基于物理感知的三维流体逆向建模方法技术

本公开的实施例公开了基于物理感知的三维流体逆向建模方法。该方法的一具体实施方式包括：通过表面速度场卷积神经网络对流体表面高度场序列进行编码，得到t时刻的表面速度场；将上述表面速度场输入至预先训练的三维卷积神经网络中，得到三维流场，其中，上述三维流场包括速度场和压力场；将上述表面速度场输入至预先训练的回归网络中，得到流体参数；将上述三维流场和上述流体参数输入至基于物理的流体仿真器中，得到上述三维流场的时间序列。该实施方式满足了真实流体复现和基于物理的流体重编辑的需要。体重编辑的需要。体重编辑的需要。

【技术实现步骤摘要】
基于物理感知的三维流体逆向建模方法


[0001]本公开的实施例涉及流体逆向建模
，具体涉及基于物理感知的三维流体逆向建模方法。

技术介绍

[0002]随着计算机技术的发展，流体在计算机中的复现变得迫切，如游戏/电影制作和虚拟现实等领域。因此，在近二十年来，它在计算机图形学领域得到了广泛的关注。现代基于物理的流体模拟器能够根据给定的初始状态和物理属性生成生动的流体场景。然而，初始状态往往过于简化，因此很难取得特定的结果。另一个流体复现的解决方案是仿真过程的逆问题——捕捉现实世界中的动态体流场，然后在虚拟环境中复现流体。然而，几十年来，它仍然是一个具有挑战性的问题，因为流体没有静止的形状，在现实世界中有太多的变量需要捕捉。
[0003]在工程领域，人们使用一些复杂的设备和技术来捕获三维场，如同步摄像机、染色液、彩色编码或结构化照明和激光设备等。而在图形学领域，往往是使用更为简便的采集设备获取流体视频或图像，而后基于图形学知识进行体或表面几何重建。这种方法往往不能重建内部流场，或重建的内部流场不够精确，不能应用在物理正确的重仿真上。因此，从简单和未标定的流体表面运动图像中建模三维流场是一项具有挑战性的任务。
[0004]另一方面，目前从捕获的流体中重仿真方法存在一些问题。格雷格森等人通过增加捕获流场的分辨率来进行流体重仿真。对于更加复杂的保证物理正确的场景重编辑，如增加流固耦合、多相流等，由于缺乏流体的物理属性，目前很难实现。其中，流体的物理属性确定成为瓶颈。一种可能的方法是采用书中列出的材料参数或在现实世界中测量的材料参数。然而，一般来说，大多数流体材料的参数值在手边没有，而且测量仪器也不能广泛使用。许多方法通过试错过程手动调整参数，即结合正向物理仿真和反向的参数优化进行迭代，方法十分耗时，在某些情况下超出了实际应用范围。
[0005]随着机器学习等技术的发展，数据驱动渐渐成为了计算机图形学中的热门方法。这一技术的出发点是为了从数据中学习到新的信息以帮助人们在理论模型的基础上进一步理解现实世界，并更精确地将其还原。对于流体领域来说，数据驱动的思路更是意义非凡。因为流体流场存在一定的复杂的分布规则，通过方程很难表达，因此，借助数据驱动和机器学习，学习流体中的特征，从而产生流体效果是现阶段重要且可行的手段之一。
[0006]为了解决上述问题，本专利技术提出了一种基于物理感知的从表面运动到时空流场的流体逆向建模技术。其通过将深度学习与传统物理仿真方法相结合，从可测量的流体表面运动中重建三维流场，从而取代传统的通过复杂设备采集流体的工作。首先通过对表面几何时间序列的时空特征进行编码和解码，用一个两步的卷积神经网络结构实现某一时刻体流场的逆向建模，分别为表面速度场提取和三维流场重建。同时，基于数据驱动方法采用回归网络精准估计流体的物理参数。然后，将重建的流场和估计参数作为初始状态输入到物理模拟器中，实现流场的显式的时间演化。从而得到在视觉上与输入的流体表面运动一致
的流体场景。同时，实现基于估计参数的流体场景重编辑。

