基于本征正交分解和深度学习融合的流场重建方法技术

本发明专利技术公开了一种基于本征正交分解和深度学习融合的流场重建方法，包括：S1，构造流场数据库，流场数据库中存储有离线状态的流场数据集合；S2，确定传感器放置位置并放置传感器，传感器用于在线观测流场部分点位的数据；S3，训练神经网络模型，并将传感器观测数据输入训练好的神经网络模型得到神经网络预测流场；S4，利用POD方法从流场数据中抽取POD模态；S5，基于Gappy POD方法，利用POD模态、神经网络预测流场、传感器测量数据构建最小化问题，求解获得POD模态系数；S6，基于求解的模态系数将POD模态线性组合输出流场重建结果。本方法对传感器观测数据的数量和质量更加鲁棒，求解精度更高，与神经网络直接预测相比没有显著增加重建时间，快速高效。快速高效。快速高效。

【技术实现步骤摘要】
基于本征正交分解和深度学习融合的流场重建方法


[0001]本专利技术涉及流场测量和重建
，尤其涉及一种基于本征正交分解和深度学习融合的流场重建方法。

技术介绍

[0002]掌握物理系统的状态对于系统的监测、控制、分析和设计至关重要，也是构建数字孪生系统的一项重要技术。这项技术的其中一个关键挑战是利用有限数量的传感器测量数据重建全局流场。例如，在飞行器表面或者流体流域内布置若干传感器获取物理系统的部分状态信息，并利用这些信息重建整个系统的速度场、压力场等，实现物理系统的全局状态感知。但是，直接利用部分观测值求解逆问题重构全局流场通常是困难的，难以直接得到恰当的重建结果。数据驱动的方法通过从历史数据学习重建全局流场，在各个流场重建应用中表现出优异的性能。
[0003]目前，基于本征正交分解(POD)和深度神经网络的方法是两种典型数据驱动的流场重建方法。基于POD的重建方法认为流场状态可以分解为一系列POD模态的线性叠加，其中每一个POD模态可以表征流场中的一种状态分布，并显式地将重建任务分解为POD模态分解和POD系数估计两部分。模态分解过程采用POD方法从历史流场数据抽取占主导地位的模态。系数估计一般包括回归模型预测和优化求解两种方法。Gappy POD是一种采用求解优化问题获得模态系数的重建方法，通过观测值和参考模态，将物理场重建问题转换为线性最小化问题。基于深度神经网络的重建方法利用神经网络的强大非线性拟合能力，通过学习部分观测值到全部流场的映射实现流场重建。
[0004]但是，Gappy POD和基于深度神经网络的方法在重建过程中存在各自的问题。Gappy POD一般采用最小二乘方法求解线性方程组获得最小化问题的解，其中观测值的数量决定线性方程组中方程数量。当观测值数量较小时，线性方程组为欠定，难以获得准确的解；当观测值数量充足时，线性方程组为超定，通过最小二乘法可以获得较为准确可靠的解。基于深度神经网络的重建方法对测点的数量和质量更加鲁棒，在少量测点情况下仍旧具有出色的重建性能。但是，基于深度神经网络的重建方法没有直接利用流场数据本身蕴含的结构，对训练样本的数量和质量要求高。此外，由于神经网络结构和拟合能力的限制，基于神经网络预测的方式在观测数据较多、抽取模态质量高的条件下，难以达到Gappy POD方法采用求解优化问题方式的重建精度。

