学参数。
在一些实施例中，仿真模块401还配置为：
利用第一RANS模型方程和NS控制方程在不同攻角、不同马赫数和/或不同模拟对象下进行仿真得到多个流场数据，其中每一个流场数据均包括多个物理量。
在一些实施例中，训练模块402还配置为：
从上述多个物理量中选择体现层流与湍流差异的若干个物理量作为输入。
在一些实施例中，上述若干个物理量为速度、压力、温度和/或密度。
在一些实施例中，训练模块402还配置为：
将选择的上述若干个物理量进行归一化处理。
在一些实施例中，仿真模块401还配置为：
在第一密度网格下利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据。
在一些实施例中，仿真模块401还配置为：在第二密度网格下利用第二RANS模型方程和NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，第二密度网格比第一密度网格密。
在一些实施例中，仿真模块401还配置为：
将在第二密度网格下得到的对应的涡粘系数插值到第一密度网格上并计算反双曲正弦函数以作为输出。
在一些实施例中，训练模块402，还配置为：
利用输入层、三层隐藏层和输出层构建神经网络。
在一些实施例中，训练模块402，还配置为：
利用均方差公式
Figure PCTCN2022141089-appb-000011
计算损失函数，其中y i为预测值，t i为真实值。
本申请的提出的方案设计了一种神经网络框架，建立了传统流体力学湍流模型物理参数与考虑转捩现象的湍流模型的涡粘系数之间的映射，进而实现对传统湍流模型预测结果的修正。该神经网络框架建立的过程中，输入物理量的选取以及输出参数的形式都考虑所模拟问题的物理特性进行了筛选及改进。并且使用了密网格插值的方式增加了仿真过程中的收敛性及稳定性，故可以在较粗的网格上对物理现象进行较为精确的仿真，大大节省了计算量。
基于同一发明构思，根据本申请的另一个方面，如图3所示，本申请的实施例还提供了一种计算机设备501，包括：
一个或多个处理器520；及
一个或多个存储器510，一个或多个存储器510存储有可在一个或多个处理器上运行的计算机可读指令511，一个或多个处理器520执行程序时执行上述任一实施例提供的物体的流体力学参数计算中的步骤。
本申请的提出的方案设计了一种神经网络框架，建立了传统流体力学湍流模型物理参数与考虑转捩现象的湍流模型的涡粘系数之间的映射，进而实现对传统湍流模型预测结果的修正。该神经网络框架建立的过程中，输入物理量的选取以及输出参数的形式都考虑所模拟问题的物理特性进行了筛选及改进。并且使用了密网格插值的方式增加了仿真过程中的收敛性及稳定性，故可以在较粗的网格上对物理现象进行较为精确的仿真，大大节省了计算量。
基于同一发明构思，根据本申请的另一个方面，如图4所示，本申请的实施例还提供了一种非易失性计算机可读存储介质601，上述非易失性计算机可读存储介质601存储有计算机可读指令610，上述计算机可读指令610被一个或多个处理器执行时执行上述任一实施例提供的物体的流体力学参数计算中的步骤。
本申请的提出的方案设计了一种神经网络框架，建立了传统流体力学湍流模型物理参数与考虑转捩现象的湍流模型的涡粘系数之间的映射，进而实现对传统湍流模型预测结果的修正。该神经网络框架建立的过程中，输入物理量的选取以及输出参数的形式都考虑所模拟问题的物理特性进行了筛选及改进。并且使用了密网格插值的方式增加了仿真过程中的收敛性及稳定性，故可以在较粗的网格上对物理现象进行较为精确的仿真，大大节省了计算量。
最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的 全部或部分流程，可以通过计算机可读指令来指令相关硬件来完成，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。
此外，应该明白的是，本文的非易失性计算机可读存储介质(例如，一个或多个存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本申请实施例公开的范围。
以上是本申请公开的示例性实施例，但是应当注意，在不背离权利要求限定的本申请实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本申请实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本申请实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种非易失性计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请实施例公开的范围(包括权利要求)被限于这些例子；在本申请实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行 组合，并存在如上的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请实施例的保护范围之内。