技术实现思路

[0007]本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
[0008]本公开的一些实施例提出了基于物理感知的三维流体逆向建模方法、装置、电子设备和计算机可读介质，来解决以上
技术介绍
部分提到的技术问题中的一项或多项。
[0009]第一方面，本公开的一些实施例提供了一种基于物理感知的三维流体逆向建模方法，该方法包括：通过表面速度场卷积神经网络对流体表面高度场序列进行编码，得到t时刻的表面速度场；将上述表面速度场输入至预先训练的三维卷积神经网络中，得到三维流场，其中，上述三维流场包括速度场和压力场；将上述表面速度场输入至预先训练的回归网络中，得到流体参数；将上述三维流场和上述流体参数输入至基于物理的流体仿真器中，得到上述三维流场的时间序列。
[0010]本公开的上述各个实施例具有如下有益效果：首先，通过表面速度场卷积神经网络对流体表面高度场序列进行编码，得到t时刻的表面速度场。接着，将上述表面速度场输入至预先训练的三维卷积神经网络中，得到三维流场。同时，将上述表面速度场输入至预先训练的回归网络中，得到流体参数。最后，将上述三维流场和上述流体参数输入至流体仿真器中，得到上述三维流场的时间序列。由此，克服了现有流体捕获方法设备过于复杂、场景受到限制的问题，提供了一种基于数据驱动的从表面运动到时空流场的流体逆向建模技术，利用设计的深度学习网络从大量数据集中学习流场的分布规律以及流体属性，弥补内部流场数据、流体属性缺乏的问题，同时基于物理仿真器进行时间推演，满足了真实流体复现和基于物理的流体重编辑的需要。
[0011]本公开的原理在于：第一，本专利技术利用数据驱动的方法即设计一个两阶段的卷积神经网络，来学习数据集中的流场的分布规律。从而能够对输入的表面几何时间序列进行逆向建模，推断出三维的流场数据。进而能够解决单一场景的流体表面数据提供信息不充足的问题。并且网络训练过程应用的综合损失函数中，基于像素点对流场进行约束、基于块对流场空间连续性进行约束、基于连续帧对流场时间维连续性进行约束、基于参数估计网络对物理性质进行约束，保证了生成流场的准确性。第二，参数估计步骤同样采用数据驱动的方式，利用一个回归网络从大量数据中学习规律，使网络能感知流体的隐藏物理因素，进而能够快速准确地估计出参数。第三，应用传统的物理仿真器，能够利用重建的三维流场和估计的参数，从而实现流场的显式时间维度推演。同时，由于物理属性被显式地提出，使得本专利技术能够在保证物理正确的前提下，对重现的场景进行重编辑。
[0012]本公开与现有技术相比的优点在于：
[0013]第一，与现有的基于光学特性等采集流场的方法相比，本公开提出的从表面运动逆向建模三维流体的方式，避免了复杂的流场采集设备，减小了实验难度。且网络一旦训练完成，应用速度快，精度高，提高了实验效率。
[0014]第二，与现有的基于数据驱动的流体重仿真方法相比，本公开因估计出了流体的属性参数，能够实现物理指导下的场景重编辑，应用更加广泛。
[0015]第三，与现有的流体参数估计方法相比，本专利技术省去了正向仿真和反向优化的复杂迭代过程，能够快速精准的识别出流体的物理参数。
附图说明
[0016]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
[0017]图1是根据本公开的一些实施例的基于物理感知的三维流体逆向建模方法的一些实施例的流程图；
[0018]图2回归网络结构示意图；
[0019]图3表面速度场卷积神经网络及附属网络结构示意图；
[0020]图4表面速度场卷积神本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物理感知的三维流体逆向建模方法，包括：通过表面速度场卷积神经网络对流体表面高度场序列进行编码，得到t时刻的表面速度场；将所述表面速度场输入至预先训练的三维卷积神经网络中，得到三维流场，其中，所述三维流场包括速度场和压力场；将所述表面速度场输入至预先训练的回归网络中，得到流体参数；将所述三维流场和所述流体参数输入至基于物理的流体仿真器中，得到所述三维流场的时间序列。2.根据权利要求1所述的方法，其中，所述表面速度场卷积神经网络包括卷积模块组和一个点乘掩膜运算模块，所述卷积模块组所包括的卷积模块的数量为八个，所述卷积模块组中的前7个卷积模块为2DConv
‑
BatchNorm
‑
ReLU结构，所述卷积模块组中的最后一个卷积模块采用2DConv
‑
tanh结构；以及所述通过表面速度场卷积神经网络对流体表面高度场序列进行编码，得到t时刻的表面速度场，包括：将所述流体表面高度场序列输入至所述表面速度场卷积神经网络，得到t时刻的表面速度场。3.根据权利要求1所述的方法，其中，所述表面速度场卷积神经网络是训练过程中通过采用综合损失函数训练得到的网络，其中，所述综合损失函数是通过以下步骤生成的：利用基于L1范数的像素级损失函数、基于判别器的空间连续性损失函数、基于判别器的时间连续性损失函数和基于所述回归网络的约束物理性质的损失函数，生成所述综合损失函数：L(f
conv1
，D
s
，D
t
)＝δ
×
L
pixel
+α
×
L
Ds
+β
×
L
Dt
+γ
×
L
v
，其中，L(f
conv1
，D
s
，D
t
)表示所述综合损失函数，δ表示所述基于L1范数的像素级损失函数的权重值，L

【专利技术属性】
技术研发人员：高阳，谢雪光，侯飞，郝爱民，赵沁平，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：