一种三维网格模型的降维方法、电子设备和介质技术

本发明专利技术提出了一种三维网格模型的降维方法、电子设备及介质，所述降维方法将三维网格模型的仿真结果数据提取到矩阵中，再映射成图像，通过像素调节参与计算的数据量，再基于颜色梯度变化筛选出降维区域和非降维区域，有效避免了网格节点数据计算时由于维度巨大造成求解困难，耗时长的难题；所述降维方法通过神经网络算法实现降维区域的网格模型降维以及非降维区域的节点信息预测，实现三维网格模型高精度降维，得到完整网格节点信息，达到快速仿真，实现对实体设备运行状态的实时诊断。实现对实体设备运行状态的实时诊断。实现对实体设备运行状态的实时诊断。

【技术实现步骤摘要】
一种三维网格模型的降维方法、电子设备和介质


[0001]本专利技术涉及农业机械
，具体涉及一种三维网格模型的降维方法、电子设备和介质。

技术介绍

[0002]仿真技术可以帮助设计人员提供设计依据和指导，仿真模型大多为网格模型，包含结构、流体、电磁等领域，现有网格模型计算主要依赖有限元仿真软件如ABAQUS、ANSYS、FLUENT、STARCCM+等软件进行求解计算，对于一些复杂模型，为了保证计算精度，往往需要划分几十甚至几百万的网格，当进行网格模型求解时往往采用多核心并行仿真的方式进行求解，不仅需要消耗大量CPU资源，耗时也很长。
[0003]网格模型的种类有三种，分别为一维、二维和三维。一维和二维网格模型由于模型简单，计算速度较快不需要降维。在一个常规的仿真计算中，三维网格模型的网格数量通常可以打到十万，甚至百万、千万级，更多的网格数量往往可以有效提高模型的计算精度，但同时也需要耗费大量的计算资源。网格模型的常规计算方式依赖于有限元分析软件，需要耗费大量的时间，同时其数据本身的特点为输入少，输出维度巨大。当使用传统机器学习算法进行代理模型降维时会发生维度灾难，代理模型难以构建。
[0004]现有技术中，数字孪生模型构建方法采用主成分分析法实现数据维度降低，缺点是，一方面是没有具体的物理意义，二是数据复原时会出现数据丢失，无法做到100％数据还原；另一方面是该类算法适用于输入数据存在相关性，当输入数据完全正交或者互不相关时将不适用。现有的模型降维计算方法采用并行仿真的方式提高仿真效率，缺点是，需要耗费大量计算资源才能完成求解计算。快速重分析方法将模型中不参与计算网格先排除在外，可以缩小仿真求解范围，缺点是，模型的初始矩阵维度巨大，如果不对处理数据的维度进行限制，简单的数据处理仍需耗费大量运行内存，同时缩小范围后的网格模型求解速度仍响应不了设计人员对方案变更后进行变更后快速评估的需求。
[0005]综上所述，急需一种更好地响应设计需求变更、及时评估涉及方案的用于三维网格模型的降维方法以解决现有技术中存在的问题。

