基于深度学习和SPH框架的流体动画生成方法及装置制造方法及图纸

本发明专利技术公开了一种深度学习和SPH框架的流体动画生成方法及装置，包括：构造深度学习模型，训练流体模拟数据以生成基于神经网络的数据驱动项；根据数据集的特征，构造神经网络模型，设定相关超参数，然后读取数据集进行预处理，进行网络模型的训练；将训练完成的神经网络模型导入到SPH流体模拟框架中，作为数据驱动项，替换流体模拟步骤中的压力项；将数据驱动项导入低精度流体场景数据后，进行SPH流体模拟计算；采用Marching Cubes算法构造流体表面模型，提取流体表面网格并输出，将每帧的流体网格存储为数据文件，用于离线渲染。实现了低精度SPH模拟场景下的流体高细节表现，提高大规模流体模拟场景的计算效率。

Fluid animation generation method and device based on deep learning and SPH framework

The invention discloses a method and device for generating fluid animation based on depth learning and SPH framework, including: constructing a depth learning model, training fluid simulation data to generate data driven terms based on neural networks; constructing a neural network model according to the characteristics of data sets, setting relevant hyperparameters, and reading data integration The neural network model is imported into the SPH fluid simulation framework as a data-driven term to replace the pressure term in the fluid simulation step; the data-driven term is imported into the low-precision fluid scene data, and the SPH fluid simulation calculation is carried out; and the Marching Cubes algorithm is adopted. The fluid surface model is constructed, the fluid surface mesh is extracted and output, and each frame of fluid mesh is stored as a data file for off-line rendering. The high detail performance of fluid in low precision SPH simulation scene is realized, and the computational efficiency of large scale fluid simulation scene is improved.

