流场数据计算方法、装置、计算设备及存储介质制造方法及图纸

本申请涉及一种流场数据计算方法、装置、计算设备及存储介质。该方法包括：将模拟对象在待处理工况的设定参数输入神经网络预测模型，获得所述神经网络预测模型输出的所述模拟对象在所述待处理工况的预测流场数据；依据所述待处理工况的设定参数，以所述预测流场数据为初始数据，采用设定迭代算法获得所述模拟对象在所述待处理工况的流场数据。本申请提供的方案，能够提高流场的计算效率。能够提高流场的计算效率。能够提高流场的计算效率。

【技术实现步骤摘要】
流场数据计算方法、装置、计算设备及存储介质


[0001]本申请涉及数据处理
，尤其涉及一种流场数据计算方法、装置、计算设备及存储介质。

技术介绍

[0002]计算流体动力学(Computational Fluid Dynamics，简称CFD)能够获得丰富的流场数据，是研究流体力学的重要手段。
[0003]相关技术中，同一个模拟对象的多工况仿真模拟，仿真模拟的次数多，而且仿真模拟的工况条件多、工况条件下的参数多，模拟对象在多工况仿真模拟的CFD流场计算的计算量大，导致相关技术模拟对象的CFD流场计算耗费较多的计算资源和计算时间，计算效率低下。

