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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。