一种基于结构化网格的通道内流场重构方法技术

本发明专利技术公开了一种基于结构化网格的通道内流场重构方法，该方法用于从流动换热模型已知的几何参数、边界条件以及流体参数重构出包括温度场、压力场与速度场在内的流场数据。本发明专利技术通过采集流动换热模型的流场数据，将其转化为矩阵形式，建立GAN网络实现对流场数据的重构，实现了低时间成本，低计算成本，低经济成本下完整有效的流场重构技术。本发明专利技术计算快，易更改，可替代CFD技术进行换热装置的优化设计；可以获取完整的温度场、压力场以及速度场数据，有利于数据处理并研究整体的流动换热情况，相比于复杂的实验方法有着极大的优势。

A reconstruction method of flow field in channel based on structured grid

【技术实现步骤摘要】
一种基于结构化网格的通道内流场重构方法
本专利技术属于流动换热
，具体涉及一种基于结构化网格的通道内流场重构方法。
技术介绍
在传统流动传热领域，获取一个流场信息一般有两种方法，一种是利用计算机进行CFD数值模拟，另一种便是实验测试。近年来，数值模拟与实验测试都取得了不同程度的发展与进步。实验研究方法逐步向红外成像与瞬态测试分析等方向发展，一方面缩短了实验周期，另一方面使得实验测试的流场数据可视化程度逐渐提高。数值模拟随着计算机性能的不断提升以及计算模型的不断完善极大的便利了流动传热的研究。随着计算机计算能力的提升和人工智能的发展，越来越多的传统工业问题采用人工智能算法得到了新的解决方案。在传统热力学与流体力学领域，深度学习的应用越来越深入，应用范围越来越广泛。一部分深度学习的应用仅限于构建有关热力学参数的代理模型，一部分应用基于前期流场数据预测后期流场数据。针对每一种案例而言，传统的CFD方法往往耗费的计算时间与计算资源较大，无法获取即时信息，实验方法只能使用红外成像获取温度场信息且实验器材造价昂贵。
技术实现思路
本专利技术的目的在于提供一种基于结构化网格的通道内流场重构方法，该方法基于模型的几何参数，边界条件参数以及流体参数等已知信息，采GAN网络进行流场重构，可以获取温度场，压力场与速度场的流场信息，大幅度减少计算时间成本，降低经济成本，快速重构不同参数的流场。本专利技术采用如下技术方案来实现的：一种基于结构化网格的通道内流场重构方法，包括以下步骤：1)获取流动传热模型数据需要采集的数据包括已知信息数据以及相对应的流场数据；其中已知信息数据包括几何尺寸信息，边界条件信息以及流体参数信息，任何需要变化的数据均能够作为输入数据，Inputn,i为某条件下流体通道的已知信息数据；流场数据包括网格节点位置信息，温度场信息，压力场信息以及速度场信息，针对每一种条件下的流体通道进行数值拟合计算，导出网格节点信息，获取初始流场数据Field0n,j,g以及结构化网格节点位置信息Grid0n,m,g，Inputn,i和Field0n,j,g，Grid0n,m,g一一对应；其中n＝1,2,3...,N，N为测量流体通道模型总数，i＝1,2,3...,I，I为已知参数总数，j＝1,2,3...,J，分别表示网格节点温度场，压力场与速度场，J为记录流场参数总数，g＝1,2,3...,G，表示网格节点，G为网格节点总数，m＝1,2,3，分别表示网格节点x坐标，y坐标，z坐标；2)流场数据预处理以及数据归一化通道内流动换热模型的结构化网格总能够表示为规则的矩阵形式，将初始流场数据Field0n,j,g根据位置信息Grid0n,m,g按照网格位置排序转化为可读取的矩阵格式Fieldn,j,k,l,h，对应位置信息做相同的变换得到为Gridn,m,k,l,h；其中k＝1,2,3...,K，K为x方向节点总数，l＝1,2,3...,L，L为y方向节点总数，h＝1,2,3...,H，H为z方向节点总数，若模型为二维模型，则H＝1，处理后的流场数据Fieldn,j,k,l,h退化为四维数组；对所有的已知信息数据Inputn,i与处理后