基于深度学习的流体力学求解方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的流体力学求解方法及装置，该方法包括：获取待求解流体力学问题的已知量，以及将已知量进行去物理化得到模型输入量；将模型输入量输入预先训练的通用深度学习模型，以得到输出量；通用深度学习模型由待求解流体力学问题对应的去物理化训练样本训练得到，去物理化训练样本包括去物理化的输入量及与输入量对应的输出量，输出量由输入量输入预设的计算流体力学算法计算得到，输入量在预设有限空间内随机采样得到；将输出量进行物理化得到求解结果。本发明专利技术实施例可以快速应用于大型程序求解中，降低由于新算法更迭带来的学习、移植和优化成本，提高基于GPU的并行效率。于GPU的并行效率。于GPU的并行效率。

【技术实现步骤摘要】
基于深度学习的流体力学求解方法及装置


[0001]本专利技术涉及计算流体力学
，具体而言，涉及一种基于深度学习的流体力学求解方法及装置。

技术介绍

[0002]随着计算流体力学(Computational Fluid Dynamics，CFD)和高性能计算机的发展，数值模拟已成为飞行器、高铁和汽车设计等众多工业和民用领域的重要工具。高精度、高效的数值方法作为数值模拟的核心一直是CFD领域发展的关键。现有高速可压流体力学求解方法主要包含时间推进算法、空间重构算法和分裂算法(或黎曼求解器)等部分。其中以空间重构算法和分裂算法最为复杂，通常为非线性格式。
[0003]目前传统算法发展和应用流程通常包括以下过程：1.算法专家设计、提出新算法；2.简单测试通过；3.程序人员学习新算法；4.程序人员将新算法融入大型程序以及优化；5.运行大型程序对复杂问题求解。为了让数值格式达到更好的精度、分辨率，或者为了让数值格式满足某种特殊的性质(例如保正性)，新发展的算法通常具有较高的复杂度，且不同的同类算法间也存在很大差异，因此在算法应用中存在较大的学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的流体力学求解方法，其特征在于，应用于计算流体力学求解系统，所述计算流体力学求解系统包括预先训练的通用深度学习模型，所述方法包括：获取待求解流体力学问题的已知量，以及将所述已知量进行去物理化得到模型输入量；将所述模型输入量输入所述预先训练的通用深度学习模型，以得到输出量；所述通用深度学习模型由所述待求解流体力学问题对应的去物理化训练样本训练得到，所述去物理化训练样本包括去物理化的输入量及与所述输入量对应的输出量，所述输出量由所述输入量输入预设的计算流体力学算法计算得到，所述输入量在预设有限空间内随机采样得到；将所述输出量进行物理化得到求解结果。2.根据权利要求1所述的方法，其特征在于，所述通用深度学习模型的训练过程包括：将所述预设的计算流体力学算法抽象为函数表达式，所述函数表达式的因变量为所述输出量，自变量为所述输入量；在所述预设优先空间中随机采样得到所述输入量；将所述输入量输入所述函数表达式得到所述输出量；多组对应的所述输入量与所述输出量构成所述去物理化训练样本。3.根据权利要求2所述的方法，其特征在于，所述训练过程还包括：基于所述去物理化训练样本训练通用深度学习模型，至满足预设收敛条件得到训练后的通用深度学习模型；将所述训练后的通用深度学习模型移植入所述计算流体力学求解系统，以替代基于原有的计算流体力学算法训练得到的通用深度学习模型。4.根据权利要求2所述的方法，其特征在于，所述函数表达式如下：f(g(A
′
))＝g(B
′
)其中，A
′
为输入量A的去物理化量，B
′
为输出量B的去物理化量,g()为物理化过程算子。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述去物理化包括数据无量纲化和归一化。6.根据权利要求4所述的方法，其特征...

【专利技术属性】
技术研发人员：刘利，勇珩，刘升平，谢辉，于腾超，刘鲁峰，肖梦娟，胡泽汐，上官丹骅，胡泽华，郭海瑞，
申请(专利权)人：北京应用物理与计算数学研究所，
类型：发明
国别省市：