绕流物体和工况改变时流场特征量的快速预测方法技术

本发明专利技术公开了一种绕流物体和工况改变时流场特征量的快速预测方法，该方法包括：生成深度学习网络输入数据，该生成方法适用于任何二维或三维几何模型；基于该输入数据及流场初始条件和工况条件，构建用于流场预测的深度学习网络结构；对该深度学习网络进行训练，以得到流场预测模型；该方法实现了深度学习对任意的复杂几何物体进行流场预测的要求，并且可以同时考虑到不同工况条件的影响，使深度学习在流场方面的广泛应用成为了可能；并且可以应用于流固耦合系统降阶模型的建立等场合中。

A fast prediction method for flow field characteristics and flow conditions

The invention discloses a fast prediction method of flow field characteristic quantity when the object and working condition are changed. The method includes: generating input data of deep learning network, which is suitable for any two-dimensional or three-dimensional geometric model; constructing a prediction method for flow field based on the input data, initial conditions and working conditions of flow field. In-depth learning network structure; training the in-depth learning network to obtain the flow field prediction model; this method realizes the requirement of in-depth learning for flow field prediction of arbitrary complex geometric objects, and can take into account the influence of different working conditions at the same time, making in-depth learning widely used in the field of flow field. It can be applied to the establishment of reduced order models for fluid solid coupling systems.