的流场数据Fieldn,j,k,l,h进行归一化处理；3)针对流动换热模型数据划分训练集与验证集对于流场重构网络，输入为Inputn,i，将输入Inputn,i随机打乱，按照4：1的比例分为训练集(Inputn×0.8,i)train与验证集(Inputn×0.2,i)validate，对应流场数据同时分为(Fieldn×0.8,j,k,l,h)train与(Fieldn×0.2,j,k,l,h)validate，对应的网格数据同时分为(Gridn×0.8,m,k,l,h)train与(Gridn×0.2,m,k,l,h)validate；4)搭建流场重构网络首先，采用二维反卷积/三维反卷积构建一个生成器GNet，建立从已知数据Inputn,i到二维/三维流场数据Fieldn,j,k,l,h的过程；其次，采用二维卷积/三维卷积构建一个判别器DNet，用于分辨真实原始流场与使用生成器GNet生成的重构流场；5)训练基于GAN的流场重构网络首先，从DNet网络开始训练，DNet希望能提高对真实流场与重构流场的分辨能力；紧随DNet网络的一次训练，进行GNet网络训练，此时希望重构流场能欺骗DNet网络，使得分辨网络分辨不出重构流场；经过GNet生成网络与DNet分辨网络之间的相互博弈获得成功的生成网络用于重构流场；6)流动换热模型流场重构首先根据步骤将输入的已知信息(Inputn,i)test归一化化后传入生成器GNet，获得重构流场(Fieldn,j,k,l,h)test，根据重构流场(Fieldn,j,k,l,h)test与对应网格位置信息(Gridn,m,k,l,h)test计算流动换热模型相关热力学与流体力学参数。本专利技术进一步的改进在于，还包括以下步骤：7)算法维护在实际应用的过程中，如果已知信息少于预计已知信息或者已知信息增多，则将获取已知数据按照步骤1)、2)、3)进行处理，采用已经训练完毕的GAN网络参数作为预训练模型，对整体神经网络在此基础上重新开始训练。本专利技术进一步的改进在于，步骤6)中，流动换热模型相关热力学与流体力学参数包括但不限于努塞尔数、范宁系数、体平均温度。本专利技术进一步的改进在于，步骤2)中，对已知信息数据集Inputn,i的数据固定n，归一化的方法如下：Maxi＝Max(Inputn,i|1≤n≤N)Mini＝Min(Inputn,i|1≤n≤N)流场数据Fieldn,j,k,l,h的归一化操作与之相似，固定n，k，l与h，归一化操作如下：Maxj＝Max(Fieldn,j,k,l,h|1≤n≤N,1≤k≤K,1≤l≤L,1≤h≤H)Minj＝Min(Fieldn,j,k,l,h|1≤n≤N,1≤k≤K,1≤l≤L,1≤h≤H)其中，Inputn,i与Fieldn,j,k,l,h表示归一化之前的数据，Input′n,i与Field′n,j,k,l,h表示归一化之后的数据，Maxi/Maxj表示第i/j种数据性质的所有数据的最大值，Mini/Minj表示第i/j种数据性质的所有数据的最小值，为了方便描述和表示，归一化后的数据采用Inputn,i与Fieldn,j,k,l,h表示。本专利技术进一步的改进在于，步骤4)中，用于流场重构的GAN网络中，DNet网络能够采用任何有效的卷积网络构架，GNet网络能够使用与DNet网络构架不对称的反卷积网络构架。本专利技术进一步的改进在于，步骤4)中，流场重构GAN网络采用二分类损失函数BCE_loss与加权平均损失函数WMSE_loss的加权平均值作为该网络的总体损失函数；二分类损失函数BCE_loss公式如下：BCE_loss＝minGmaxDV(D,G)＝EField[log(D(Fieldn,j,k,l,h))]+EInput[log(1-D(G(Inputn,i)))]其中，D(·)表示对样本采用判别器DNet进行判别，G(·)表示对样本采用生成器GNet生成重构流场，EField[·]与EInput[·]表示对括号内变量求期望值；本文档来自技高网...