【技术实现步骤摘要】
基于深度学习和SPH框架的流体动画生成方法及装置
本专利技术涉及计算机图形学中的流体模拟领域，同时包含深度学习领域的相关研究内容，尤其涉及拉格朗日流体模拟方案中的SPH(光滑粒子动力学)方法，采用SPH与深度神经网络相结合的方法，进行高精度、高效率的流体模拟的研究。
技术介绍
流体模拟一直以来都是计算机图形学领域重要的研究课题，为了实现流体动画的高真实感，基于物理的流体模拟方案被大量研究和应用，其中，拉格朗日方法和欧拉方法是被广泛研究的流体模拟方法。与基于网格的欧拉方法相比，拉格朗日方法在细节表现方面有很多优势，其中，SPH算法是拉格朗日方法中最为广泛研究的对象。SPH方法使用粒子进行流体建模，其中实现流体的不可压缩性是流体真实感的关键，长久以来，流体的不可压缩性是很多研究的重点，由此出现了很多改进的SPH方案。WCSPH(弱可压缩SPH)方法采用刚性状态方程，但为了保证计算的稳定性，必须施加严格的时间步长限制；其后，使用预测校正方案的PCISPH(预测校正不可压缩SPH)被提出，其在时间步长设置方面较WCSPH提升了一个数量级；为了提高算法的稳定性和收敛效率，IISPH(隐式不可压缩SPH)方法被提出。在这些改进的SPH方法中，压力项的计算效率是一个很大的桎梏，有效的提高压力项的计算效率对算法整体执行效率的改进有着十分重要的意义，而且由于大规模流体场景可能需要计算千万级乃至上亿数量的粒子，一个有效的算法加速策略亟待被提出。
技术实现思路
本专利技术提供了一种基于深度学习和SPH框架的流体动画生成方法及装置，本专利技术基于神经网络的数据驱动改进传统SPH流体模拟框架计算效率低的缺陷，实现低精度SPH模拟场景下的流体高细节表现，提高大规模流体模拟场景的计算效率，详见下文描述：一种基于深度学习和SPH框架的流体动画生成方法，所述方法包括以下步骤：根据一次迭代过程中的压力项的求解过程，获取压力项计算前和计算后的相关模拟数据；构造深度学习模型，训练流体模拟数据以生成基于神经网络的数据驱动项；根据数据集的特征，构造神经网络模型，设定相关超参数，然后读取数据集，在训练之前，对数据集进行预处理，然后进行网络模型的训练，训练结束保存神经网络模型；将训练完成的神经网络模型导入到SPH流体模拟框架中，作为数据驱动项，替换流体模拟步骤中的压力项；将基于神经网络的数据驱动项导入低精度流体场景数据后，进行SPH流体模拟计算；采用MarchingCubes算法构造流体表面模型，提取流体表面网格并输出，将每帧的流体网格存储为数据文件，用于离线渲染。进一步地，所述方法还包括：创建流体模拟场景的数据文件，所有流体数据及场景数据均通过外部的数据文件进行定义；将场景文件中定义的数据转化为流场边界数据和流体参数，通过边界数据初始化流场边界，通过流体参数初始化流体。其中，所述定义的内容包括但不限于：流体参数、流体位置及规模、流体边界条件、流场位置及规模。其中，所述初始化流体的内容包括但不限于：流体参数初始化，对流体块和流场边界进行粒子采样，构造流场哈希邻居等。进一步地，所述对数据集进行预处理具体为：将数据集分为训练集、验证集和测试集，进行数据归一化，数据处理完成后进行网络模型的训练。一种基于深度学习和SPH框架的流体动画生成装置，所述生成装置包括：基于神经网络框架的数据训练单元，通过神经网络模型，对流体模拟数据进行训练，以生成用于替换传统SPH框架压力项计算的数据驱动模块；基于数据驱动的流体模拟单元，将训练完成的数据驱动模块导入SPH模拟框架，进行传统SPH框架与神经网络模型的结合，提高流体模拟的计算效率，生成高质量的流体动画；流体自由表面构建单元，用于构建流体的自由表面Mesh，并进行输出。进一步地，所述基于神经网络框架的数据训练单元根据数据集的特征，构造神经网络模型，设定相关超参数，然后读取由上一单元生成的数据集，在训练之前，对数据集进行预处理，数据处理完成后进行网络模型的训练，训练结束保存神经网络模型。其中，所述生成装置还包括：流体场景数据初始化单元，用于导入并初始化流场数据；流体模拟数据生成单元，用于待训练流体模拟数据集的获取。本专利技术提供的技术方案的有益效果是：1、本专利技术采用SPH流体模拟框架，结合深度学习方法，利用高精度的流体模拟数据训练神经网络模型，通过替换标准SPH框架的压力项，实现低精度下流体模拟的高精度细节表现，显著的提高流体模拟高分辨率下的计算效率；2、本专利技术通过场景数据文件方便的更新流体参数，以及在模拟过程中输出流体动画帧；3、本专利技术可以动态地加载流体模拟场景，并实时地生成流体自由表面Mesh(网格)，为进一步的离线渲染提供支持。附图说明图1为基于深度学习及SPH框架的流体动画生成方法的流程图；图2为神经网络的结构示意图；图3为流体动画帧的示意图；图4为基于深度学习和SPH框架的流体动画生成装置的结构示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面对本专利技术实施方式作进一步地详细描述。目前计算机图形学中的流体模拟技术主要分为基于网格的欧拉流体模拟技术、基于粒子的拉格朗日流体模拟技术以及混合方法，其中基于粒子的拉格朗日流体模拟方法适合模拟形变复杂的流体，具体良好的细节表现效果。在拉格朗日方法中，SPH是一种被广泛研究的流体模拟方法，尤其是针对流体真实感表现的研究更是重中之重。流体的不可压缩性(Incompressibility)是流体真实感表现的关键，针对于此的研究，既要保证流体的不可压缩性，又要保证模拟效率，由此最近提出了一系列的研究成果。高精度的流体细节模拟需要大量的粒子来表现，而SPH方法的计算量会随粒子数量的增多而快速增大，保证流体真实感的同时减少SPH方法的计算量是十分重要的工作。最近几年，得力于深度学习取得的显著的成果，其在计算机科学的各个领域有了大量应用和研究。在流体模拟领域中，Yang等人通过训练神经网络替换了网格方法中的泊松方程的计算，之后，Tompson等人使用CNN(卷积神经网络)进行流体模拟中投影项的计算，在SPH方法中，Ladicky等人使用回归森林实现了百万级粒子的实时模拟。基于神经网络的数据拟合效果，可以实现流体模拟步骤中复杂非线性关系的构建。通过采集流体模拟过程中产生的大量数据集，结合神经网络进行训练，生成数据间的非线性模型，由此可以替换基于物理的流体模拟步骤。在SPH中，压力项的解算是流体模型真实感的关键，同时也是流体模拟各个阶段的计算瓶颈，可以采集高精度SPH的模拟数据进行神经网络的训练，然后将训练完成的神经网络应用于低精度SPH模拟过程中，由此实现SPH的高效和高真实感的计算。本专利技术实施例将SPH方法与深度学习相结合，提出了一种数据驱动的SPH流体动画生成方法，该方法可以有效的改进传统SPH动画生成方法中的压力项计算瓶颈，在保证动画质量的前提下，提高整体计算效率。同时，该方法还具有导入场景数据文件和流体自由表面生成功能。最后，本专利技术实施例将提供一种数据驱动的SPH流体动画生成装置。实施例1为实现上述目的，本专利技术实施例提出了一种基于深度学习及SPH框架的流体动画生成方法，该方法基于SPH流体模拟框架和标准神经网络模型，用于实现流体模拟及数据训练，包括以下步骤：101：定义流本文档来自技高网...

