基于机器学习的流体快速合成方法、装置、系统和介质制造方法及图纸

本申请提供的一种基于机器学习的流体快速合成方法、装置、系统和介质，通过获取一流体模型对应的包含不同分辨率的流体速度场数据，据以采集局部速度块的特征向量信息并形成流场数据集；将所述流场数据集作为预设多尺度字典神经网络的输入以得到所述高分辨率流体速度场对应的流体细节信息；依据所述低分辨率流体速度场对应的各所述局部速度块，并结合所述流体细节信息以合成得到所述高分辨率流体速度场。本申请能够加速流体仿真过程，减少了计算资源消耗，节省存储空间，使得合成的结果增加细节的同时，保持高分辨率流体的重要结构信息，实现动态的交互式可视化，对于加速流体仿真过程以及基于物理的强化学习有着重要的意义和实际应用。

【技术实现步骤摘要】
基于机器学习的流体快速合成方法、装置、系统和介质
本专利技术涉及的计算机图形学中流体模拟、以及机器学习
，特别是涉及一种基于机器学习的流体快速合成方法、装置、系统和介质。
技术介绍
流体的运动具有复杂且难以描述的特性，因此流体的真实模拟在计算机图形学和仿真领域是一个非常有挑战性的课题。流体模拟的可视化，被大量用于电影特效，游戏和虚拟现实VR等一些相关行业。因此如何得到一个逼真的流体场景，一直以来都是计算机图形学领域研究的一个难点。由于湍流复杂的特性，在流体模拟中会产生不同尺度的涡流，所以模拟逼真的流体不仅仅需要高精度的数值求解算法，同时还需要高分辨率的计算网格去捕捉流体的细小结构。通常的方法是直接提升计算网格的分辨率或者使用自适用分辨率的计算网格求解得到高分辨率流体的结果，但是这种直接模拟流体不可避免的在计算上非常昂贵，需要大量的计算资源和时间开销，特别是对于大规模流体的场景。存储空间也非常受限，因此为了节省计算资源，提高效率，传统的数值方法首先在低分辨率的计算网格下进行仿真，然后用一些增加流体细节的简单模型得到高分辨率流体的结果。但是现有常见模型存在一个共有的问题：即在低分辨率流体结果上添加一些细小结构，得到的流体结果，与通过直接仿真得到高分辨率流体的结果并不接近。高分辨率流体仿真结果中会出现的重要结构信息，比如涡环现象，这些模型的方法并不能在低分辨率流体数据下合成出来。合成高分辨率流体问题是非常困难的，到那时它又和图像的超分辨率的问题很不一样，若直接在低分辨率流体结果下增加一些流体细节并不能得到真正的高分辨率流体的结果。因此，在计算资源有限的情况下，如何快速的合成与高分辨率流体的结果接近，具有真实感的高分辨的流体仿真结果是亟需解决的问题。
技术实现思路
鉴于以上所述现有技术的缺点，本申请的目的在于提供一种基于机器学习的流体快速合成方法、装置、系统和介质，以解决现有技术中在计算资源有限的情况下，如何快速的合成与高分辨率流体的结果接近，具有真实感的高分辨的流体仿真结果的问题。为实现上述目的及其他相关目的，本申请提供一种基于机器学习的流体快速合成方法，所述方法包括：获取一流体模型对应的包含不同分辨率的流体速度场数据，据以分别采集高分辨率流体速度场与低分辨率流体速度场上对应的一或多个局部速度块的特征向量信息并形成流场数据集；将所述流场数据集作为预设多尺度字典神经网络的输入，并引入稀疏系数和流体高频成分字典以得到所述高分辨率流体速度场对应的流体细节信息；依据所述低分辨率流体速度场对应的各所述局部速度块，并结合所述流体细节信息以合成得到所述高分辨率流体速度场。于本申请的一实施例中，所述局部速度块的采集方法包括：将所述低分辨率流体速度场进行插值，以使其分辨率达到所述高分辨率流体速度场的分辨率；然后在所述高分辨流体速度场和所述低分辨率流体速度场的对应位置上分别进行采集。于本申请的一实施例中，所述特征向量信息包括：速度场信息、空间位置信息、及时间信息；所述速度场信息是通过高精度数值求解方法仿真得到；所述空间位置信息是通过摩顿码的二进制编码方式以近似表示所述流体模型的空间结构的位置信息得到；所述时间信息是基于所述流体模型在模拟过程中随时间变化的特性而提取的时间变量。于本申请的一实施例中，所述稀疏系数是通过对输入的所述流场数据集中的所述特征向量信息进行编码得到，并采用渐进式优化方法迭代更新所述稀疏系数。于本申请的一实施例中，所述多尺度字典神经网络中还预设有用于训练所述流场数据集的目标函数，并结合MSE损失函数、梯度损失函数、散度损失函数、及惩罚损失函数，以保证所述合成结果与所述流体速度场近似。于本申请的一实施例中，基于所述高分辨率流体速度场对应的各所述局部速度块之间的合成相互独立，采用高度并行的合成算法以加速合成。于本申请的一实施例中，所述特征向量信息包括：流体速度场、空间位置信息、及时间信息。所述高度并行的合成算法包括：对所述低分辨率流体速度场的进行插值，以使其分辨率达到所述高分辨率流体速度场的分辨率；在所述低分辨率流体速度场上相邻两所述局部速度块之间存在重叠时，依次选取各所述局部速度块，行记录相应位置；对选取各所述局部速度块加入当前所述局部速度块的空间位置信息、及时间信息，作为所述多尺度字典神经网络的输入；并行把所述多尺度字典神经网络的相关参数作用于每个网络输入上，得到所述高分辨率流体速度场的分辨率对应的所述局部速度块；依据记录的所述位置，将得到的所述高分辨率流体速度场的分辨率对应的所述局部速度块存到相应所述位置；对于相邻两所述局部速度块之间边界可能出现的不连续现象，通过高斯卷积滤波进行消除。为实现上述目的及其他相关目的，本申请提供一种电子装置，所述装置包括：第一处理模块，用于获取一流体模型对应的包含不同分辨率的流体速度场数据，据以分别采集高分辨率流体速度场与低分辨率流体速度场上对应的一或多个局部速度块的特征向量信息并形成流场数据集；第二处理模块，用于将所述流场数据集作为预设多尺度字典神经网络的输入，并引入稀疏系数和流体高频成分字典以得到合成所述高分辨率流体速度场所需的流体细节信息；依据所述低分辨率流体速度场对应的各所述局部速度块，并结合所述流体细节信息以合成所述高分辨率流体速度场。。为实现上述目的及其他相关目的，本申请提供一种计算机系统，所述设备包括：存储器、及处理器；所述存储器用于存储计算机指令；所述处理器运行计算机指令实现如上所述的方法。为实现上述目的及其他相关目的，本申请提供一种非暂时的计算机可读存储介质，存储有计算机指令，所述计算机指令被运行时执行如上所述的方法。综上所述，本申请的一种基于机器学习的流体快速合成方法、装置、系统和介质，通过获取一流体模型对应的包含不同分辨率的流体速度场数据，据以分别采集高分辨率流体速度场与低分辨率流体速度场上对应的一或多个局部速度块的特征向量信息并形成流场数据集；将所述流场数据集作为预设多尺度字典神经网络的输入，并引入稀疏系数和流体高频成分字典以得到合成所述高分辨率流体速度场所需的流体细节信息；依据所述低分辨率流体速度场对应的各所述局部速度块，并结合所述流体细节信息以合成所述高分辨率流体速度场。具有以下有益效果：1)基于字典学习神经网络，通过数据驱动的方式得到流体高频成分字典以及网络参数，需要空间资源非常小。2)能够在有限的计算资源情况下，快速的合成大规模场景流体的细节部分和重要空间结构信息，可以处理流场中包含几何边界的情况，具备一定的泛化能力。3)能够对高分辨率时变流场数据进行压缩，达到几百倍的压缩比，对于高分辨率时变流场数据的存储有着重要意义。4)能够实现，动态的交互式流场可视化，基于GPU的并行实现解压并且快速渲染。附图说明图1显示为本申请于一实施例中的低分辨率和高分辨率的仿真烟雾的结果示意图。图2显示为本申请于一实施例中的基于机器学习的流体快速合成方法的流程示意图。图3显示为本申请于一实施例中的全连接网本文档来自技高网...