Claims (20)

  1. 一种物体的流体力学参数计算方法，其特征在于，包括以下步骤：
    利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，并利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，所述第二RANS模型方程中融合有转捩模型；
    构建神经网络并将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练；
    获取待计算流体力学参数的模拟对象，并利用所述第一RANS模型方程和所述NS控制方程对所述模拟对象进行仿真得到流场数据；及
    将所述流场数据输入到训练好的神经网络中得到相应的涡粘系数并利用所述相应的涡粘系数和所述NS控制方程计算所述模拟对象的流体力学参数。
  2. 如权利要求1所述的方法，其特征在于，利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，进一步包括：
    利用第一RANS模型方程和NS控制方程在不同攻角、不同马赫数和/或不同模拟对象下进行仿真得到多个流场数据，其中每一个流场数据均包括多个物理量。
  3. 如权利要求2所述的方法，其特征在于，利用第一RANS模型方程和NS控制方程在不同攻角、不同马赫数和/或不同模拟对象下进行仿真得到多个流场数据，所述方法还包括：
    利用RANS-Original模型以及RANS-Transition模型在不同攻角、不同马赫数和/或不同模拟对象下进行仿真得到多个流场数据。
  4. 如权利要求2所述的方法，其特征在于，将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练，进一步包括：
    从所述多个物理量中选择体现层流与湍流差异的若干个物理量作为输入。
  5. 如权利要求4所述的方法，其特征在于，所述若干个物理量为速度、压力、温度和/或密度。
  6. 如权利要求4所述的方法，其特征在于，将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练，进一步包括：
    将选择的所述若干个物理量进行归一化处理。
  7. 如权利要求6所述的方法，其特征在于，在对所述神经网络进行训练之前，所述方法还包括：
    从训练数据集的RANS-Original仿真结果中选择若干物理量I| train作为神经网络的输入特征；
    在进行训练前使用
    Figure PCTCN2022141089-appb-100001
    公式进行归一化处理。
  8. 如权利要求1所述的方法，其特征在于，利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，进一步包括：
    在第一密度网格下利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据。
  9. 如权利要求8所述的方法，其特征在于，利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，进一步包括：
    在第二密度网格下利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，所述第二密度网格比所述第一密度网格密。
  10. 如权利要求9所述的方法，其特征在于，将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练，进一步包括：
    将在所述第二密度网格下得到的所述对应的涡粘系数插值到所述第一密度网格上并计算反双曲正弦函数以作为输出。
  11. 如权利要求10所述的方法，其特征在于，将在所述第二密度网格下得到的所述对应的涡粘系数插值到所述第一密度网格上并计算反双曲正弦函数以作为输出，所述方法还包括：
    从训练集的RANS-Transition数据中提取涡粘系数的反双曲正弦
    Figure PCTCN2022141089-appb-100002
    作为神经网络的输出参数。
  12. 如权利要求11所述的方法，其特征在于，从训练集的RANS-Transition数据中提取涡粘系数的反双曲正弦
    Figure PCTCN2022141089-appb-100003
    作为神经网络的输出 参数，包括：
    选择涡粘系数的真值作为神经网络的输出参数；
    选择涡粘系数真值的反双曲正弦
    Figure PCTCN2022141089-appb-100004
    作为所述神经网络的最终输出参数。
  13. 如权利要求12所述的方法，其特征在于，在确定所述神经网络的最终输出参数之后，所述方法还包括：
    构建基于所述训练集数据的映射；所述映射为：
    Figure PCTCN2022141089-appb-100005
    导出所述映射下神经网络中各神经元的权重与偏置量；
    将所述权重以及偏置量嵌入到开源CFD代码中。
  14. 如权利要求1所述的方法，其特征在于，构建神经网络，进一步包括：
    利用输入层、三层隐藏层和输出层构建所述神经网络。
  15. 如权利要求14所述的方法，其特征在于，还包括：
    利用均方差公式
    Figure PCTCN2022141089-appb-100006
    计算损失函数，其中y i为预测值，t i为真实值。
  16. 如权利要求14所述的方法，其特征在于，构建神经网络，进一步包括：
    所述神经网络的激活函数设置如下所示：
    Figure PCTCN2022141089-appb-100007
    其中，a i为(1，+∞)区间内的固定参数。
  17. 一种物体的流体力学参数计算系统，其特征在于，包括：
    仿真模块，配置为利用第一RANS模型方程和NS控制方程在多个仿真参数下进行仿真得到多个流场数据，并利用第二RANS模型方程和所述NS控制方程在对应的仿真参数下进行仿真得到每一个流场数据对应的涡粘系数，其中，所述第二RANS模型方程中融合有转捩模型；
    训练模块，配置为构建神经网络并将所述流场数据作为输入，对应的涡粘系数作为输出对所述神经网络进行训练；
    获取模块，配置为获取待计算流体力学参数的模拟对象，并利用所述第一RANS模型方程和所述NS控制方程对所述模拟对象进行仿真得到流场数据；及
    计算模块，配置为将所述流场数据输入到训练好的神经网络中得到相应的涡粘系数并利用所述相应的涡粘系数和所述NS控制方程计算所述模拟对象的流体力学参数。
  18. 如权利要求17所述的系统，其特征在于，仿真模块还配置为：
    利用第一RANS模型方程和NS控制方程在不同攻角、不同马赫数和/或不同模拟对象下进行仿真得到多个流场数据，其中每一个流场数据均包括多个物理量。
  19. 一种计算机设备，包括：
    一个或多个处理器；及
    一个或多个存储器，所述一个或多个存储器存储有可在所述一个或多个处理器上运行的计算机可读指令，其特征在于，所述一个或多个处理器执行所述计算机可读指令时执行如权利要求1-15任意一项所述的方法的步骤。
  20. 一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被一个或多个处理器执行时执行如权利要求1-15任意一项所述的方法的步骤。
PCT/CN2022/141089 2022-06-29 2022-12-22 一种物体的流体力学参数计算方法、系统、设备以及介质 Ceased WO2024001096A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210752299.0 2022-06-29
CN202210752299.0A CN114818549B (zh) 2022-06-29 2022-06-29 一种物体的流体力学参数计算方法、系统、设备以及介质

