【技术实现步骤摘要】
流场信息获取方法、模型训练方法、装置及电子设备
[0001]本申请涉及计算机
，尤其涉及深度学习等人工智能领域、自动驾驶领域及科学计算领域，特别涉及一种流场信息获取方法、模型训练方法、装置、电子设备和计算机可读存储介质。
技术介绍
[0002]当代社会对传统工业如汽车、飞机需求越来越大。相关技术中，在解决流体力学问题时通常采用有限差分、有限体积或有限元等方法进行计算，比如对特定的控制方程(通常形式为偏微分方程)进行离散并使用直接数值方法求解。但是由于这种技术方法计算量大，且对计算精度要求较高，因此需要花费大量的计算时间及算力，通常需要使用超级计算机来进行计算，在消耗大量计算成本的同时，无法很好的满足对实时性有要求的应用场景，例如固定翼无人机飞行控制及无人车驾驶等。
技术实现思路
[0003]本申请提供了一种流场信息获取方法、模型训练方法、装置、电子设备以及存储介质。
[0004]根据本申请的第一方面，提供了一种流场信息获取方法，包括：确定流体力学的边界条件；获取当前时刻的流场信息；将所述边界条件...
【技术保护点】
【技术特征摘要】
1.一种流场信息获取方法，包括：确定流体力学的边界条件；获取当前时刻的流场信息；将所述边界条件和所述当前时刻的流场信息输入至预先训练的基于物理信息的神经网络PINN模型中，获得下一时刻流场信息；其中，所述PINN模型中所使用的非线性偏微分方程组是基于大涡模拟LES和雷诺平均纳维－斯托克斯方程RANS而得到的方程组。2.根据权利要求1所述的方法，其中，所述PINN模型包括转换Transformer神经网络和非线性偏微分方程组和损失函数；所述将所述边界条件和所述当前时刻的流场信息输入至预先训练的基于物理信息的神经网络PINN模型中，获得下一时刻流场信息，包括：将所述边界条件和所述当前时刻的流场信息输入至所述PINN模型中，获得所述Transformer神经网络的输出结果；根据所述输出结果和所述非线性偏微分方程组，获得偏微分方程组残差和初边值残差约束；采用所述损失函数，根据所述偏微分方程组残差和初边值残差约束作计算损失值；根据所述损失值获得偏微分方程组物理参数，并根据所述偏微分方程组物理参数和所述非线性偏微分方程组，获得下一时刻流场信息。3.根据权利要求2所述的方法，其中，所述损失函数定义为加权求和的范数方程和所述边界条件的残差，由纳维Navier
‑
斯托克斯Stokes方程组、所述边界条件及计算流体动力学数据加权组成。4.根据权利要求1所述的方法，其中，所述非线性偏微分方程组的公式表示如下：连续性方程:动量方程:温度方程:其中，p为压力，T为温度，κ为导热系数，ρ0为初始温度下的密度，v为动力粘度，f为重力造成的体积力，为梯度算子，t为时间；非线性偏微分方程组的方程解为w(x)。5.根据权利要求1所述的方法，其中，所述PINN模型通过以下步骤预先训练：采用格子波尔兹曼法计算二维不可压缩流体的流场，得到所述二维不可压缩流体在目标时间段内的速度数据；将所述速度数据作为训练数据，并根据所述训练数据对所述PINN模型进行训练。6.一种基于物理信息的神经网络PINN模型的训练方法，所述PINN模型用于实现流场信息的计算，所述训练方法包括：基于大涡模拟LES和雷诺平均对纳维－斯托克斯方程RANS进行优化，得到所述PINN模型的非线性偏微分方程组；基于Navier－Stokes方程组，构建所述PINN模型的损失函数；将转换Transformer神经网络、所述非线性偏微分方程组和所述损失函数结合，得到所述PINN模型；
采用格子波尔兹曼法计算二维不可压缩流体的流程，得到所述二维不可压缩流体在目标时间段内的速度数据；将所述速度数据作为训练数据，并根据所述训练数据对所述PINN模型进行训练。7.一种流场信息获取装置，包括：第一处理模块，用于确定流体力学的边界条件；获取模块，用于获取当前时刻的流场信息；第二处理模块，用于将所述边界条件和所述当前时刻的流场信息输入至预先训练的PINN模型中，获得下一时刻流场信息；其中，所述PINN模型中所使用的非线性偏微分方程组是基于大涡模拟LES和雷诺平均纳维－斯托克斯方程RANS而得到的方程组。8.根据权利要求7...
【专利技术属性】
技术研发人员：郑筠陶，向辉，
申请(专利权)人：北京百度网讯科技有限公司，
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。