数据驱动的动边界流动流场重构方法、装置和存储介质制造方法及图纸

本发明专利技术提供了数据驱动的动边界流动流场重构方法、装置和存储介质，所述包括以下步骤：步骤1，对物体的运动过程进行模拟，获取数值模拟数据；步骤2，划分数据集；步骤3，构建输入输出矩阵；步骤4，进行数据预处理；步骤5，构建深度学习网络；步骤6，进行模型训练与预测。本方法在保证预测结果准确的基础上，计算时间相比传统CFD方法至少减少了一个量级，在保证结果可靠的同时大大减少了计算时间。可靠的同时大大减少了计算时间。可靠的同时大大减少了计算时间。

【技术实现步骤摘要】
数据驱动的动边界流动流场重构方法、装置和存储介质


[0001]本专利技术属于计算流体力学与人工智能交叉的领域，尤其涉及数据驱动的动边界流动流场重构方法、装置和存储介质。

技术介绍

[0002]昆虫翅膀拍动或类鱼体游动等动边界流动问题是计算流体力学研究的热点，目前针对该类问题的求解主要基于传统CFD方法(如动网格方法)或新型数值方法(浸没边界方法、格子玻尔兹曼方法、光滑粒子水动力学方法等)，这些方法都基于第一性原理，虽然能够准确求解动边界流动问题，但都存在计算时间长、效率低下的缺点，无法满足准实时计算的需求。近年来得益于人工智能和机器学习技术的快速发展，构建数据驱动的预测模型在保证计算准确性的同时显著减少计算时间成为一种流行的手段用以替代耗时的基于第一性原理的流动模型，其中数据驱动的流场快速重构模型目前主要针对静止物体的非定常流动，针对动边界流动问题的研究和应用还较少，而这类问题往往具有更为实际的应用场景(如仿生微型无人机、仿生水下航行器等)，因此亟需针对这类流动问题构建出相应的数据驱动模型，快速准确地对相关流场信息进行重构和预测。