Publications (1)

Publication Number Publication Date
WO2024001096A1 true WO2024001096A1 (zh) 2024-01-04

Family

ID=82522900

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/141089 Ceased WO2024001096A1 (zh) 2022-06-29 2022-12-22 一种物体的流体力学参数计算方法、系统、设备以及介质

Country Status (2)

Country Link
CN (1) CN114818549B (zh)
WO (1) WO2024001096A1 (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118378505A (zh) * 2024-01-05 2024-07-23 清华大学 一种基于合成粒子组的非分区湍流生成方法
CN118468455A (zh) * 2024-07-15 2024-08-09 中国空气动力研究与发展中心超高速空气动力研究所 融合径向基的深度算子学习可压缩流场预测方法
CN118586314A (zh) * 2024-06-12 2024-09-03 清华四川能源互联网研究院 基于rans模型的快速压力波动预测方法
CN118866410A (zh) * 2024-07-30 2024-10-29 合肥综合性国家科学中心能源研究院(安徽省能源实验室) 一种聚变中基于数据驱动的环电压控制方法
CN119150757A (zh) * 2024-11-19 2024-12-17 山东大学 基于流变仪仿真的微结构尺寸参数优化方法、系统及产品
CN119227578A (zh) * 2024-09-14 2024-12-31 合肥水泥研究设计院有限公司 一种结合本征正交分解和深度学习的篦冷机工况预测方法
CN119312720A (zh) * 2024-09-27 2025-01-14 中国空气动力研究与发展中心计算空气动力研究所 一种六阶精度自适应光滑尺度分离的多阶子模板非线性加权插值方法
CN119442964A (zh) * 2024-10-30 2025-02-14 中国能源建设集团广东省电力设计研究院有限公司 基于流场分布的波浪载荷自动划分方法及其相关设备
CN119476076A (zh) * 2024-09-30 2025-02-18 西北工业大学 一种风力机翼型湍流模型建模方法、湍流预测方法
CN119647238A (zh) * 2024-11-14 2025-03-18 中国核动力研究设计院 一种矩形流道多物理场智能计算方法
CN119760912A (zh) * 2024-12-20 2025-04-04 中科富海科技股份有限公司 一种调节阀阀芯型线的确定方法及装置
CN119808574A (zh) * 2024-12-26 2025-04-11 清华大学 基于图数据挖掘的涡旋压缩机瞬态流场与性能监测方法
CN119803852A (zh) * 2025-01-07 2025-04-11 哈尔滨工程大学 一种泵喷流场测试装置及流场缺失补偿方法
CN119962435A (zh) * 2025-01-13 2025-05-09 南京航空航天大学 一种使用代数间歇因子的宽速域边界层转捩预测方法
CN120235085A (zh) * 2025-06-03 2025-07-01 中国核动力研究设计院 一种基于对抗神经网络的流动传热预测方法、设备和介质
CN120406131A (zh) * 2025-04-24 2025-08-01 华北电力大学 一种基于大模型的炉膛内流体空间场控制系统
CN120740852A (zh) * 2025-08-27 2025-10-03 国网电力工程研究院有限公司 抽水蓄能电站水力干扰源定位方法、装置、设备及介质
CN120850884A (zh) * 2025-09-17 2025-10-28 清华大学 高焓烧蚀壁面边界层转捩特性的获取方法及装置
CN120874614A (zh) * 2025-09-24 2025-10-31 北京航空航天大学 变推力液体火箭发动机针栓喷注器优化方法以及装置
CN120930272A (zh) * 2025-10-13 2025-11-11 西南科技大学 多区域物理驱动神经网络的飞行器流场预测方法及系统
