在途原位计算下时变三维流场的演化特征提取方法技术

本发明专利技术公开了在途原位计算下时变三维流场的演化特征提取方法，包括：搭建在途原位计算环境，划分所拥有的计算机；一部分计算机用于构造时变三维流场模型，获得时变三维流场中间时刻衍生过程；另一部分计算机用于生成时变三维流场动画描述，并输出最后的流场动画。本发明专利技术基于在途原位计算环境缓解存储和分析过程中出现的计算机的输入/输出速度和存储限制，并针对保存较少时间步的时变三维流场，构造时变三维流场模型，生成流场过渡时刻，以解决现有技术中时变三维流场在时间步少、精度低的情况下无法准确还原流场中间时刻的衍生过程等问题。结果显示，本发明专利技术能生成大致符合原始数据中的流场随时间发生的动态变化，对原始数据的解压缩完成度高。数据的解压缩完成度高。数据的解压缩完成度高。

【技术实现步骤摘要】
在途原位计算下时变三维流场的演化特征提取方法


[0001]本专利技术属于流体力学分析领域，更具体地，涉及在途原位计算下时变三维流场的演化特征提取方法。

技术介绍

[0002]时变三维流场用于记录流场在多个时间步内的整体态势变化，而近年来时变三维流场以更大规模、更高精度、更长时间的计算来模拟更复杂的物理现象。由此产生的三维时变流场数据由于单个时间步数据文件大、时间步多等原因，其仿真数据的生成和储存通常会耗费极大的时间开销，而超大规模的数据量对超级计算机的输入/输出速度和存储能力提出了挑战。这导致了时变三维流场只能以在时间上进行采样，降低精度为代价进行存储。
[0003]同时，由于时变流场随时间的变化而产生的变化通常是非线性的，但传统的方法采用标准线性插值生成中间体，这些插值仅基于插值位置周围的局部信息，因此可能无法捕捉到复杂的非线性变化。其次，因为典型的网络架构应用于时变三维流场数据时，通常可能不会十分关注关键点的位置以及动态上的变化，所以生成的数据峰值信噪比较高。因此，需要一种时变流场压缩技术当保存时变三维流场数据时，可以只保留少量时间步数据以减少内存上的开销，同时在使用时能有效准确的恢复出中间时间步。
[0004]总结来看，时变三维流场超大规模的数据量和时间步不仅对计算机的输入/输出速度和存储能力提出了挑战，也对时变三维流场的压缩和构造提出了需求。

技术实现思路

[0005]本专利技术的目的是提出在途原位计算下时变三维流场的演化特征提取方法，针对保存较少时间步的时变三维流场，构造时变三维流场模型，生成流场过渡时刻，以解决现有技术中时变三维流场在时间步少、精度低的情况下无法准确还原流场中间时刻的衍生过程等问题。
[0006]第一方面，提供了一种在途原位计算下时变三维流场的演化特征提取方法，包括：
[0007]对M个时间步的三维流场数据进行时间维度上的降维，得到N个时间步的三维流场数据；
[0008]使用所述N个时间步的三维流场数据对时间超分辨率网络进行训练，具体包括，将所述N个时间步的三维流场数据输入至待训练的时间超分辨率网络，得到M
‑
N个中间时间步的三维流场估测数据，所述M
‑
N个中间时间步的三维流场估测数据为针对所述M个时间步中M
‑
N个中间时间步的三维流场数据的预测数据，并通过损失函数调整所述时间超分辨率网络的参数。
[0009]例如，M个时间步可以为时间步1，时间步1
‑
1，
……
时间步1
‑
k，时间步2，时间步2
‑
1，
……
时间步2
‑
k，
……
时间步N
‑
1，时间步N
‑1‑
1，
……
时间步N
‑1‑
k，时间步N。对M个时间步进行时间维度降维，得到时间步1，
……
，时间步N。因此可以通过M个时间步训练时间超分辨率网络，对时间步1
‑
1，
……
时间步1
‑
k，时间步2
‑
1，
……
时间步2
‑
k，
……
时间步N
‑
1，时间步
N
‑1‑
1，
……
时间步N
‑1‑
k进行预测。
[0010]结合第一方面，在第一方面的某些实现方式中，所述时间超分辨率网络采用递归生成网络RGN，包括生成器和鉴别器；
[0011]所述生成器用于根据输入的两个时间步的流场速度向量数据，生成两次中间预测数据，并通过权重对这两次中间预测数据进行相加得到最后的预测数据；
[0012]所述鉴别器用于对预测数据和原始数据进行匹配，以调整所述时间超分辨率网络的参数。
[0013]结合第一方面，在第一方面的某些实现方式中，所述生成器包括特征提取模块、时间模块以及放大模块，所述特征提取模块采用四个残差块，用于对时变三维流场数据的特征提取和下采样操作；所述时间模块采用ConvLSTM架构，对数据的时变趋势与相应的动态变化进行学习；所述放大模块则采用残差块和体素混洗层对数据进行放大。
[0014]结合第一方面，在第一方面的某些实现方式中，在所述特征提取模块中，第一个残差块的卷积核大小为5
×5×
5，其余残差块的卷积核大小为3
×3×
3，在第一条路线中，第一个卷积层的步长为1，第二个卷积层的步长为2，填充大小均为(卷积核个数
‑
1)//2；在第二条路线中的卷积层卷积核大小为1
×1×
1，步长为1，不进行填充，然后经过一个平均池化进行下采样。
[0015]结合第一方面，在第一方面的某些实现方式中，在所述时间模块中，权重操作通过卷积运算进行，卷积核大小为3
×3×
3，步长大小为1，填充大小为1。
[0016]结合第一方面，在第一方面的某些实现方式中，在所述放大模块中，每个放大层包括一个残差块和一个体素混洗层，所述体素混洗层用于将数据放大，将一定频道数内的数据综合起来，并将这些数据按一定的顺序进行排列，最终汇总成一个频道的数据进行输出；最后一个残差块的卷积核为5
×5×
5，其余残差块卷积核大小均为3
×3×
3，步长的大小都是1，填充均为(卷积核个数
‑
1)//2。
[0017]结合第一方面，在第一方面的某些实现方式中，在所述鉴别器中，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，每个卷积层后都有一个谱归一化层SN和一个带泄露的修正线性单元LeakyReLU层。
[0018]结合第一方面，在第一方面的某些实现方式中，所述时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：
[0019][0020][0021]其中，为生成器G损失的最小值，为求取期望运算，V
T
为流场数据对的集合，即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，V
I
为V
T
中数据对的中间时间步数据，即
[0022]结合第一方面，在第一方面的某些实现方式中，所述时间超分辨率网络的损失函
数包括容积损失函数，所述容积损失函数满足：
[0023][0024]其中，为容积损失，为求取期望运算，V
′
为生成器生成的数据，V
T
为流场数据对的集合，V代表原始数据，V
I
为V
T
中数据对的中间时间步数据，G(
·
)为关于生成器G的函数，||
·...

