【技术实现步骤摘要】
一种基于深度学习的等几何热传导仿真方法
[0001]本专利技术涉及热仿真分析
,具体指一种基于深度学习的等几何热传导仿真方法。
技术介绍
[0002]偏微分方程(PDEs)描述了许多物理现象和自然规律,在科学、工程和经济学等领域都有十分重要的作用。其中,热传导问题是十分重要的一个PDE,工业上有许多以热传导为主的传热过程,如金属材料在铸造、焊接和锻压加热过程中内部的温度分布分析以及高温高压设备的设计计算等。然而我们一般得不到PDEs的解析解,必须借助于有限元分析和等几何分析这些数值方法来进行仿真分析。但是这些方法通常计算复杂度高,计算速度比较慢。
[0003]近些年来,深度学习的发展十分迅速,并且在图像、语音、自然语言处理等各个不同的领域中均展现出了优异的性能。鉴于深度神经网络(DNN)的强大和深度学习的成功应用,人们也逐渐把深度学习应用到科学和工程的其它领域中,比如计算力学,通过借助DNN这一工具,人们大幅度降低了仿真分析的时间。
[0004]然而,在借助DNN进行仿真分析的研究中,大多数工作都只能在规则的矩形域上进行仿真分析。也有一些工作可以在不规则计算域上进行仿真分析,但计算域的复杂程度并不高。这些工作不仅对仿真区域形状的限制很大,而且无法用于实时性比较高的场景中,因为对于每一个新的CAD模型,它们都要重新训练网络模型。因此,亟需开发一种可以在复杂的CAD模型上快速进行热仿真分析的方法。
技术实现思路
[0005]本专利技术的目的是针对现有技术的不足,提供一种基于深度学习的 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的等几何热传导仿真方法,其特征在于,包括如下步骤:步骤(1)数据集的制作1
‑
1制作多个拓扑一致的CAD模型,1
‑
2通过等几何分析库在CAD模型上进行热源恒定的热仿真分析获得等几何分析仿真解,1
‑
3对CAD模型和热传导方程的等几何分析仿真解进行预处理,制作用于训练数据集;步骤(2)提出自定义损失函数并用于训练2
‑
1根据数据集特点,提出系数误差作为损失函数,2
‑
2根据任务特点,提出仿真解的误差作为损失函数,2
‑
3结合系数误差和仿真解的误差作为损失函数用于训练;步骤(3)训练引入ISSA模块增强的UNet3+网络;步骤(4)最优网络模型预测及结果分析。2.根据权利要求1所述的基于深度学习的等几何热传导仿真方法,其特征在于,所述步骤1
‑
3中所述预处理的方法为首先,归一化CAD模型,把CAD模型限制在[0,1]
×
[0,1]范围内,分别找出CAD模型x坐标和y坐标的最小值与最大值,并计算缩放比例,表达式如下:s=1/max(x
max
‑
x
min
,y
max
‑
y
min
),从而得到CAD模型归一化后的坐标,表达式如下:x
n
=(x
‑
x
min
)
×
s,y
n
=(y
‑
y
min
)
×
s得到归一化的CAD模型后,将其转成神经网络所需的输入输出格式,所述神经网络是CNN模型,把CAD模型的控制顶点P
ij
和等几何分析数值解中的系数u
ij
转成矩阵格式,从归一化的CAD模型中提取出控制顶点,然后根据简单映射,通过控制顶点P
ij
的(x
ij
,y
ij
)坐标得到P
ij
在M
×
N矩阵中的下标(r
ij
,c
ij
),得到所有控制顶点在矩阵中...
【专利技术属性】
技术研发人员:ꢀ五一IntClG零六F三零二七,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。