【技术实现步骤摘要】
在途原位计算下大规模精细三维流场的空间压缩方法
[0001]本专利技术属于流体力学分析领域，更具体地，涉及一种基于在途原位计算环境下时三维流场的空间压缩与解压缩方法。
技术介绍
[0002]随着计算机模拟技术的发展，流场数据的规模不断攀升，流场数据的精细化程度亦在稳步提高，科学家们越来越多的需要操作大规模精细稳态流场。传统的数据预处理和可视化大部分是后处理模式，即计算机将仿真处理后的结果保存进磁盘中，当进行可视化时再从磁盘中读取数据。为了降低传输的数据量，通常只能保存低精度流场数据，丧失了流场的精确信息。由此，一种能在原位进行分析和可视化流场结果的方法亟待提出。
[0003]另一方面，目前对于大规模精细三维流场数据的压缩与解压缩等方向的研究大多应用于二维数据上。利用这些方法对流场数据进行压缩与解压缩时，会丢失流场中包含的多种物理量的细节。由于流场数据往往是对速度向量场进行操作，可视化时通过曲线积分生成流线，因此当细节丢失时，流场数据的可视化结果会比一般的二维图片经过解压缩后的效果差。因此，一种让使用者保存低精度的大规...
【技术保护点】
【技术特征摘要】
1.一种在途原位计算下大规模精细三维流场的空间压缩方法，包括：对第一分辨率级别的三维流场原始数据进行降维处理，得到第二分辨率级别的三维流场数据，所述第一分辨率级别高于所述第二分辨率级别；使用所述第二分辨率级别的三维流场数据对空间超分辨率网络进行训练，具体包括，将所述第二分辨率级别的三维流场数据输入至待训练的空间超分辨率网络，得到所述第一分辨率级别的三维流场估测数据，所述三维流场估测数据为针对三维流场原始数据的预测数据，并通过损失函数调整所述空间超分辨率网络的参数。2.根据权利要求1所述的方法，其特征在于，所述空间超分辨率网络包括生成器G和鉴别器D，所述生成器G用于根据输入的单个时间步数据，生成对应的单时间步预测数据；所述鉴别器D用于对预测数据和原始数据进行匹配，以调整所述空间超分辨率网络的参数。3.根据权利要求2所述的方法，其特征在于，生成器G包括全局网络，所述全局网络的输入为所述第二分辨率级别的三维流场数据，所述全局网络采用跳跃链接的形式，首先经过三层残差块，其卷积核大小为3
×3×
3，填充为1、步长为1；之后经过一个反卷积DeConv层，其卷积核大小为4
×4×
4，步长为2，填充为0；之后经过两层残差块、一层反卷积DeConv层、两层残差块、一层双曲正切函数后输出；其中残差块由两部分组成，一部分由三个卷积层组成，除了最后一个卷积层后只要谱归一化外，前两个卷积层后均进行一次谱归一化SN和一次实例归一化IN；另一部分只由一个卷积层和一个谱归一化层组成，在输出前残差块的两部分的结果需要进行对应位置的相加，再进行输出。4.根据权利要求2所述的方法，其特征在于，所述方法包括：截取三维流场原始数据中用户自定义的感兴趣区域，得到所述感兴趣区域的三维流场数据，所述感兴趣区域的三维流场数据的分辨率级别为所述第一分辨率级别；将所述感兴趣区域的三维流场数据输入至待训练的空间超分辨率网络，以完成对所述空间超分辨率网络进行训练。5.根据权利要求4所述的方法，其特征在于，生成器G还包括局部网络,所述局部网络的输入为所述第一分辨率级别的三维流场原始数据中的局部区域数据，所述局部区域数据为用户感兴趣区域的数据；所述局部网络采用卷积神经网络的结构，先通过残差块将所述局部区域数据变为256
×1×1×
1的特征图，并且不采用全连接层和上下采样，通过反卷积层将特征图恢复成原始大小，并以此计算损失。6.根据权利要求2所述的方法，其特征在于，在所述鉴别器D中，除最后一层卷积层，其他的每层卷积层的卷积核的大小均为4
×4×
4，步长均为2，填充均为1，最后一层卷积层的步长为0，并且每个卷积层后都有一个谱归一化层和一个带泄露的修正线性单元层。7.根据权利要求1所述的方法，其特征在于，所述空间超分辨率网络的损失函数包括对抗损失函数，所述对抗损失函数满足：抗损失函数，所述对抗损失函数满足：
其中，为生成器G损失的最小值，为求取期望运算，V代表原始数据，V
L
为输入的低分辨率数据，D(
·
)为关于鉴别器D的函数，G(
·
)为关于生成器G的函数，为鉴别器D损失的最小值，为求取期望运算，V代表原始数据，V
H
为输入的高分辨率数据，D(
·
)为关于鉴别器D的函数，V
L
为输入的低分辨率数据，...
【专利技术属性】
技术研发人员：禹旻，杨武兵，黄智濒，法天昊，曹凌婧，
申请(专利权)人：中国航天空气动力技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。