【技术保护点】
1.一种基于深度学习和SPH框架的流体动画生成方法，其特征在于，所述方法包括以下步骤：根据一次迭代过程中的压力项的求解过程，获取压力项计算前和计算后的相关模拟数据；构造深度学习模型，训练流体模拟数据以生成基于神经网络的数据驱动项；根据数据集的特征，构造神经网络模型，设定相关超参数，然后读取数据集在训练之前，对数据集进行预处理后进行网络模型的训练，训练结束保存神经网络模型；将训练完成的神经网络模型导入到SPH流体模拟框架中，作为数据驱动项，替换流体模拟步骤中的压力项；将基于神经网络的数据驱动项导入低精度流体场景数据后，进行SPH流体模拟计算；采用Marching Cubes算法构造流体表面模型，提取流体表面网格并输出，将每帧的流体网格存储为数据文件，用于离线渲染。

【技术特征摘要】
1.一种基于深度学习和SPH框架的流体动画生成方法，其特征在于，所述方法包括以下步骤：根据一次迭代过程中的压力项的求解过程，获取压力项计算前和计算后的相关模拟数据；构造深度学习模型，训练流体模拟数据以生成基于神经网络的数据驱动项；根据数据集的特征，构造神经网络模型，设定相关超参数，然后读取数据集在训练之前，对数据集进行预处理后进行网络模型的训练，训练结束保存神经网络模型；将训练完成的神经网络模型导入到SPH流体模拟框架中，作为数据驱动项，替换流体模拟步骤中的压力项；将基于神经网络的数据驱动项导入低精度流体场景数据后，进行SPH流体模拟计算；采用MarchingCubes算法构造流体表面模型，提取流体表面网格并输出，将每帧的流体网格存储为数据文件，用于离线渲染。2.根据权利要求1所述的一种基于深度学习和SPH框架的流体动画生成方法，其特征在于，所述方法还包括：创建流体模拟场景的数据文件，所有流体数据及场景数据均通过外部的数据文件进行定义；将场景文件中定义的数据转化为流场边界数据和流体参数，通过边界数据初始化流场边界，通过流体参数初始化流体。3.根据权利要求2所述的一种基于深度学习和SPH框架的流体动画生成方法，其特征在于，所述定义的内容包括但不限于：流体参数、流体位置及规模、流体边界条件、流场位置及规模。4.根据权利要求2所述的一种基于深度学习和SPH框架的流体动画生成方法，其特征在于，所述初始化流体的内...

【专利技术属性】
技术研发人员：应翔，仇强，于瑞国，喻梅，王建荣，于健，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12