一种基于卷积神经网络的二维定常层流流场快速预报方法技术

本发明专利技术公开了一种基于卷积神经网络的二维定常层流流场快速预报方法，包括：从船体型线中提取形状与长宽比各异的船体在不同深度处的水线面轮廓，获得二维船体剖面数据；对二维船体剖面数据和固定流场边界条件进行整合，形成流场几何信息及边界条件，通过流场几何信息及边界条件求解流场速度及压力分布；将流场几何信息及边界条件作为卷积神经网络的输入数据，编码器对输入数据进行编码，解码器对编码器输出的数据进行解码，根据训练结果调整卷积神经网络的超参数，得到最优超参数后，利用训练得到二维定常层流流场快速预报模型进行二维定常层流流场快速预报。本发明专利技术计算时间短、所需计算资源少，使得相应的设计周期大幅缩短、研究成本较小。研究成本较小。研究成本较小。

【技术实现步骤摘要】
一种基于卷积神经网络的二维定常层流流场快速预报方法


[0001]本专利技术属于船舶与海洋工程领域，更具体地，涉及一种基于卷积神经网络的二维定常层流流场快速预报方法。

技术介绍

[0002]随着我国向着造船强国目标的逐步迈进，船舶行业已然在国内掀起了一股强劲的浪潮，呈现出一副欣欣向荣的态势。一方面，庞大而丰富的海洋资源吸引了不少人的目光，尤其是拥有着广阔海洋领土的中国，对具有开采和运输功能船舶的需求是不言而喻的；另一方面，在全球化的背景下，我国对外贸易的规模不断扩大，因而设计出载货量更大、耗能更低的运输船舶成为了当前船舶设计行业的重要任务。值得指出的是，型线设计是船舶设计过程中相当关键的一环，它对船舶性能有着十分广泛而深远的影响。
[0003]型线设计对船舶性能的影响主要体现在以下几个方面：
[0004]第一个是船舶的浮性，船舶的载重和浮态都受到浮性的直接影响。其中，船舶的载重量与船体排水量密切相关，而船舶的浮态又和浮心位置有关。对于一艘运输船，拥有较大的排水量意味着它运载货物的能力也会较强，并且在航行过程中，浮态会影响船舶阻力及推进效率，适宜的纵倾能够有效降低船舶航行能耗，节约大量的燃料成本。
[0005]第二个是船舶的稳性，船舶漂浮在水面上时，势必会受到风浪的外力干扰而偏离平衡位置，在这种情况下，考虑到船舶运输过程中的安全性和稳定性，要对船舶进行稳性校核，确保船舶拥有保持原有平衡状态的能力。此外，船舶稳性也会影响到船上人员的舒适感，如果船舶的回复能力过强，将会导致船舶晃动十分频繁，为船员带来强烈不适。而船舶稳性的计算过程会涉及到船舶的截面惯性矩及排水体积等参数，这些参数与船体剖面形状密切相关，在相应的设计工作中需要加以考量。
[0006]第三个是船舶阻力，船舶在水面上航行的过程中，将会受到兴波阻力、摩擦阻力和粘压阻力等的共同作用。其中，兴波阻力与粘压阻力主要受到船体形状的影响，而摩擦阻力则与船体的湿表面积相关。对于货船而言，如果能够设法减小阻力，则能够十分有效地降低航行时的能耗，从而大大提高船舶的经济效益。
[0007]第四个是船舶推进，目前，船舶行业内分布最为广泛的、最为主流的推进方式为螺旋桨，而在计算螺旋桨的推进效率时，需要把它和船体之间的相互影响纳入考虑之中。其中，船体对螺旋桨的影响表现为伴流，即由于船舶航行过程中带动附近的水产生运动，使得螺旋桨与其附近水流的相对速度和船速有所差异；螺旋桨对船体的影响则表现为推力减额，即螺旋桨在船后工作导致船尾压强减小，进而使船体首尾出现压差，为船舶航行带来了阻力，相当于降低了螺旋桨的推力。因此，充分发挥伴流的有益影响，尽量降低螺旋桨的推力减额，能够有效地提高船体的推进效率，从而提高船舶的经济效益。
[0008]第五个是船舶操纵性，船舶操纵性对于航行安全而言十分重要。在船舶史上，船舶转向不够灵活是许多重大事故发生的一个主要原因，因此，如今船舶操纵性设计已然成为了船舶设计中必不可少的步骤。操纵性受到多方面的影响，不仅与船舶的水线长度、主尺度
比、方形系数、中纵剖面面积、尾部形状、首部形状等船型参数有关，同时也与船尾的舵联系紧密。为此，不免需要进行大量的型线设计方案检验工作。
[0009]综上分析，型线设计贯穿船体设计的整个流程。因而，开展定常层流流场快速预报工作，为相应的设计工作提供快速、准确的预报结果，对船体设计工作有着重要的意义。
[0010]关于定常层流流场的预报，现有的方法主要基于流体力学理论，利用计算流体力学软件通过数值方法求解Navier
‑
Stocks方程，从而得到流场的速度及压力分布。由于非线性微分方程的复杂性，这类方法需要耗费较多的计算时间和计算资源，从而导致相应的设计周期大幅延长，需要投入的研究成本也相对较大。
[0011]由此可见，现有技术存在耗费较多的计算时间和计算资源，导致相应的设计周期大幅延长、研究成本较大的技术问题。

