一种用于流场预测的加速方法及装置制造方法及图纸

本发明专利技术实施例公开了一种用于流场预测的加速方法及装置，涉及流体力学研究中的流场预测领域，能够针对高阶DG数值格式的流场预测过程进行智能加速。本发明专利技术包括：CFD服务器接收客户端发送的初始流场条件数据；建立针对流场的计算框架，并利用所述计算框架获取训练数据；按照计算网格中各个单元的空间相邻关系，排列所述训练数据，然后按照所述计算框架生成数据的先后顺序关系构造训练样本集；通过所述训练样本集对神经网络进行训练，直至预测精度达到工程应用要求；根据当前的流场条件数据生成预测样本集，并输入训练完成的神经网络，得到所述训练完成的神经网络输出的预测结果。述训练完成的神经网络输出的预测结果。述训练完成的神经网络输出的预测结果。

【技术实现步骤摘要】
一种用于流场预测的加速方法及装置


[0001]本专利技术涉及流体力学研究中的流场预测领域，尤其涉及一种用于流场预测的加速方法及装置。

技术介绍

[0002]近三十年来，随着计算能力和数学算法的发展和进步，CFD(Computational Fluid Dynamics，计算流体动力学)技术取得了长足的进步，基于数值模拟技术的设计和优化也日益普及，然而非定常流场的高精度求解计算过程极其耗时，是一个亟待解决的问题。
[0003]高阶间断伽辽金方法(High
‑
order Discontinuous Galerkin，DG)可以在任意几何形状的单元获得高阶的精度，被认为是解决这一问题最有前途的技术之一。但是该方法增加了单元内部插值函数的阶数，也提高了单个单元的实际计算量和存储量。虽然总体而言得到同等精度数值结果的情况下高阶间断伽辽金所需的未知数自由度较有限体积法要少得多，但长时间的非定常计算量仍然很大。
[0004]因此，如何针对高阶DG数值格式的流场预测过程进行智能加速，成为了需要研究的问题。