CN121093432A (zh) * 2025-08-21 2025-12-09 哈尔滨工业大学 一种通过绕流场旋涡结构预测大跨桥梁气动力的数值方法
CN121351706A (zh) * 2025-12-17 2026-01-16 太行国家实验室 一种航空发动机多部件多求解器耦合仿真方法、装置、设备和介质
CN121389905A (zh) * 2025-12-25 2026-01-23 北京理工大学 一种高超声速转捩与强迫运动耦合动导数预测方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114818549B (zh) * 2022-06-29 2022-11-29 苏州浪潮智能科技有限公司 一种物体的流体力学参数计算方法、系统、设备以及介质
CN116050242A (zh) * 2022-11-15 2023-05-02 中国空气动力研究与发展中心计算空气动力研究所 一种转捩预测方法、装置、设备及介质
CN118567285B (zh) * 2024-07-31 2024-11-19 中国电建集团贵阳勘测设计研究院有限公司 一种砂石生产废水处理系统控制模型生成方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7251592B1 (en) * 2003-08-18 2007-07-31 United Technologies Corporation Boundary layer transition model
CN112084727A (zh) * 2020-10-26 2020-12-15 中国人民解放军国防科技大学 一种基于神经网络的转捩预测方法
CN114818549A (zh) * 2022-06-29 2022-07-29 苏州浪潮智能科技有限公司 一种物体的流体力学参数计算方法、系统、设备以及介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109033525B (zh) * 2018-06-27 2022-08-30 浙江大学 一种基于简化三方程转捩模型的高超声速转捩预测方法
CN113420507B (zh) * 2021-07-08 2023-11-21 刘维烁 流体流动模拟方法、装置以及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7251592B1 (en) * 2003-08-18 2007-07-31 United Technologies Corporation Boundary layer transition model
CN112084727A (zh) * 2020-10-26 2020-12-15 中国人民解放军国防科技大学 一种基于神经网络的转捩预测方法
CN114818549A (zh) * 2022-06-29 2022-07-29 苏州浪潮智能科技有限公司 一种物体的流体力学参数计算方法、系统、设备以及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YI-FENG ZHANG, HE KUN; ZHANG YI-RONG; MAO MEI-LIANG; CHEN JIAN-QIANG: "Improvement and Validation of Menter's Transition Model for Hypersonic Flow Simulation ", JOURNAL OF ASTRONAUTICS, vol. 37, no. 4, 30 April 2016 (2016-04-30), pages 397 - 402, XP093123916, ISSN: 1000-1328 *
ZHU LINYANG, ZHANG WEIWEI, KOU JIAQING, LIU YILANG: "Machine learning methods for turbulence modeling in subsonic flows around airfoils", PHYSICS OF FLUIDS, AMERICAN INSTITUTE OF PHYSICS, WOODBURY, NY, US, vol. 31, no. 1, 1 January 2019 (2019-01-01), US , pages 015105, XP093123910, ISSN: 1070-6631, DOI: 10.1063/1.5061693 *