技术实现思路

[0012]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于卷积神经网络的二维定常层流流场快速预报方法，由此解决现有技术存在耗费较多的计算时间和计算资源，导致相应的设计周期大幅延长、研究成本较大的技术问题。
[0013]为实现上述目的，按照本专利技术的一个方面，提供了一种基于卷积神经网络的二维定常层流流场快速预报方法，包括：
[0014]将待预测流场几何信息及边界条件输入二维定常层流流场快速预报模型，输出流场速度及压力分布；
[0015]所述二维定常层流流场快速预报模型通过如下方式训练得到：
[0016]从船体型线中提取形状与长宽比各异的船体在不同深度处的水线面轮廓，获得二维船体剖面数据；
[0017]对二维船体剖面数据和固定流场边界条件进行整合，形成流场几何信息及边界条件，通过流场几何信息及边界条件求解流场速度及压力分布；
[0018]将多个卷积层和池化层组成编码器，将多个反卷积层和去池化层组成解码器，在编码器的部分卷积层与解码器的部分反卷积层之间建立跳跃连接，构建卷积神经网络；
[0019]将流场几何信息及边界条件作为卷积神经网络的输入数据，编码器对输入数据进行编码，解码器通过对跳跃连接传递的数据与去池化得到的数据进行拼接后反卷积的方式来对编码器输出的数据进行解码，每次训练前调整卷积神经网络的超参数，当卷积神经网络输出的流场速度及压力分布与求解的流场速度及压力分布之间的误差小于预设值时，训练得到二维定常层流流场快速预报模型。
[0020]进一步地，所述卷积神经网络的输入数据通过如下方式获取：
[0021]从二维船体剖面数据中获取船体剖面的多个边缘点坐标，逐一计算二维船体剖面数据中每个采样点与各边缘坐标点的距离，取各采样点到边缘坐标点的最小距离作为其符号距离函数值，对于船体剖面内部的采样点将其符号距离函数值设为0，由此，二维船体剖面数据中所有采样点的符号距离函数值形成以中心障碍物为边界的符号距离函数图；
[0022]从固定流场边界条件中获取流场的上下边界的坐标，逐一计算二维船体剖面数据中每个采样点到流场的上下边界的垂直距离，将垂直距离最小值作为其符号距离函数值，形成以上下为边界的符号距离函数图；
[0023]对船体剖面内部和外部以及流场的上下边界赋予不同的值，形成流域标记图，
[0024]以中心障碍物为边界的符号距离函数图、以上下为边界的符号距离函数图以及流域标记图组成流场几何信息及边界条件，作为卷积神经网络的输入数据。
[0025]进一步地，所述训练前还包括对卷积神经网络的输入数据进行扩充，包括：
[0026]根据船体长度对所有船体型线进行标准化，使之长度保持一致；对船体剖面进行长度或宽度方向上的缩放，使其中一个方向发生系列性的改变，另一方向则不发生变化，由此改变船体剖面形状，扩充二维船体剖面数据，进而扩充卷积神经网络的输入数据。