技术实现思路

[0005]本专利技术的实施例提供一种用于流场预测的加速方法及装置，能够针对高阶DG数值格式的流场预测过程进行智能加速。
[0006]为达到上述目的，本专利技术的实施例采用如下技术方案：
[0007]第一方面，本专利技术的实施例提供的方法，包括：
[0008]S1、CFD服务器接收客户端发送的初始流场条件数据，所述流场条件数据至少包括：在初始时刻的流场的来流攻角、来流马赫数和雷诺数；
[0009]S2、建立针对流场的计算框架，并利用所述计算框架获取训练数据，所述训练数据包括：按照时间划分的流场信息和对应于所述流场信息的高阶表达系数；
[0010]S3、按照计算网格中各个单元的空间相邻关系，排列所述训练数据，然后按照所述计算框架生成数据的先后顺序关系构造训练样本集；
[0011]S4、通过所述训练样本集对神经网络进行训练，直至预测精度达到工程应用要求；
[0012]S5、根据当前的流场条件数据生成预测样本集，并输入训练完成的神经网络，得到所述训练完成的神经网络输出的预测结果。
[0013]第二方面，本专利技术的实施例提供的装置，包括：
[0014]接收模块，用于接收客户端发送的初始流场条件数据，所述流场条件数据至少包括：在初始时刻的流场的来流攻角、来流马赫数和雷诺数；
[0015]计算准备模块，用于建立针对流场的计算框架，并利用所述计算框架获取训练数据，所述训练数据包括：按照时间划分的流场信息和对应于所述流场信息的高阶表达系数；
[0016]预处理模块，用于按照计算网格中各个单元的空间相邻关系，排列所述训练数据，
然后按照所述计算框架生成数据的先后顺序关系构造训练样本集；
[0017]训练模块，用于通过所述训练样本集对神经网络进行训练，直至预测精度达到工程应用要求；
[0018]预测模块，用于根据当前的流场条件数据生成预测样本集，并输入训练完成的神经网络，得到所述训练完成的神经网络输出的预测结果。
[0019]本专利技术实施例提供的用于流场预测的加速方法及装置，用户可以在客户端自行输入流场工况信息。CFD服务器经过初始化操作之后构造计算框架(可压缩或不可压缩)，利用高阶DG算法进行数值模拟并根据计算网格及其相邻关系构建用于训练的总体训练样本集。在GPU算力平台训练混合神经网络获取流场预测模型，并进行预测精度验证，若精度未达到工程应用要求则进行模型调整或重训练，将最终确定的网络返回到CFD服务器，可以通过对该网络进行调用来达到提高计算效率的目的。将满足工程应用精度要求的智能加速结果返回到客户端可视化界面。本专利技术适用于快速准确获取非定常流场这一工业应用场景。
附图说明
[0020]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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它的附图。
[0021]图1为本专利技术实施例提供的总体逻辑框架的示意图；
[0022]图2为具体实施例中针对高阶DG数值格式的非定常流场预测建模的总体流程图；
[0023]图3为具体实施例中计算网格示意图；
[0024]图4为具体实施例中网格相邻关系示意图；
[0025]图5为具体实施例中深度神经网络的整体结构图；
[0026]图6为具体实施例中的三维卷积模块结构；
[0027]图7为具体实施例中的残差网络模块结构；
[0028]图8为具体实施例中的注意力机制模块结构；
[0029]图9为具体实施例中计算网格中两个指定观测点所处位置；
[0030]图10为具体实施例中变量u在点P1和P2处的相对误差曲线；
[0031]图11为具体实施例中变量v在点P1和P2处的相对误差曲线；
[0032]图12为具体实施例中变量p在点P1和P2处的相对误差曲线，从图10～12中可以看出纵坐标MAPE的指标控制在0.2％之下；
[0033]图13为本专利技术实施例提供的方法流程的示意图；
[0034]图14为本专利技术实施例提供的装置结构的示意图。
具体实施方式
[0035]为使本领域技术人员更好地理解本专利技术的技术方案，下面结合附图和具体实施方式对本专利技术作进一步详细描述。下文中将详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能
解释为对本专利技术的限制。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0036]传统的计算流体力学方法包括有限单元法、有限差分法、有限体积法。但是，对于一些复杂流动问题，例如湍流、激波、气动噪声问题等，需要对不同尺度的涡流本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于流场预测的加速方法，其特征在于，包括：S1、CFD服务器接收客户端发送的初始流场条件数据，所述流场条件数据至少包括：在初始时刻的流场的来流攻角、来流马赫数和雷诺数；S2、建立针对流场的计算框架，并利用所述计算框架获取训练数据，所述训练数据包括：按照时间划分的流场信息和对应于所述流场信息的高阶表达系数；S3、按照计算网格中各个单元的空间相邻关系，排列所述训练数据，然后按照所述计算框架生成数据的先后顺序关系构造训练样本集；S4、通过所述训练样本集对神经网络进行训练，直至预测精度达到工程应用要求；S5、根据当前的流场条件数据生成预测样本集，并输入训练完成的神经网络，得到所述训练完成的神经网络输出的预测结果。2.根据权利要求1所述的方法，其特征在于，在利用所述计算框架获取训练数据的过程中，包括：采用隐式大涡模拟的方式，对所述计算框架中的控制方程进行数值模拟；利用间断伽辽金法对所述计算框架进行空间离散，之后通过隐式时间离散对所述计算框架进行非定常时间推进，并进一步获取所述高阶表达系数，其中，在单个时间步内采用牛顿法进行迭代计算。3.根据权利要求2所述的方法，其特征在于，所述控制方程包括：其中，U表示守恒变量，t表示时间变量，F
c
(U)表示无黏通量，u和v表示速度的正交分量，代表黏性通量；二维情况下守恒变量U为：其中，ρ表示流场中某点处的压强，u和v表示速度的正交分量，E表示单位总能。4.根据权利要求3所述的方法，其特征在于，所述利用间断伽辽金法对所述计算框架进行空间离散，包括：利用间断伽辽金法对所述计算框架进行空间离散，得到的离散形式为：利用间断伽辽金法对所述计算框架进行空间离散，得到的离散形式为：0≤j≤n，φ
j
为基函数，为引入的辅助变量，边界积分部分引入的辅助数值通量，Ω
e
表示单元，表示单元Ω
e
的边界，n表示单元边界的外法矢，U
h
表示守恒变量，是黏性数值通量j表示基函数的下标，Θ
‑
和Θ
+
分别表示交界面左单元和右单元的变量值，F表示扩散项在单元内部的积分，Θ
h
表示辅助变量，σ表
示计算区域边界，表示变量值，表示扩散项在单元边界的积分；由所述离散形式得到所述计算框架的离散系统为：其中，M是全局的质量矩阵，u＝[u1,u2,...,u
k
,...,u
Nele
]
T
是全局自由度矢量，u
k
代表单元k的自由度，u
k
＝[u
1,1
,u
1,2
,
…
,u
1,Nd
,
…
,u
k,1
,
…
,u
k,Nd
,
…
,u
Ne,1
,
…
,u
Ne,Nd...

【专利技术属性】
技术研发人员：刘学军，丁子元，吕宏强，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：