基于深度强化学习的有限元网格优化方法、设备和介质技术

本发明专利技术涉及网格划分领域，具体而言，涉及一种基于深度强化学习的有限元网格优化方法、设备和介质，方法包括：获取几何模型的初始有限元网格数据；根据所述初始有限元网格数据，生成所述几何模型的三维模型；采用检测网络对所述三维模型进行特征识别和分类，得到所述三维模型的局部特征和所述局部特征的分类结果；将不合理的局部特征输入至优化网络，以使调整后有限元网格数据的网格质量达到设定要求；捕捉用户对调整后有限元网格数据的再调整策略，将所述再调整策略作为正向激励对所述优化网络进行强化学习，以更新所述优化网络；并采用更新后的优化网络继续优化所述调整后有限元网格数据，本实施例可以提高网格划分的精度。

【技术实现步骤摘要】
基于深度强化学习的有限元网格优化方法、设备和介质
本专利技术涉及网格划分领域，具体而言，涉及一种基于深度强化学习的有限元网格优化方法、设备和介质。
技术介绍
有限元网格划分常见的方式有几何编码拓扑、图形编码拓扑、相似性启发式拓扑和字符编码拓扑。在主流计算机辅助工程（ComputerAidedEngineering，CAE）仿真软件中，网格划分底层采用的是几何编码拓扑的方式来实现的。CAE是汽车研发过程中非常重要的环节，其中网格划分工作是最为基础、重要的前置工作。网格工作占据了汽车研发仿真50%左右的工作量，同时网格的质量对仿真结果也有较大的影响。因此，如何提高网格划分效率并保证网格质量，是汽车研发仿真领域亟待解决的痛点需求。一直以来，网格划分多采用手动操作，且网格质量取决于工程师的技术经验。目前主流商业软件的BatchMesh功能可以完成网格初步划分，但其所生成的网格也不能完全满足分析计算的要求，且仍有大量工作需要手动操作来优化调整。有鉴于此，特提出本专利技术。
技术实现思路
本专利技术实施例提供一种基于深度强化学习的有限元网格优化方法、设备和介质，以提高网格划分的效率和精度。第一方面，本申请实施例提供了一种基于深度强化学习的有限元网格优化方法，包括：获取几何模型的初始有限元网格数据；根据所述初始有限元网格数据，生成所述几何模型的三维模型；采用检测网络对所述三维模型进行特征识别和分类，得到所述三维模型的局部特征和所述局部特征的分类结果；所述分类结果包括合理和不合理；将不合理的局部特征输入至优化网络，通过所述优化网络按照优化策略对所述局部特征对应的局部有限元网格数据进行调整，以使调整后有限元网格数据的网格质量达到设定要求；其中，所述优化网络通过局部特征样本进行深度学习得到；捕捉用户对调整后有限元网格数据的再调整策略，将所述再调整策略作为正向激励对所述优化网络进行强化学习，以更新所述优化网络；并采用更新后的优化网络继续优化所述调整后有限元网格数据。第二方面，本专利技术实施例还提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一实施例所述的基于深度强化学习的有限元网格优化方法。第三方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的基于深度强化学习的有限元网格优化方法。本实施例通过自主构建三维模型结合深度神经网络检测有限元网格需优化的局部特征、通过优化网络与检测结果的迭代交互优化有限元网格质量，通过深度强化学习微调网格自主学习优化方法，实现基于人工智能的有限元网格质量优化方案，提高了网格优化的质量和效率。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的一种基于深度强化学习的有限元网格优化方法的流程图；图2是本专利技术实施例提供的处理前后的对比图；图3是本专利技术提供的检测网络的结构示意图；图4是本专利技术实施例提供的优化网络的深度学习示意图；图5是本专利技术实施例提供的采用优化网络进行优化的示意图；图6是本专利技术实施例提供的一网格片段的优化过程示意图；图7是本专利技术实施例提供的基于马尔可夫决策过程的示意图；图8是本专利技术实施例提供的仿真业务场景下深度强化学习模型的示意图；图9是本专利技术实施例提供的采用BatchMesh划分前围板网格的示意图；图10是本专利技术实施例提供的按照深度强化学习算法划分前围板网格的示意图；图11是本专利技术实施例提供的采用BatchMesh划分前围板之加强板筋网格的示意图；图12是本专利技术实施例提供的按照深度强化学习算法划分前围板之加强板筋网格的示意图；图13是本专利技术实施例提供的采用BatchMesh划分前围板之凸台网格的示意图；图14是本专利技术实施例提供的按照深度强化学习算法划分前围板之凸台网格的示意图；图15是本专利技术实施例提供的采用BatchMesh划分翻边网格的示意图；图16是本专利技术实施例提供的按照深度强化学习算法划分翻边网格的示意图；图17为本专利技术实施例提供的一种电子设备的结构示意图。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，下面将对本专利技术的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本专利技术所保护的范围。在本专利技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。在本专利技术的描述中，还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。图1是本专利技术实施例提供的一种基于深度强化学习的有限元网格优化方法的流程图，适用于对有限元网格数据进行优化的情况，本实施例由电子设备来执行。该方法包括以下操作：S110、获取几何模型的初始有限元网格数据。将几何模型（例如汽车元件的几何模型）输入至仿真软件CAE中，通过该仿真软件CAE采用几何编码拓扑方法划分网格，得到初始有限元网格数据。CAE基于几何编码拓扑的方式生成有限元网格，没有考虑到几何模型的局部特征，网格精度有限，本方案在此初始有限元网格的基础上进行优化。S120、根据所述初始有限元网格数据，生成所述几何模型的三维模型。本操作的意义在于：后续要采用检测网络进行特征识别和分类操作，然而目前的检测网络仅针对拥有完整的边、顶点和面片描述的三维模型，对信息有限的有限元网格数据则不适用。基于此，为了能更好的抽象局部特征，也为了能在优化阶段更好的编辑和更新有限元网格，根据原始有限元网格数据构建可编辑的三维数据结构。初始有限元网格数据包括各顶点的标识和三维坐标，各顶点所在的面，以及同一面上各顶点的连接顺序。首先定义三本文档来自技高网...