技术实现思路

[0003]专利技术目的：本专利技术的目的在于克服传统CFD方法在求解动边界流动问题时存在效率低下的缺点，提出了一种基于basnet的卷积神经网络预测方法，可快速准确地实现动边界流动流场的重构。神经网络的输入输出数据通过高保真浸没边界求解器获得，通过基于basnet的卷积神经网络建立输入和输出之间的映射关系，利用训练好的神经网络可根据任意时间序列下运动物体表面的压力快照以及运动物体形状和位置信息快速准确地实现相应的整个速度场的重构。
[0004]本专利技术具体提供了数据驱动的动边界流动流场重构方法，首先基于浸没边界求解器对动边界非定常流场仿真，获得不同雷诺数下的流场时间序列快照结果。然后将这些快照对应的物体表面压力，雷诺数，运动物体形状和位置信息作为输入，整个速度场作为输出。通过构建基于basnet的卷积神经网络建立输入和输出之间的映射关系。对神经网络进行训练并通过梯度下降算法调整优化超参数以最小化损失函数，得到满意的训练结果。最后使用训练好的模型对其他雷诺数下的动边界流动流场进行快速准确的重构。具体包括如下步骤：
[0005]步骤1：对物体的运动过程进行模拟，获取数值模拟数据：针对动边界流动问题，采用适用于此类问题的浸没边界方法进行求解，通过网格无关性的验证选取合适的网格尺度。采用针对二维问题的开源浸没边界求解器IB2d对物体的运动过程进行模拟，计算得到数值模拟数据，所述数值模拟数据包括不同雷诺数下运动物体在K(8<＝K<＝15)周期构成的时间序列下对应的真实物体表面压力分布，物体形状和位置信息，以及整个流体域的速度场数据。所述浸没边界求解器IB2d使用Navier
–
Stokes方程对物体的运动过程进行模拟，
如下所示：
[0006][0007][0008]其中，位置矢量x＝(x,y)，时间t为自变量，x，y分别为计算网格的横坐标和纵坐标；u(x,t)＝(u(x,t),v(x,t))是流体速度，u(x,t)为计算网格中横向速度大小，v(x,t)为计算网格中纵向速度大小；p(x,t)是压力，f(x,t)是在浸没边界上运动物体对流体施加的作用力，ρ代表流体的密度，μ代表动力粘度，代表哈密顿算子，Δ代表拉普拉斯算子；代表时间t对流体速度u(x,t)的一阶偏导；
[0009]运动物体与流体之间的相互作用方程为：
[0010]f(x,t)＝∫F(r,t)δ(x
‑
X(r,t))dr
ꢀꢀ
(3)
[0011][0012]其中，r是拉格朗日位置，X(r,t)是运动物体上位置为r的标记点在时间t的笛卡尔坐标，d表示微分；式(4)将边界速度U(X(r,t),t)设置为等于局部流体速度，以满足浸没结构上的无滑移条件；F(r,t)是浸没结构中弹性变形施加在流体上的每单位面积的力表示为：
[0013]F(r,t)＝F(X(r,t),t)
ꢀꢀ
(5)
[0014]公式(3)、(4)中的函数δ如下所示：
[0015][0016]其中，φ是δ
h
(x)内嵌的一个函数，表示为：
[0017][0018]其中，h为流体网格尺度。
[0019]步骤1中所述物体具体是昆虫翅膀，在步骤1中，昆虫翅膀简化成了一条刚性线段，并绘制了昆虫翅膀的简化示意图，以及简化过后的运动过程示意图，能够得到昆虫翅膀表面采样点的压力分布，昆虫翅膀所在计算流域的速度场。然后对这个数据进行处理，步骤2～6得到的结果又是一套训练良好的神经网络，能够通过昆虫翅膀表面采样点的压力快速准确地重构任意雷诺数下昆虫翅所在流域的速度场，能够为仿昆虫翅的扑翼运动机械提供实时的周围流场信息反馈。
[0020]步骤2：划分数据集。将30％的数值模拟数据作为测试集，用于评估训练好的模型的预测性能，将剩下的数据按照80％和20％的比例划分出神经网络的训练集和验证集，用作神经网络模型的训练。
[0021]步骤3：构建输入输出矩阵。为了同时获取动边界流动流场的时间和空间信息，本专利技术设计了一种新型的输入矩阵。将某一时间序列下物体表面压力，雷诺数以及运动物体的几何和位置信息这些特征分别存储在三个大小相同的二维矩阵中，并通过叠加构成神经网络的输入矩阵X＝[G
(9)
P
(9)
Re
(9)
]。其中G
(9)
，P
(9)
,Re
(9)
分别由S(S＝x2,x≥3且x为整数)个连续时刻(选用t为第一个时刻，后每隔T/120选取一个时间，即t，t+T/120，t+2T/120
……
t+8T/120)对应的运动物体的几何与位置信息，物体表面的压力分布以及雷诺数组成。将下一时刻(即t+9/120T)整个流域的速度场存储在一个二维矩阵中，该矩阵即为输出矩阵。
[0022]步骤4：进行数据预处理。对输入矩阵和输出矩阵进行归一化等操作。
[0023]步骤5：构建深度学习网络。利用basnet卷积神经网络构建动边界流场重构的预测模型。首先，将输入矩阵和输出矩阵转化成图像，分别作为输入图像和输出图像。然后通过编码对输入图像的特征进行提取，利用池化方法得到提取出局部性信息的高层语义特征。为了进一步获取全局信息，在编码和解码之间增加了一个过渡层。后面的解码部分则负责将高层语义信息逐步还原放大，从而逐步重构出整个流域的速度场信息，最后将速度场信息转换成输出图像的大小。
[0024]步骤6：进行模型训练与预测：设定epochs(1个epoch等于所有的训练数据输入到模型完整地训练一次)和batch(训练集分成的批次)的值，根据训练样本对所构建的流场重构模型进行训练。对超参数，激活函数优化得到最优的深度神经网络结构。利用训练所得最优神经网络对测试集中的流场进行预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.数据驱动的动边界流动流场重构方法，其特征在于，包括以下步骤：步骤1，对物体的运动过程进行模拟，获取数值模拟数据；步骤2，划分数据集；步骤3，构建输入输出矩阵；步骤4，进行数据预处理；步骤5，构建深度学习网络；步骤6，进行模型训练与预测。2.根据权利要求1所述的方法，其特征在于，步骤1包括：采用针对二维问题的浸没边界求解器IB2d对物体的运动过程进行模拟，计算得到数值模拟数据，所述数值模拟数据包括不同雷诺数下运动物体在K周期构成的时间序列下对应的真实物体表面压力分布，物体形状和位置信息，以及整个流体域的速度场数据，所述浸没边界求解器IB2d使用Navier
–
Stokes方程对物体的运动过程进行模拟，如下所示：Stokes方程对物体的运动过程进行模拟，如下所示：其中，位置矢量x＝(x,y)，时间t为自变量，x，y分别为计算网格的横坐标和纵坐标；u(x,t)＝(u(x,t),v(x,t))是流体速度，u(x,t)为计算网格中横向速度大小，v(x,t)为计算网格中纵向速度大小；p(x,t)是压力，f(x,t)是在浸没边界上运动物体对流体施加的作用力，ρ代表流体的密度，μ代表动力粘度，代表哈密顿算子，Δ代表拉普拉斯算子；代表时间t对流体速度u(x,t)的一阶偏导；运动物体与流体之间的相互作用方程为：f(x,t)＝∫F(r,t)δ(x
‑
X(r,t))dr
ꢀꢀ
(3)其中，r是拉格朗日位置，X(r,t)是运动物体上位置为r的标记点在时间t的笛卡尔坐标，d表示微分；式(4)将边界速度U(X(r,t),t)设置为等于局部流体速度，以满足浸没结构上的无滑移条件；F(r,t)是浸没结构中弹性变形施加在流体上的每单位面积的力表示为：F(r,t)＝F(X(r,t),t)
ꢀꢀ
(5)公式(3)、(4)中的函数δ如下所示：其中，φ是δ
h
(x)内嵌的一个函数，表示为：
其中，h为流体网格尺度。3.根据权利要求2所述的方法，其特征在于，步骤2包括：将数值模拟数据中X1的数据作为测试集，剩下的数据中，X2的数据作为训练集，X3的数据作为验证集。4.根据权利要求3所述的方法，其特征在于，步骤3包括：将一时间序列下真实物体表面压力分布、雷诺数以及物体形状和位置信息分别存储在三个大小相同的二维矩阵中，并通过叠加构成深度学习网络的输入矩阵X＝[G
(9)
P
(9)
Re
(9)
]，其中矩阵G
(9)
，P
(9)
,Re
(9)
分别由S个连续时刻对应的物体形状与位置信息，真实物体表面压力分布以及雷诺数组成；将下一时刻整个流域的速度场存储在一个二维矩阵中，该二维矩阵即为输出矩阵。5.根据权利要求4所述的方法，其特征在于，步骤3中，矩阵G
(9)
，P
(9)
,Re
(9)的
具体结构分别为：别为...

【专利技术属性】
技术研发人员：徐笳森，张扬，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：