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118378505A (zh) * 2024-01-05 2024-07-23 清华大学 一种基于合成粒子组的非分区湍流生成方法
CN118586314A (zh) * 2024-06-12 2024-09-03 清华四川能源互联网研究院 基于rans模型的快速压力波动预测方法
CN118468455A (zh) * 2024-07-15 2024-08-09 中国空气动力研究与发展中心超高速空气动力研究所 融合径向基的深度算子学习可压缩流场预测方法
CN118866410A (zh) * 2024-07-30 2024-10-29 合肥综合性国家科学中心能源研究院(安徽省能源实验室) 一种聚变中基于数据驱动的环电压控制方法
CN119227578A (zh) * 2024-09-14 2024-12-31 合肥水泥研究设计院有限公司 一种结合本征正交分解和深度学习的篦冷机工况预测方法
CN119312720A (zh) * 2024-09-27 2025-01-14 中国空气动力研究与发展中心计算空气动力研究所 一种六阶精度自适应光滑尺度分离的多阶子模板非线性加权插值方法
CN119476076B (zh) * 2024-09-30 2025-10-17 西北工业大学 一种风力机翼型湍流模型建模方法、湍流预测方法
CN119476076A (zh) * 2024-09-30 2025-02-18 西北工业大学 一种风力机翼型湍流模型建模方法、湍流预测方法
CN119442964B (zh) * 2024-10-30 2026-02-17 中国能源建设集团广东省电力设计研究院有限公司 基于流场分布的波浪载荷自动划分方法及其相关设备
CN119442964A (zh) * 2024-10-30 2025-02-14 中国能源建设集团广东省电力设计研究院有限公司 基于流场分布的波浪载荷自动划分方法及其相关设备
CN119647238A (zh) * 2024-11-14 2025-03-18 中国核动力研究设计院 一种矩形流道多物理场智能计算方法
CN119150757A (zh) * 2024-11-19 2024-12-17 山东大学 基于流变仪仿真的微结构尺寸参数优化方法、系统及产品
CN119760912A (zh) * 2024-12-20 2025-04-04 中科富海科技股份有限公司 一种调节阀阀芯型线的确定方法及装置
CN119808574A (zh) * 2024-12-26 2025-04-11 清华大学 基于图数据挖掘的涡旋压缩机瞬态流场与性能监测方法
CN119803852A (zh) * 2025-01-07 2025-04-11 哈尔滨工程大学 一种泵喷流场测试装置及流场缺失补偿方法
CN119962435A (zh) * 2025-01-13 2025-05-09 南京航空航天大学 一种使用代数间歇因子的宽速域边界层转捩预测方法
CN120406131A (zh) * 2025-04-24 2025-08-01 华北电力大学 一种基于大模型的炉膛内流体空间场控制系统
CN120235085B (zh) * 2025-06-03 2025-08-12 中国核动力研究设计院 一种基于对抗神经网络的流动传热预测方法、设备和介质
CN120235085A (zh) * 2025-06-03 2025-07-01 中国核动力研究设计院 一种基于对抗神经网络的流动传热预测方法、设备和介质
CN121093432A (zh) * 2025-08-21 2025-12-09 哈尔滨工业大学 一种通过绕流场旋涡结构预测大跨桥梁气动力的数值方法
CN120740852A (zh) * 2025-08-27 2025-10-03 国网电力工程研究院有限公司 抽水蓄能电站水力干扰源定位方法、装置、设备及介质
CN120850884A (zh) * 2025-09-17 2025-10-28 清华大学 高焓烧蚀壁面边界层转捩特性的获取方法及装置
CN120874614A (zh) * 2025-09-24 2025-10-31 北京航空航天大学 变推力液体火箭发动机针栓喷注器优化方法以及装置
CN120930272A (zh) * 2025-10-13 2025-11-11 西南科技大学 多区域物理驱动神经网络的飞行器流场预测方法及系统
CN121351706A (zh) * 2025-12-17 2026-01-16 太行国家实验室 一种航空发动机多部件多求解器耦合仿真方法、装置、设备和介质
CN121389905A (zh) * 2025-12-25 2026-01-23 北京理工大学 一种高超声速转捩与强迫运动耦合动导数预测方法