【技术实现步骤摘要】
绕流物体和工况改变时流场特征量的快速预测方法
本专利技术属于流场计算及深度学习领域，特别涉及绕流物体和工况改变时流场特征量的快速预测方法。
技术介绍
传统应用CFD(ComputationalFluidDynamics，计算流体力学)的流场计算需要耗费大量的时间及计算资源。在绕流物体改变、计算工况改变等情况下，均需要重新进行复杂而费时的CFD计算，这不仅消耗了大量的计算资源，同时也造成了效率低下。实际上，流场作为一个系统，是有其自身特性的，每次重新进行CFD计算的做法忽略了这一点。深度学习具有自主挖掘并学习系统特性、快速预测的能力。因此，使用深度学习方法进行流场预测是一种不仅可行，且具有广泛应用前景的方法。目前已发展的相关深度学习方法仅能对圆等少数几种简单几何形体在特定的工况条件下，所产生的绕流流场特征作出预测。其网络输入无法明确地表示出所研究绕流物体的几何信息，且有很多冗余数据；也不能将绕流物体的特征与工况同时考虑。因此，传统的深度学习流场预测方法有很大的局限性，适用范围很有限，对于超出训练数据范围的预测准确性很低。因此，发展一种具有广泛适用范围，能同时针对不同绕流物体及不同工况进行流场预测的、具有较高鲁棒性的通用深度学习流场预测方法，是必要、并具有广泛需求的。
技术实现思路
为了克服现有深度学习方法在流场预测技术中所存在的问题，本专利技术提出一种绕流物体和工况改变时流场特征量的快速预测方法，该方法实现了深度学习对复杂几何物体进行流场特征量预测的通用化要求，并且可以同时考虑不同工况的影响，使深度学习在流场预测方面的广泛应用成为了可能。为了达到上述目的，本专利技术采用如下技术方案：绕流物体和工况改变时流场特征量的快速预测方法，包括生成深度学习网络输入数据以及针对该输入数据建立用于流场预测的深度学习模型结构；具体方法如下：步骤1：生成深度学习网络输入数据：1)采用Laplace形式的偏微分方程生成流场网格对绕流物体周围预设范围内的区域，采用不带源项的Laplace方程生成流场网格；该预设范围的确定原则是：完全将绕流物体包括在内；并保证生成的网格线中，靠近该范围边界的网格线曲率为0或在10-6量级以下；另外，应遵循计算流体力学过程中的要求，使网格点尽量密集，目的是保证不失真地离散绕流物体边界和所生成的内部网格线；2)采用各网格点曲率值作为深度学习网络输入数据建立与网格区域对应的单通道多维矩阵(二维问题为单通道二维矩阵)，其中每个元素对应一个唯一的网格点，元素在单通道多维矩阵中的索引值等于对应网格点在整个网格区域内的索引值；单通道多维矩阵中各元素数据采用如下方式获得：计算此元素对应的网格点处各网格线曲率，并取其中最大与最小值的乘积作为该元素数据(对于二维问题直接将两个网格线曲率相乘即可)；将所得单通道多维矩阵作为深度学习网络的输入数据；步骤2：针对步骤1生成的输入数据，建立用于流场预测的深度学习模型结构：1)建立多层卷积神经网络与深度神经网络组成的复合神经网络结构整个深度学习网络分两个层级：第一层级采用多层卷积神经网络，其输入为通过步骤1得到的输入数据，该层级网络不设置全连接层，采用最后一个卷积层的输出作为第一个层级的输出；第二层级采用深度神经网络结构，其输入为来流速度和粘性系数以及工况条件，并将第一层级的输出直接作为第二层级的隐含层；第二层级采用完整的深度神经网络结构，其输出作为整个深度学习网络的输出；2)对复合神经网络的训练对多层卷积神经网络与深度神经网络内部进行训练，两层级间通过数据传递实现对接；具体为，首先对第二层级，即深度神经网络采用一次训练方法更新各参数值，然后将第二层级中第一层级的输出所对应的隐含层的更新量传递给第一层级，再对第一层级采用一次训练方法；两层级均采用一次训练方法后作为一次完整的学习过程，反复进行上述学习过程，直到满足深度学习网络的训练终止条件。本专利技术和现有技术相比较，具备如下优点：1.本专利技术提出的深度学习网络输入数据生成方法，可以适用于具有任何复杂外形的绕流物体，且能提取到所研究对象的特征。因此该方法具有广泛的适用性，使深度学习在流场预测方面具有了真正的应用价值。2.本专利技术不仅适用于不同绕流物体，且可同时考虑工况的影响。因此该专利技术使深度学习在流场预测方面的广泛应用成为了可能。3.本专利技术通过采用多层卷积神经网络来依次考虑不同尺度范围之间的关联，最后通过深度神经网络引入工况的影响。在此基础上使用深度学习方法可以学习到流场系统更多的特征信息，因此具有较传统神经网络方法更准确的预测效果。附图说明图1深度学习模型的建立流程图。图2复合神经网络结构图。具体实施方式下面结合附图和具体实施方式对本专利技术作进一步详细说明。如图1所示，本专利技术绕流物体和工况改变时流场特征量的快速预测方法，包括生成深度学习网络输入数据以及针对该输入数据建立用于流场预测的深度学习模型结构；具体方法如下：步骤1：生成深度学习网络输入数据：1)采用Laplace形式的偏微分方程生成流场网格对绕流物体周围预设范围内的区域，采用不带源项的Laplace方程生成流场网格。该预设范围的确定原则是：完全将绕流物体包括在内；并保证生成的网格线中，靠近该范围边界的网格线曲率为0或在10-6量级以下。另外，应遵循CFD(ComputationalFluidDynamics，计算流体力学)过程中的要求，使网格点尽量密集，目的是保证基本不失真地离散绕流物体边界和所生成的内部网格线。2)采用各网格点曲率值作为深度学习网络输入数据建立与网格区域对应的单通道多维矩阵(二维问题为单通道二维矩阵)，其中每个元素对应一个唯一的网格点，元素在单通道多维矩阵中的索引值等于对应网格点在整个网格区域内的索引值。单通道多维矩阵中各元素数据采用如下方式获得：计算此元素对应的网格点处各网格线曲率，并取其中最大与最小值的乘积作为该元素数据(对于二维问题直接将两个网格线曲率相乘即可)。将所得单通道多维矩阵作为深度学习网络的输入数据。步骤2：针对步骤1生成的输入数据，建立用于流场预测的深度学习模型结构：1)建立多层卷积神经网络与深度神经网络组成的复合神经网络结构整个深度学习网络分两个层级：第一层级采用多层卷积神经网络，其输入为通过步骤1得到的输入数据，该层级网络不设置全连接层，采用最后一个卷积层的输出作为第一个层级的输出；第二层级采用深度神经网络结构，其输入为来流速度、粘性系数等流场初始条件和工况条件，并将第一个层级的输出直接作为第二层级的隐含层。第二层级采用完整的深度神经网络结构，其输出作为整个深度学习网络的输出。图2为该复合神经网络结构。2)对复合神经网络进行训练多层卷积神经网络与深度神经网络内部直接采用传统训练算法如BP(BackPropagation，误差反向传播算法)算法进行训练，两层级间通过数据传递实现对接。具体实施中，首先对第二层级，即深度神经网络采用一次训练方法更新各参数值，然后将第二层级中第一层级的输出所对应的隐含层的更新量传递给第一层级，再对第一层级采用一次训练方法。两层级均采用一次训练方法后作为一次完整的学习过程，反复进行上述学习过程，直到满足深度学习网络的训练终止条件。进行流场特征量预测时，首先采用步骤1所述方法生成输入数据，采用步骤2中所述方法输入工况参本文档来自技高网...