技术实现思路

[0006]本专利技术目的在于提供一种三维网格模型的降维方法、电子设备和介质，具体技术方案如下：
[0007]一种三维网格模型的降维方法，具体步骤如下：
[0008]步骤S1：三维网格模型仿真，具体是，对三维网格模型进行有限元分析得到每个网格节点的空间坐标以及节点信息，基于空间坐标以及节点信息对所述三维网格模型进行多次仿真，得到仿真结果数据，所述仿真结果数据以矩阵的形式保存为矩阵A，所述仿真结果数据包括节点最大值、节点空间坐标信息、节点应力值以及节点应变值；
[0009]步骤S2：划分降维区域，具体是，将步骤S1中的矩阵A的节点赋予颜色并建立节点
三维图，仿真结果数据中的应力值越大则颜色越深，反之则越浅，将节点三维图转化为红
‑
绿
‑
蓝数值表，基于色差变化将节点三维图中色差发生变化的区域划分为降维区域，将所述降维区域中的节点重新构建矩阵，保存为矩阵B，将降维区域外的节点重新构建矩阵，保存为矩阵C；
[0010]步骤S3：降维处理得到降维模型，具体是，通过神经网络算法建立训练网络，将仿真边界条件作为输入参数，步骤S2中的矩阵B的节点空间坐标信息、节点应力值以及节点应变值作为输出参数，对矩阵B进行降维处理得到降维模型。
[0011]具体的，在步骤S1中，所述节点信息包括受力工况范围，所述三维网格模型在受力工况范围内选取至少两种受力工况进行仿真计算，所述受力工况包括最大受力工况以及最小受力工况。
[0012]具体的，在步骤S2中，对矩阵A中的节点赋予颜色的具体步骤如下：
[0013]建立颜色区间，将区间等分为N个小区间并将不同区间赋予不同的颜色，N的取值为3
‑
50；对节点的节点应力值进行归一化处理，根据节点应力值将节点与颜色区间进行逐一映射，得到节点三维图。
[0014]具体的，所述颜色区间的范围为[0，1]。
[0015]具体的，在步骤S2中，颜色的数值均采用0到256进行表示，所述数值中任意一个数值变化超过K时则认为色差发生变化，所述K的取值范围为0到50。
[0016]具体的，在步骤S3中，所述神经网络算法结构包括输入层、输出层、隐藏层和导出层，所述输入层用于写入输入参数，输出层用于浮现输出参数，所述隐藏层用于计算降维模型，所述导出层用于保存降维模型。
[0017]具体的，在步骤S3中，所述隐藏层的参数设置如下：隐藏层层数设置为5
‑
100，激活函数为sigmoid或者tanh函数，验证数据和测试数据选择总数据量的5
‑
30％，迭代轮次为100
‑
10000。
[0018]另外，本专利技术还提出了一种电子设备，包括：
[0019]存储器，用于存储计算机程序；
[0020]处理器，用于执行所述计算机程序时实现如上述的降维方法。
[0021]另外，本专利技术还提出了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的降维方法。
[0022]应用本专利技术的技术方案，具有以下有益效果：
[0023]本专利技术的降维方法可以对任意网格模型进行数据矩阵化处理，适用于多领域网格模型，减少仿真结果文件容量。
[0024]本专利技术的降维方法通过图像分析划分降维区域，利用像素调节最大计算量，大幅减少数据运算量。
[0025]本专利技术的降维方法通过神经网络算法实现降维区域的网格模型降维区域和非降维区域节点信息预测，同时可实现仿真结果快速计算，实现快速仿真技术。
[0026]除了上面所描述的目的、特征和优点之外，本专利技术还有其它的目的、特征和优点。下面将参照图，对本专利技术作进一步详细的说明。
附图说明
[0027]构成本申请的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0028]图1是降维方法的步骤流程图；
[0029]图2是三维网格模型示意图；
[0030]图3是节点三维图的坐标系示意图；
[0031]图4是彩图(采用灰度图示意)选取示意图；
[0032]图5是图3的剔除无色差变化区域的坐标系示意图；
[0033]图6是神经网络算法结构示意图。
具体实施方式
[0034]以下结合附图对本专利技术的实施例进行详细说明，但是本专利技术可以根据权利要求限定和覆盖的多种不同方式实施。
[0035]实施例1：
[0036]为了解决仿真模型运行速度慢，结果文件大且不易保存，无法快速响应设计变更评估需求的技术难题，如图1所示，本实施例公开了一种三维网格模型的降维方法，本实施例优选的三维网格模型如图2所示，需要说明的是，降维模型为黑盒模型，所述降维方法的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种三维网格模型的降维方法，其特征在于，具体步骤如下：步骤S1：三维网格模型仿真，具体是，对三维网格模型进行有限元分析得到每个网格节点的空间坐标以及节点信息，基于空间坐标以及节点信息对所述三维网格模型进行多次仿真，得到仿真结果数据，所述仿真结果数据以矩阵的形式保存为矩阵A，所述仿真结果数据包括节点最大值、节点空间坐标信息、节点应力值以及节点应变值；步骤S2：划分降维区域，具体是，将步骤S1中的矩阵A的节点赋予颜色并建立节点三维图，基于色差变化将节点三维图中色差发生变化的区域划分为降维区域和非降维区域，将所述降维区域中的节点重新构建矩阵，保存为矩阵B，将非降维区域的节点重新构建矩阵，保存为矩阵C；步骤S3：降维处理得到降维模型，具体是，通过神经网络算法建立训练网络，将仿真边界条件作为输入参数，步骤S2中的矩阵B的节点空间坐标信息、节点应力值以及节点应变值作为输出参数，对矩阵B进行降维处理得到降维模型。2.根据权利要求1所述的降维方法，其特征在于，在步骤S1中，所述节点信息包括受力工况范围，所述三维网格模型在受力工况范围内选取至少两种受力工况进行仿真计算，所述受力工况包括最大受力工况以及最小受力工况。3.根据权利要求1所述的降维方法，其特征在于，在步骤S2中，对矩阵A中的节点赋予颜色的具体步骤如下：建立颜色区间，对每个节点赋予初始颜色，将区间等分为N个小区间并将不同区间赋予不同的颜色，N的取值为3...

【专利技术属性】
技术研发人员：刘飞香，廖金军，赵贵生，蒋海华，王永胜，凡遵金，胡冕，
申请(专利权)人：中国铁建重工集团股份有限公司，
类型：发明
国别省市：