【技术保护点】
1.一种基于结构化网格的通道内流场重构方法，其特征在于，包括以下步骤：1)获取流动传热模型数据需要采集的数据包括已知信息数据以及相对应的流场数据；其中已知信息数据包括几何尺寸信息，边界条件信息以及流体参数信息，任何需要变化的数据均能够作为输入数据，Inputn,i为某条件下流体通道的已知信息数据；流场数据包括网格节点位置信息，温度场信息，压力场信息以及速度场信息，针对每一种条件下的流体通道进行数值拟合计算，导出网格节点信息，获取初始流场数据Field

【技术特征摘要】
1.一种基于结构化网格的通道内流场重构方法，其特征在于，包括以下步骤：1)获取流动传热模型数据需要采集的数据包括已知信息数据以及相对应的流场数据；其中已知信息数据包括几何尺寸信息，边界条件信息以及流体参数信息，任何需要变化的数据均能够作为输入数据，Inputn,i为某条件下流体通道的已知信息数据；流场数据包括网格节点位置信息，温度场信息，压力场信息以及速度场信息，针对每一种条件下的流体通道进行数值拟合计算，导出网格节点信息，获取初始流场数据Field0n,j,g以及结构化网格节点位置信息Grid0n,m,g，Inputn,i和Field0n,j,g，Grid0n,m,g一一对应；其中n＝1,2,3…,N，N为测量流体通道模型总数，i＝1,2,3...,I，I为已知参数总数，j＝1,2,3...,J，分别表示网格节点温度场，压力场与速度场，J为记录流场参数总数，g＝1,2,3...,G，表示网格节点，G为网格节点总数，m＝1,2,3，分别表示网格节点x坐标，y坐标，z坐标；2)流场数据预处理以及数据归一化通道内流动换热模型的结构化网格总能够表示为规则的矩阵形式，将初始流场数据Field0n,j,g根据位置信息Grid0n,m,g按照网格位置排序转化为可读取的矩阵格式Fieldn,j,k,l,h，对应位置信息做相同的变换得到为Gridn,m,k,l,h；其中k＝1,2,3...,K，K为x方向节点总数，l＝1,2,3...,L，L为y方向节点总数，h＝1,2,3...,H，H为z方向节点总数，若模型为二维模型，则H＝1，处理后的流场数据Fieldn,j,k,l,h退化为四维数组；对所有的已知信息数据Inputn,i与处理后的流场数据Fieldn,j,k,l,h进行归一化处理；3)针对流动换热模型数据划分训练集与验证集对于流场重构网络，输入为Inputn,i，将输入Inputn,i随机打乱，按照4：1的比例分为训练集(Inputn×0.8,i)train与验证集(Inputn×0.2,i)validate，对应流场数据同时分为(Fieldn×0.8,j,k,l,h)train与(Fieldn×0.2,j,k,l,h)validate，对应的网格数据同时分为(Gridn×0.8,m,k,l,h)train与(Gridn×0.2,m,k,l,h)validate；4)搭建流场重构网络首先，采用二维反卷积/三维反卷积构建一个生成器GNet，建立从已知数据Inputn,i到二维/三维流场数据Fieldn,j,k,l,h的过程；其次，采用二维卷积/三维卷积构建一个判别器DNet，用于分辨真实原始流场与使用生成器GNet生成的重构流场；5)训练基于GAN的流场重构网络首先，从DNet网络开始训练，DNet希望能提高对真实流场与重构流场的分辨能力；紧随DNet网络的一次训练，进行GNet网络训练，此时希望重构流场能欺骗DNet网络，使得分辨网络分辨不出重构流场；经过GNet生成网络与DNet分辨网络之间的相互博弈获得成功的生成网络用于重构流场；6)流动换热模型流场重构首先根据步骤将输入的已知信息(Inputn,i)test归一化化后传入生成器GNet，获得重构流场(Fieldn,j,k,l,h)test，根据重构流场(Fieldn,j,k,l,h)test与对应网格位置信息(Gridn,m,k,l,h)test计算流动换热模型相关热力学与流体力学参数。2.根据权利要求1所述的一种基于结构化网格的通道内流场重构方法，其特征在于，还包括以下步骤：7)算法维护在实际应用的过程中，如果已知信息少于...

【专利技术属性】
技术研发人员：谢永慧，李云珠，刘天源，张荻，高同心，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61