技术实现思路

[0004]为解决或部分解决相关技术中存在的问题，本申请提供一种流场数据计算方法、装置、计算设备及存储介质，能够提高流场的计算效率。
[0005]本申请第一方面提供一种流场数据计算方法，所述方法包括：
[0006]将模拟对象在待处理工况的设定参数输入神经网络预测模型，获得所述神经网络预测模型输出的所述模拟对象在所述待处理工况的预测流场数据；
[0007]依据所述待处理工况的设定参数，以所述预测流场数据为初始数据，采用设定迭代算法获得所述模拟对象在所述待处理工况的流场数据。
[0008]优选的，获得所述神经网络预测模型的步骤包括：
[0009]依据多个不同设定工况的设定参数，使用设定算法，分别获得所述模拟对象在所述多个不同设定工况的多个不同流场结果数据；
[0010]以所述多个不同设定工况的设定参数、所述多个不同流场结果数据为训练集，将所述训练集输入预先设置的神经网络；
[0011]获得所述神经网络分别依据所述多个不同设定工况的设定参数输出的多个输出值；
[0012]利用所述多个输出值、所述多个不同流场结果数据，采用机器学习模型对所述神经网络进行训练，获得所述神经网络预测模型。
[0013]优选的，所述依据所述待处理工况的设定参数，以所述预测流场数据为初始数据，采用设定迭代算法获得所述模拟对象在所述待处理工况的流场数据，包括：
[0014]依据所述待处理工况的设定参数，以所述预测流场数据为初始数据，采用所述设定迭代算法进行迭代计算，获得所述模拟对象在所述待处理工况的待计算流场数据；
[0015]如果所述待计算流场数据的残差小于设定阈值，将所述待计算流场数据确定为所述模拟对象在所述待处理工况的流场数据。
[0016]优选的，所述方法还包括：
[0017]依据所述模拟对象在所述待处理工况的流场数据、预测流场数据，对所述神经网络预测模型进行训练。
[0018]优选的，所述设定迭代算法包括共轭梯度迭代算法。
[0019]本申请第二方面提供一种流场数据计算装置，所述装置包括：
[0020]预测模块，用于将模拟对象在待处理工况的设定参数输入神经网络预测模型，获得所述神经网络预测模型输出的所述模拟对象在所述待处理工况的预测流场数据；
[0021]数据处理模块，用于依据所述待处理工况的设定参数，以所述预测模块获得的预测流场数据为初始数据，采用设定迭代算法获得所述模拟对象在所述待处理工况的流场数据。
[0022]优选的，所述装置还包括：
[0023]第一训练模块，用于依据多个不同设定工况的设定参数，使用设定算法，分别获得所述模拟对象在所述多个不同设定工况的多个不同流场结果数据；以所述多个不同设定工况的设定参数、所述多个不同流场结果数据为训练集，将所述训练集输入预先设置的神经网络；获得所述神经网络分别依据所述多个不同设定工况的设定参数输出的多个输出值；利用所述多个输出值、所述多个不同流场结果数据，采用机器学习模型对所述神经网络进行训练，获得所述神经网络预测模型。
[0024]优选的，所述装置还包括：
[0025]第二训练模块，用于依据所述数据处理模块获得的所述模拟对象在所述待处理工况的流场数据、所述预测模块获得的所述模拟对象在所述待处理工况的预测流场数据，对所述神经网络预测模型进行训练。
[0026]本申请第三方面提供一种计算设备，包括：
[0027]处理器；以及
[0028]存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
[0029]本申请第四方面提供一种计算机可读存储介质，其上存储有可执行代码，当所述可执行代码被计算设备的处理器执行时，使所述处理器执行如上所述的方法。
[0030]本申请提供的技术方案可以包括以下有益效果：
[0031]本申请的技术方案，通过神经网络预测模型对模拟对象在待处理工况的设定参数的流场数据进行预测，获得预测流场数据；在采用设定迭代算法迭代计算模拟对象在待处理工况的设定参数的流场数据时，以预测流场数据为迭代计算的初始数据，能够减少迭代计算的次数，加速迭代计算的收敛速度，从而大幅度地减少迭代计算的计算量，减少计算资源的消耗以及缩短计算时间，能够提高流场的计算效率。
[0032]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
[0033]通过结合附图对本申请示例性实施方式进行更详细地描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。
[0034]图1是本申请实施例示出的流场数据计算方法的流程示意图；
[0035]图2是本申请实施例示出的流场数据计算方法的另一流程示意图；
[0036]图3是本申请实施例示出的流场数据计算方法中获得神经网络预测模型的流程示意图；
[0037]图4是本申请实施例示出的流场数据计算方法的仿真模型的示意图；
[0038]图5是本申请实施例示出的流场数据计算装置的结构示意图；
[0039]图6是本申请实施例示出的流场数据计算装置的另一结构示意图；
[0040]图7是本申请实施例示出的计算设备的结构示意图。
具体实施方式
[0041]下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。
[0042]在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0043]应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种流场数据计算方法，其特征在于，包括：将模拟对象在待处理工况的设定参数输入神经网络预测模型，获得所述神经网络预测模型输出的所述模拟对象在所述待处理工况的预测流场数据；依据所述待处理工况的设定参数，以所述预测流场数据为初始数据，采用设定迭代算法获得所述模拟对象在所述待处理工况的流场数据。2.根据权利要求1所述的方法，其特征在于，获得所述神经网络预测模型的步骤包括：依据多个不同设定工况的设定参数，使用设定算法，分别获得所述模拟对象在所述多个不同设定工况的多个不同流场结果数据；以所述多个不同设定工况的设定参数、所述多个不同流场结果数据为训练集，将所述训练集输入预先设置的神经网络；获得所述神经网络分别依据所述多个不同设定工况的设定参数输出的多个输出值；利用所述多个输出值、所述多个不同流场结果数据，采用机器学习模型对所述神经网络进行训练，获得所述神经网络预测模型。3.根据权利要求1所述的方法，其特征在于，所述依据所述待处理工况的设定参数，以所述预测流场数据为初始数据，采用设定迭代算法获得所述模拟对象在所述待处理工况的流场数据，包括：依据所述待处理工况的设定参数，以所述预测流场数据为初始数据，采用所述设定迭代算法进行迭代计算，获得所述模拟对象在所述待处理工况的待计算流场数据；如果所述待计算流场数据的残差小于设定阈值，将所述待计算流场数据确定为所述模拟对象在所述待处理工况的流场数据。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：依据所述模拟对象在所述待处理工况的流场数据、预测流场数据，对所述神经网络预测模型进行训练。5.根据权利要求1所述的方法，其特征在于，所述设定迭代算法包括共轭梯度迭代算法。6.一种流场数据计...

【专利技术属性】
技术研发人员：刘思博，
申请(专利权)人：安世亚太科技股份有限公司，
类型：发明
国别省市：