【技术保护点】

【技术特征摘要】
1.一种在途原位计算下时变三维流场的演化特征提取方法，其特征在于，包括：对M个时间步的三维流场数据进行时间维度上的降维，得到N个时间步的三维流场数据；使用所述N个时间步的三维流场数据对时间超分辨率网络进行训练，具体包括，将所述N个时间步的三维流场数据输入至待训练的时间超分辨率网络，得到M
‑
N个中间时间步的三维流场估测数据，所述M
‑
N个中间时间步的三维流场估测数据为针对所述M个时间步中M
‑
N个中间时间步的三维流场数据的预测数据，并通过损失函数调整所述时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，所述时间超分辨率网络采用递归生成网络RGN，包括生成器和鉴别器；所述生成器用于根据输入的两个时间步的流场速度向量数据，生成两次中间预测数据，并通过权重对这两次中间预测数据进行相加得到最后的预测数据；所述鉴别器用于对预测数据和原始数据进行匹配，以调整所述时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，所述生成器包括特征提取模块、时间模块以及放大模块，所述特征提取模块采用四个残差块，用于对时变三维流场数据的特征提取和下采样操作；所述时间模块采用ConvLSTM架构，对数据的时变趋势与相应的动态变化进行学习；所述放大模块则采用残差块和体素混洗层对数据进行放大。4.根据权利要求3所述的方法，其特征在于，在所述特征提取模块中，第一个残差块的卷积核大小为5
×5×
5，其余残差块的卷积核大小为3
×3×
3，在第一条路线中，第一个卷积层的步长为1，第二个卷积层的步长为2，填充大小均为(卷积核个数
‑
1)//2；在第二条路线中的卷积层卷积核大小为1
×1×
1，步长为1，不进行填充，然后经过一个平均池化进行下采样。5.根据权利要求3所述的方法，其特征在于，在所述时间模块中，权重操作通过卷积运算进行，卷积核大小为3
×3×
3，步长大小为1，填充大小为1。6.根据权利要求3所述的方法，其特征在于，在所述放大模块中，每个放大层包括一个残差块和一个体素混洗层，所述体素混洗层用于将数据放大，将一定频道数内的数据综合起来，并将这些数据按一定的顺序进行排列，最终汇总成一个频道的数据进行输出；最后一个残差块的卷积核为5
×5×
5，其余残差块卷积核大小均为3
×3×
3，步长的大小都是1，填充均为(卷积核个数
‑
1)//2。7.根据权利要求2所述的方法，其特征在于，在所述鉴别器中，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，每个卷积层后都有一个谱归一化层SN和一个带泄露的修正线性单元LeakyReLU层。8.根据权利要求1所述的方法，其特征在于，所述时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
T
为流场数据对的集合，即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，V
I
为V
T
中数据对的中间时间步数据，即9.根据权利要求1所述的方法，其特征在于，所述时间超分辨率网络的损失函数包括容积损失函数，所述容积损失函数满足：其中，为容积损失，为求取期望运算，V
′
为生成器生成的数据，V
T
为流场数据对的集合，V代表原始...

【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：