技术实现思路

[0005]为解决上述现有技术中存在的部分或全部技术问题，本专利技术提供一种基于本征正交分解和深度学习融合的流场重建方法。技术方案如下：
[0006]提供了一种基于本征正交分解和深度学习融合的流场重建方法，包括：
[0007]S1，构造流场数据库，所述流场数据库中存储有离线状态的流场数据集合；
[0008]S2，确定传感器放置位置并放置传感器，所述传感器用于在线观测流场部分点位
的数据；
[0009]S3，训练神经网络模型，并将传感器观测数据输入训练好的神经网络模型得到神经网络预测流场；
[0010]S4，利用POD方法从流场数据中抽取POD模态；
[0011]S5，基于Gappy POD方法，利用POD模态、神经网络预测流场、传感器测量数据构建最小化问题，求解获得POD模态系数；
[0012]S6，基于求解的模态系数将POD模态线性组合输出流场重建结果。
[0013]在一些可选的实现方式中，所述流场数据库中存储的流场数据通过数值仿真或者收集历史实验数据获得。
[0014]在一些可选的实现方式中，步骤S3中，所述训练神经网络模型，包括：从离线流场数据中抽取传感器位置处的数据作为初始网络模型的输入，对应的完整的流场数据作为初始网络模型的输出，训练得到反映传感器观测数据到完整流场之间的映射关系的神经网络模型。
[0015]在一些可选的实现方式中，所述初始网络模型为全连接神经网络，采用叠加的全连接层为从离线数据中学习观测向量到全局流场状态向量的映射。
[0016]在一些可选的实现方式中，初始网络模型采用卷积神经网络，卷积神经网络采用图像表示观测值和全局流场其中n
x
和n
y
分别为二维计算区域的长和宽；
[0017]计算区域离散化表示为矩阵位置(i,j)处的坐标分别为
[0018]观测值放置在传感器对应位置处用于保留空间位置关系，其余位置的值设置为0，生成观测输入
[0019][0020]将观测输入o作为卷积神经网络的输入，全局流场s作为输出，采用多层的卷积层抽取特征，训练卷积神经网络。
[0021]在一些可选的实现方式中，步骤S5中，通过下述公式求解POD系数λ：
[0022][0023]其中，M为观测掩码，其为通过传感器位置确定的0
‑
1矩阵，A为POD方法抽取的模态U
′
，o为传感器测量到的观测值，o
′
为神经网络预测流场，W为控制神经网络预测流场影响大小的权重。
[0024]在一些可选的实现方式中，通过POD模态系数和POD模态的线性组合，得到重建的物理场：
[0025]s＝Aλ。
[0026]在一些可选的实现方式中，通过奇异值分解实现本征正交分解，对包含所有快照数据的快照矩阵S进行如下操作：
[0027]S＝UU
T
A＝UΛ
[0028]快照矩阵分解为POD基U和简约系数矩阵Λ；
[0029]取前k个占主导地位的POD模态作为U
′
，快照矩阵S近似表示为：
[0030]S
′
＝U
′
Λ
′
。
[0031]在一些可选的实现方式中，M为0
‑
1矩阵，矩阵中与传感器位置对应处的值为1，其余为0。
[0032]本专利技术技术方案的主要优点如下：
[0033]本专利技术的基于本征正交分解和深度学习融合的流场重建方法，采用深度神经网络模型学习少量传感器观测数据到完整流场的映射，并提供重建结果辅助Gappy POD方法进一步重建流场。Gappy POD采用POD方法提取流场模态，并基于观测数据、深度神经网络预测的参考流场、POD模态建立线性最小化问题，采用最小二乘法求解模态系数并获得最终重建结果。与原始的Gappy POD方法相比，本专利技术提出的方法对传感器观测数据的数量和质量更加鲁棒，求解精度更高。与采用深度神经网络的流场重建方法相比，本专利技术提出的方法利用流场数据本身内在结构，通过优化求解替代回归预测，可以进一步提高流场重建的精度。此外，Gappy POD求解过程可以简化为矩阵间相乘，与神经网络直接预测相比没有显著增加重建时间，是一种快速高精度的流场重建方法。
附图说明
[0034]此处所说明的附图用来提供对本专利技术实施例的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0035]图1(a本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于本征正交分解和深度学习融合的流场重建方法，其特征在于，包括：S1，构造流场数据库，所述流场数据库中存储有离线状态的流场数据集合；S2，确定传感器放置位置并放置传感器，所述传感器用于在线观测流场部分点位的数据；S3，训练神经网络模型，并将传感器观测数据输入训练好的神经网络模型得到神经网络预测流场；S4，利用POD方法从流场数据中抽取POD模态；S5，基于Gappy POD方法，利用POD模态、神经网络预测流场、传感器测量数据构建最小化问题，求解获得POD模态系数；S6，基于求解的模态系数将POD模态线性组合输出流场重建结果。2.根据权利要求1所述的基于本征正交分解和深度学习融合的流场重建方法，其特征在于，所述流场数据库中存储的流场数据通过数值仿真或者收集历史实验数据获得。3.根据权利要求1所述的基于本征正交分解和深度学习融合的流场重建方法，其特征在于，步骤S3中，所述训练神经网络模型，包括：从离线流场数据中抽取传感器位置处的数据作为初始网络模型的输入，对应的完整的流场数据作为初始网络模型的输出，训练得到反映传感器观测数据到完整流场之间的映射关系的神经网络模型。4.根据权利要求3所述的基于本征正交分解和深度学习融合的流场重建方法，其特征在于，所述初始网络模型为全连接神经网络，采用叠加的全连接层为从离线数据中学习观测向量到全局流场状态向量的映射。5.根据权利要求3所述的基于本征正交分解和深度学习融合的流场重建方法，其特征在于，初始网络模型采用卷积神经网络，卷积神经网络采用图像表示观测值和全局流场其中n
x
和n
y
分别为二维计算区域的长和宽；计算...

【专利技术属性】
技术研发人员：龚智强，赵啸宇，周炜恩，张小亚，李昱，
申请(专利权)人：中国人民解放军军事科学院国防科技创新研究院，
类型：发明
国别省市：