[0027]进一步地，所述卷积神经网络的输出数据包括：横向速度分布图、纵向速度分布图、压强本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的二维定常层流流场快速预报方法，其特征在于，包括：将待预测流场几何信息及边界条件输入二维定常层流流场快速预报模型，输出流场速度及压力分布；所述二维定常层流流场快速预报模型通过如下方式训练得到：从船体型线中提取形状与长宽比各异的船体在不同深度处的水线面轮廓，获得二维船体剖面数据；对二维船体剖面数据和固定流场边界条件进行整合，形成流场几何信息及边界条件，通过流场几何信息及边界条件求解流场速度及压力分布；将多个卷积层和池化层组成编码器，将多个反卷积层和去池化层组成解码器，在编码器的部分卷积层与解码器的部分反卷积层之间建立跳跃连接，构建卷积神经网络；将流场几何信息及边界条件作为卷积神经网络的输入数据，编码器对输入数据进行编码，解码器通过对跳跃连接传递的数据与去池化得到的数据进行拼接后反卷积的方式来对编码器输出的数据进行解码，每次训练前调整卷积神经网络的超参数，当卷积神经网络输出的流场速度及压力分布与求解的流场速度及压力分布之间的误差小于预设值时，训练得到二维定常层流流场快速预报模型。2.如权利要求1所述的一种基于卷积神经网络的二维定常层流流场快速预报方法，其特征在于，所述卷积神经网络的输入数据通过如下方式获取：从二维船体剖面数据中获取船体剖面的多个边缘点坐标，逐一计算二维船体剖面数据中每个采样点与各边缘坐标点的距离，取各采样点到边缘坐标点的最小距离作为其符号距离函数值，对于船体剖面内部的采样点将其符号距离函数值设为0，由此，二维船体剖面数据中所有采样点的符号距离函数值形成以中心障碍物为边界的符号距离函数图；从固定流场边界条件中获取流场的上下边界的坐标，逐一计算二维船体剖面数据中每个采样点到流场的上下边界的垂直距离，将垂直距离最小值作为其符号距离函数值，形成以上下为边界的符号距离函数图；对船体剖面内部和外部以及流场的上下边界赋予不同的值，形成流域标记图，以中心障碍物为边界的符号距离函数图、以上下为边界的符号距离函数图以及流域标记图组成流场几何信息及边界条件，作为卷积神经网络的输入数据。3.如权利要求2所述的一种基于卷积神经网络的二维定常层流流场快速预报方法，其特征在于，所述训练前还包括对卷积神经网络的输入数据进行扩充，包括：根据船体长度对所有船体型线进行标准化，使之长度保持一致；对船体剖面进行长度或宽度方向上的缩放，使其中一个方向发生系列性的改变，另一方向则不发生变化，由此改变船体剖面形状，扩充二维船体剖面数据，进而扩充卷积神经网络的输入数据。4.如权利要求2或3所述的一种基于卷积神经网络的二维定常层流流场快速预报方法，其特征在于，所述卷积神经网络的输出数据包括：横向速度分布图、纵向速度分布图、压强分布图。5.如权利要求1
‑
3任一所述的一种基于卷积神经网络的二维定常层流流场快速预报方法，其特征在于，所述卷积神经网络中编码器包括依次连接的多个卷积层、第一池化层、多个卷积层、第二池化层、多个卷积层、第三池化层；解码器包括依次连接的：第一去池化层、多个反卷积层、第二去池化层、多个反卷积层、
第三去池化层、多个反卷积层；在...

【专利技术属性】
技术研发人员：刘曾，张林风，张正艺，李家盛，孙江龙，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：