【技术保护点】
1.一种基于机器学习的流体快速合成方法，其特征在于，所述方法包括：/n获取一流体模型对应的包含不同分辨率的流体速度场数据，据以分别采集高分辨率流体速度场与低分辨率流体速度场上对应的一或多个局部速度块的特征向量信息并形成流场数据集；/n将所述流场数据集作为预设多尺度字典神经网络的输入，并引入稀疏系数和流体高频成分字典以得到所述高分辨率流体速度场对应的流体细节信息；/n依据所述低分辨率流体速度场对应的各所述局部速度块，并结合所述流体细节信息以合成得到所述高分辨率流体速度场。/n

【技术特征摘要】
1.一种基于机器学习的流体快速合成方法，其特征在于，所述方法包括：
获取一流体模型对应的包含不同分辨率的流体速度场数据，据以分别采集高分辨率流体速度场与低分辨率流体速度场上对应的一或多个局部速度块的特征向量信息并形成流场数据集；
将所述流场数据集作为预设多尺度字典神经网络的输入，并引入稀疏系数和流体高频成分字典以得到所述高分辨率流体速度场对应的流体细节信息；
依据所述低分辨率流体速度场对应的各所述局部速度块，并结合所述流体细节信息以合成得到所述高分辨率流体速度场。


2.根据权利要求1所述的基于机器学习的流体快速合成方法，其特征在于，所述局部速度块的采集方法包括：
将所述低分辨率流体速度场进行插值，以使其分辨率达到所述高分辨率流体速度场的分辨率；
然后在所述高分辨流体速度场和所述低分辨率流体速度场的对应位置上分别进行采集。


3.根据权利要求1所述的基于机器学习的流体快速合成方法，其特征在于，所述特征向量信息包括：速度场信息、空间位置信息、及时间信息；
所述速度场信息是通过高精度数值求解方法仿真得到；
所述空间位置信息是通过摩顿码的二进制编码方式以近似表示所述流体模型的空间结构的位置信息得到；
所述时间信息是基于所述流体模型在模拟过程中随时间变化的特性而提取的时间变量。


4.根据权利要求1所述的基于机器学习的流体快速合成方法，其特征在于，所述稀疏系数是通过对输入的所述流场数据集中的所述特征向量信息进行编码得到，并采用渐进式优化方法迭代更新所述稀疏系数。


5.根据权利要求1所述的基于机器学习的流体快速合成方法，其特征在于，所述多尺度字典神经网络中还预设有用于训练所述流场数据集的目标函数，并结合MSE损失函数、梯度损失函数、散度损失函数、及惩罚损失函数，以保证所述合成结果与所述流体速度场近似。


6.根据权利要求1所述的基于机器学习的流体快速合成方法，其特征在于，基于所述高分辨率...

【专利技术属性】
技术研发人员：刘晓培，柏凯，李伟，
申请(专利权)人：上海科技大学，
类型：发明
国别省市：上海;31