一种考虑流动控制方程约束的流场时程深度学习预测方法技术

本发明专利技术提供一种考虑流动控制方程约束的流场时程深度学习预测方法，包括以下步骤：采集并测量流场不同位置处于流动的时程信号，生成样本集；生成的所述样本集建立用于流场时程信号的深度学习模型；根据样本集训练所述深度学习模型，获取训练数据集下的模型结果；根据获取的所述模型结果，判断获取的所述深度学习模型的精度，并随机预测多个测点处的流场信号；重新对时程信号数据集进行训练，获取修正后的模型；根据获取的修正后的模型，生成流场时程信号。本发明专利技术解决了传感器时程数据较少情况下模型精度不足的问题，使得模型的结果符合物理规律；同时，基于流场时程数据作为模型训练数据集，相比于其他研究的瞬时流场切片数据更有实际意义，可将稀疏的传感器采集的流场数据输入模型进行训练与预测。据输入模型进行训练与预测。据输入模型进行训练与预测。

【技术实现步骤摘要】
一种考虑流动控制方程约束的流场时程深度学习预测方法


[0001]本专利技术涉及流场测试
，具体而言，尤其涉及一种考虑流动控制方程约束的流场时程深度学习预测方法。

技术介绍

[0002]神经网络作为一种强大的信息处理工具在计算机视觉,生物医学,油气工程开发等多种领域得到广泛应用。神经网络具有非常强的学习能力,同样被广泛使用在计算流体力学领域，近年来基于深度学习的偏微分方程求解已是研究新热点。
[0003]传统CFD方法求解纳维
‑
斯托克斯(N
‑
S)方程需要确定边界与初始条件，划分大量网格并进行复杂的后处理，计算成本较高，目前已有大量学者将深度学习技术中的多种模型应用在该领域，得到了较好的结果。
[0004]目前广泛使用的方法是数据驱动方法，神经网络模型对数据有大量的要求，且由于流场数据非线性较强，需要使用大量标签数据作为模型的训练集，一定程度上并没有体现出神经网络解方程的优势，直到有学者提出了物理知情神经网络(PINN)，将普通神经网络模型与物理方程相结合，有效地解决了上述问题，然而对PINN方法的精度影响却少有研究。