【技术保护点】
1.绕流物体和工况改变时流场特征量的快速预测方法，其特征在于：包括生成深度学习网络输入数据以及针对该输入数据建立用于流场预测的深度学习模型结构；具体方法如下：步骤1：生成深度学习网络输入数据：1)采用Laplace形式的偏微分方程生成流场网格对绕流物体周围预设范围内的区域，采用不带源项的Laplace方程生成流场网格；该预设范围的确定原则是：完全将绕流物体包括在内；并保证生成的网格线中，靠近该范围边界的网格线曲率为0或在10‑6量级以下；另外，应遵循计算流体力学过程中的要求，使网格点尽量密集，目的是保证不失真地离散绕流物体边界和所生成的内部网格线；2)采用各网格点曲率值作为深度学习网络输入数据建立与网格区域对应的单通道多维矩阵，其中每个元素对应一个唯一的网格点，元素在单通道多维矩阵中的索引值等于对应网格点在整个网格区域内的索引值；单通道多维矩阵中各元素数据采用如下方式获得：计算此元素对应的网格点处各网格线曲率，并取其中最大与最小值的乘积作为该元素数据；将所得单通道多维矩阵作为深度学习网络的输入数据；步骤2：针对步骤1生成的输入数据，建立用于流场预测的深度学习模型结构：1)建立多层卷积神经网络与深度神经网络组成的复合神经网络结构整个深度学习网络分两个层级：第一层级采用多层卷积神经网络，其输入为通过步骤1得到的输入数据，该层级网络不设置全连接层，采用最后一个卷积层的输出作为第一个层级的输出；第二层级采用深度神经网络结构，其输入为来流速度和粘性系数以及工况条件，并将第一层级的输出直接作为第二层级的隐含层；第二层级采用完整的深度神经网络结构，其输出作为整个深度学习网络的输出；2)对复合神经网络的训练对多层卷积神经网络与深度神经网络内部进行训练，两层级间通过数据传递实现对接；具体为，首先对第二层级，即深度神经网络采用一次训练方法更新各参数值，然后将第二层级中第一层级的输出所对应的隐含层的更新量传递给第一层级，再对第一层级采用一次训练方法；两层级均采用一次训练方法后作为一次完整的学习过程，反复进行上述学习过程，直到满足深度学习网络的训练终止条件。...

【技术特征摘要】
1.绕流物体和工况改变时流场特征量的快速预测方法，其特征在于：包括生成深度学习网络输入数据以及针对该输入数据建立用于流场预测的深度学习模型结构；具体方法如下：步骤1：生成深度学习网络输入数据：1)采用Laplace形式的偏微分方程生成流场网格对绕流物体周围预设范围内的区域，采用不带源项的Laplace方程生成流场网格；该预设范围的确定原则是：完全将绕流物体包括在内；并保证生成的网格线中，靠近该范围边界的网格线曲率为0或在10-6量级以下；另外，应遵循计算流体力学过程中的要求，使网格点尽量密集，目的是保证不失真地离散绕流物体边界和所生成的内部网格线；2)采用各网格点曲率值作为深度学习网络输入数据建立与网格区域对应的单通道多维矩阵，其中每个元素对应一个唯一的网格点，元素在单通道多维矩阵中的索引值等于对应网格点在整个网格区域内的索引值；单通道多维矩阵中各元素数据采用如下方式获得：计算此元素对应的网格点处各网格线曲率，并取其中最大与最小值的乘积作为该元素数据；将所得单通道多维矩...

【专利技术属性】
技术研发人员：王怡星，陈刚，张扬，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61