【技术保护点】
1.一种基于深度强化学习的有限元网格优化方法，其特征在于，包括：/n获取几何模型的初始有限元网格数据；/n根据所述初始有限元网格数据，生成所述几何模型的三维模型；/n采用检测网络对所述三维模型进行特征识别和分类，得到所述三维模型的局部特征和所述局部特征的分类结果；所述分类结果包括合理和不合理；/n将不合理的局部特征输入至优化网络，通过所述优化网络按照优化策略对所述局部特征对应的局部有限元网格数据进行调整，以使调整后有限元网格数据的网格质量达到设定要求；其中，所述优化网络通过局部特征样本进行深度学习得到；/n捕捉用户对调整后有限元网格数据的再调整策略，将所述再调整策略作为正向激励对所述优化网络进行强化学习，以更新所述优化网络；并采用更新后的优化网络继续优化所述调整后有限元网格数据。/n

【技术特征摘要】
1.一种基于深度强化学习的有限元网格优化方法，其特征在于，包括：
获取几何模型的初始有限元网格数据；
根据所述初始有限元网格数据，生成所述几何模型的三维模型；
采用检测网络对所述三维模型进行特征识别和分类，得到所述三维模型的局部特征和所述局部特征的分类结果；所述分类结果包括合理和不合理；
将不合理的局部特征输入至优化网络，通过所述优化网络按照优化策略对所述局部特征对应的局部有限元网格数据进行调整，以使调整后有限元网格数据的网格质量达到设定要求；其中，所述优化网络通过局部特征样本进行深度学习得到；
捕捉用户对调整后有限元网格数据的再调整策略，将所述再调整策略作为正向激励对所述优化网络进行强化学习，以更新所述优化网络；并采用更新后的优化网络继续优化所述调整后有限元网格数据。


2.根据权利要求1所述的方法，其特征在于，所述初始有限元网格数据包括各顶点的标识和三维坐标，各顶点所在的面，以及同一面上各顶点的连接顺序；
所述根据所述初始有限元网格数据，生成所述几何模型的三维模型，包括：
根据所述初始有限元网格数据，以半边结构为基础，依次构建所述几何模型的边、顶点和面片；
其中，所述边包括各半边关联的顶点和分享各半边的面片；所述顶点包括顶点的标识、三维坐标、从所述顶点出发的边的集合以及包括所述顶点的面片集合；所述面片包括面片的标识、组成所述面片的顶点集合，以及组成所述面片的边集合。


3.根据权利要求2所述的方法，其特征在于，所述三维模型支持顶点和拓扑结构的添加、修改和删除。


4.根据权利要求1所述的方法，其特征在于，所述检测网络包括PointNet++网络、Geo网络、特征融合网络、权重特征提取网络和分类网络；
所述采用检测网络对所述三维模型进行特征识别和分类，得到所述三维模型的局部特征和所述局部特征的分类结果，包括：
将所述三维模型的三维数据结构分别输入至所述PointNet++网络和Geo网络，得到所述PointNet++网络输出的第一特征和所述Geo网络输出的第二特征；将所述第一特征和所述第二特征连接后输入至特征融合网络，通过所述特征融合网络对连接后的特征进行融合得到第三特征；将初始权重输入至权重特征提取网络，得到权重特征；将所述权重特征和第三特征对应相乘后输入至所述分类网络，得到所述分类网络输出的局部特征和局部特征的分类结果。


5.根据权利要求1所述的方法，其特征在于，所述将不合理的局部特征输入至优化网络，通过所述优化网络按照优化策略对所述局部特征对应的局部有限元网格数据进行调整，以使调整后有限元网格数据的网格质量达到设定要求，包括：
将不合理的局部特征输入至优化网络，基于所述优化网络中的推理机和知识库得到所述局...

【专利技术属性】
技术研发人员：商庆亮，孙宇，
申请(专利权)人：中汽数据天津有限公司，
类型：发明
国别省市：天津;12