Also Published As

Publication number Publication date
CN114818549B (zh) 2022-11-29
CN114818549A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
WO2024001096A1 (zh) 一种物体的流体力学参数计算方法、系统、设备以及介质
CN116882038B (zh) 一种基于bim技术的机电施工方法及系统
JP7234370B2 (ja) ニューラルネットワークを使用した集積回路フロアプランの生成
JP7492083B2 (ja) メッシュ表現およびグラフニューラルネットワークを使用した物理的環境のシミュレーション
CN110472846A (zh) 核电厂热工水力安全分析最佳估算加不确定性方法
EP4055512A1 (en) Methods and systems for the estimation of the computational cost of simulation
CN115438584A (zh) 一种基于深度学习的翼型气动力预测方法
CN115983148A (zh) 一种cfd仿真云图预测方法、系统、电子设备及介质
CN105893669A (zh) 一种基于数据挖掘的全局仿真性能预测方法
CN115438575B (zh) 一种用于高精度翼型流场预测的分析方法
CN116050242A (zh) 一种转捩预测方法、装置、设备及介质
CN114444012A (zh) 一种基于神经网络架构搜索的偏微分方程数值求解方法
CN117521460A (zh) 一种考虑环境扰动不确定性的贝叶斯有限元模型修正方法
CN112465203A (zh) 基于门控循环单元神经网络的海平面高度智能预测预报系统、计算机设备、存储介质
CN110096790A (zh) 一种基于强化学习的不规则缺陷漏磁信号反演方法
CN113869350A (zh) 基于空间特征差异的海流预测方法以及系统
CN116822228B (zh) 河道流量计算模型构建方法、河道流量计算方法及装置
CN112862211A (zh) 通信管理系统动环缺陷派单方法及装置
Reissmann et al. Symbolic turbulence model development for complex-geometry flows exploiting language model-based transfer learning
Pehlivanoglu Direct and indirect design prediction in genetic algorithm for inverse design problems
CN119150747A (zh) 一种基于高斯混合模型的半监督学习流场预测方法
CN111651904A (zh) 基于机器学习的流场数据计算方法和装置
CN120706095B (zh) 一种洋流中管道配置方法、系统、介质和设备
Jin et al. Physical-guided deep learning surrogate model for the vibration analysis of dynamic system
CN119848473B (zh) 一种面向浮托安装的lmu载荷实时反演方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22949172

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22949172

Country of ref document: EP

Kind code of ref document: A1