基于LSTM神经网络的IISPH流体仿真计算方法技术

本发明专利技术提供了一种基于LSTM神经网络的IISPH流体仿真计算方法，属于IISPH流体仿真计算技术领域。本发明专利技术采用基于IISPH方法中某一帧前后的每个粒子的属性构造训练数据集，数据集包括粒子及周边光滑核半径内粒子群的位置、密度、中间密度和输入压强，以此数据集训练LSTM神经网络，利用训练后的模型用于IISPH框架中，替换原有压力加速度求解的模块，作为新的数据驱动，从而计算粒子下一帧的速度与位置。本发明专利技术在保证流体的不可压缩性计算结果的高精度情况下，能够有效解决现有方法中压力加速度求解效率低下的问题。速度求解效率低下的问题。速度求解效率低下的问题。

【技术实现步骤摘要】
基于LSTM神经网络的IISPH流体仿真计算方法


[0001]本专利技术属于IISPH流体仿真计算
，尤其涉及一种基于LSTM神经网络的IISPH流体仿真计算方法。

技术介绍

[0002]流体仿真一直以来是计算机图形学中的热门研究课题，如何真实、高效地进行流体效果的仿真计算，基于物理模型的仿真方法被大量提出。其中，国内外基本采用的方法是基于网格的欧拉方法和非网格拉格朗日方法，相比于欧拉法，拉格朗日法再流体细节的处理上更具有优势，因此被广泛使用。
[0003]光滑粒子流体动力学(SPH,Smoothed Particle Hydrodynamics)，是拉格朗日方法中应用最广泛的一种流体仿真方法，由于SPH方法存在多处不足，因此出现了很多改进方法。微可压SPH方法(Weakly Compressible SPH，WCSPH)，很好地解决了传统SPH方法的不可压缩性问题，但需要较小的时间步长来维持模拟的稳定性。预测校正SPH方法(Predictive Corrective Incompressible SPH，PCISPH)，相比于W本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM神经网络的IISPH流体仿真计算方法，其特征在于，包括以下步骤：S1、定义粒子场景文件，并利用IISPH流体仿真方法输出某一帧流体中粒子的属性值；S2、利用粒子属性值构建训练集；S3、搭建LSTM神经网络回归模型，并利用训练集学习流体仿真，对LSTM神经网络回归模型进行训练；S4、利用训练好的LSTM神经网络回归模型替换原有粒子压力加速度的求解模块，并计算粒子下一帧的速度与位置，以进行连续的流体仿真。2.根据权利要求1所述的基于LSTM神经网络的IISPH流体仿真计算方法，其特征在于，所述步骤S2包括以下步骤：S201、设光滑核半径内领域粒子数目的最大阈值，并将数目不足的位置补0，以使粒子各属性值构造为一个长度固定的特征向量；S202、利用所述特征向量构建训练集。3.根据权利要求2所述的基于LSTM神经网络的IISPH流体仿真计算方法，其特征在于，所述特征向量的表达式为：其中，β
i
表示在处的特征向量，x
i
表示粒子i的位置，x
j
表示粒子j的位置，表示粒子i的输入压强，表示粒子j的...

【专利技术属性】
技术研发人员：顾鲍超，甘建红，苏锋，王胤，赵志勇，袁学斌，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：