技术实现思路

[0005]根据上述
技术介绍
中提到的技术问题，而提供一种考虑流动控制方程约束的流场时程深度学习预测方法，优化了传统神经网络模型结构，赋予其一定的物理意义，大大提高了模型预测的精度，可为一系列流场重构与预测提供更精确的手段。
[0006]本专利技术采用的技术手段如下：
[0007]一种考虑流动控制方程约束的流场时程深度学习预测方法，包括以下步骤：
[0008]步骤S1：采集并测量流场不同位置处于流动的时程信号，生成样本集；
[0009]步骤S2：根据所述步骤S1生成的所述样本集建立用于流场时程信号的深度学习模型；
[0010]步骤S3：将所述步骤S1中的所述样本集训练所述深度学习模型，获取训练数据集下的模型结果；
[0011]步骤S4：根据所述步骤S3获取的所述模型结果，判断所述步骤S2中获取的所述深度学习模型的精度，并随机预测多个测点处的流场信号；
[0012]步骤S5：在所述步骤S2中所述深度学习模型的损失函数中加入物理方程后，重新对所述步骤S1的时程信号数据集进行训练，获取修正后的模型；
[0013]步骤S6：根据所述步骤S5获取的修正后的模型，生成流场时程信号。
[0014]较现有技术相比，本专利技术具有以下优点：
[0015](1)本专利技术填补了现有研究方法无法用于传感器时程数据的问题，基于流场时程数据作为模型训练数据集，相比于其他研究的瞬时流场切片数据更有实际意义，可以还原
测量范围内其他位置的时程，可将传感器采集的流场数据输入模型进行训练与预测。
[0016](2)本试验方法填补了现有方法的网络模型没有物理含义的缺点，将物理方程加入网络模型，保证模型的预测结果与真实流场数据更加吻合，比纯数据驱动的结果相比有显著提高。
[0017]基于上述理由本专利技术可在求解基于传感器时程数据的稀疏流场的精细化研究等领域广泛推广。
附图说明
[0018]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0019]图1为本专利技术具体实施方式中物理约束深度学习模型模拟流场时程数据的精细化试验方法流程图；
[0020]图2为本专利技术实施例中的流场网格划分方式示意图；
[0021]图3为本专利技术实施例中的CFD模拟瞬态云图；
[0022]图4为本专利技术实施例中训练集测点的选取示意图；
[0023]图5为本专利技术实施例中不加方程的神经网络模型原理示意图；
[0024]图6为本专利技术实施例中的模型训练总损失；
[0025]图7为本专利技术实施例中不加方程下训练少量时程数据的模型预测结果；
[0026]图8为本专利技术实施例中加方程的物理约束神经网络模型原理示意图；
[0027]图9为本专利技术实施例中加入物理方程后训练少量时程数据的模型预测结果。
具体实施方式
[0028]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0029]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0030]如图1
‑
9所示，本专利技术提供了一种考虑流动控制方程约束的流场时程深度学习预测方法，包括以下步骤：
[0031]步骤S1：采集并测量流场不同位置处于流动的时程信号，生成样本集。进行不同位
置流场时程信号的采集与测量，可以采用传感器采集、CFD数值模拟、实验室测量等多种方式得到数据集，本实施例中使用CFD模拟方法获得流场时程数据。进一步地，步骤S1还包括以下步骤：
[0032]步骤S11：将流场划分为网格；具体地，本实施例中的网格划分如图2所示，特征长度为方柱的边长D，计算区域的顺流方向(X)长度为40D，横向(Y)长度20D，采用非结构化网格划分方式，共得到27732个网格单元。在远离壁面的位置划分较少的网格，而离壁面较近的尾流区域需要采用较密的网格，壁面处采用结构化网格。
[0033]步骤S12：根据所述步骤S11划分流场的网格，设置初始与边界条件；具体地，最左侧边界设置为速度入口，右侧为压力出口，上下边界设置为对称面，壁面为无滑移边界。
[0034]步骤S13：根据流场方程进行流场的数值模拟；具体的，本实施例模拟了Re＝100二维方柱流场，来流速度为1m/s,训练时间步长间隔为0.1s，训练至稳定状态后得到流场的时程数据。本实施例中的CFD流场瞬态云图如图3所示，包括流向速度云图U以及横向速度云图V。
[0035]步骤S14：根据所述步骤S13的模拟数值，随机选择部分样本时程数据生成训练数据集。具体地，本实施例中对计算域中X在(
‑
2,8)以及Y(
‑
3,3)的范围内分别等间距划分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑流动控制方程约束的流场时程深度学习预测方法，其特征在于，包括以下步骤：步骤S1：采集并测量流场不同位置处于流动的时程信号，生成样本集；步骤S2：根据所述步骤S1生成的所述样本集建立用于流场时程信号的深度学习模型；步骤S3：将所述步骤S1中的所述样本集训练所述深度学习模型，获取训练数据集下的模型结果；步骤S4：根据所述步骤S3获取的所述模型结果，判断所述步骤S2中获取的所述深度学习模型的精度，并随机预测多个测点处的流场信号；步骤S5：在所述步骤S2中所述深度学习模型的损失函数中加入物理方程后，重新对所述步骤S1的时程信号数据集进行训练，获取修正后的模型；步骤S6：根据所述步骤S5获取的修正后的模型，生成流场时程信号。2.根据权利要求1所述的一种考虑流动控制方程约束的流场时程深度学习预测方法，其特征在于，所述步骤S1还包括以下步骤：步骤S11：将流场划分为网格；步骤S12：根据所述步骤S11划分流场的网格，设置初始与边界条件；步骤S13：根据流场方程进行流场的数值模拟；步骤S14：根据所述步骤S13的模拟数值，随机选择部分样本时程数据生成训练数据集。3.根据权利要求1所述的一种考虑流动控制方程约束的流场时程深度学习预测方法，其特征在于，所述步骤S2还包括以下步骤：步骤S21：确定深度学习模型的类型；步骤S22：确定所述深度学习模型的损失函数；步骤S23：设置网络结构与参数，获取深度学习模型。4.根据权利要求3所述的一种考虑流动控制方程约束的流场时程深度学习预测方法，其特征在于，所述深度学习模型的损失函数为均方误差MSE；由时程数据的真实值与模型计算得到的还原值构建残差，即Loss＝loss
data
；其中，data表示的是步骤S1中的数据集；所述MSE组成为：其中，u表示顺流速度，v表示横向速度，i表示测点的编号，N表示测点总数。5.根据权利要求1所述的一种考虑流动控制方程约束的流场时程深度学习预测方法，其特征在于，所述步骤S3还包括以下步骤：步骤S31：将所述样本集输入到深度学习模型中并设置训练的参数；步骤S32：训练所述深度学习模型并得到模型的参数。6.根据权利要求1所述的一种考虑流动控制方程约束的流场时程深度学习预测方法，其特征在于，所述步骤S4还包括以下步骤：步骤S41：获取预测集；在总体样本中除去训练集即为预测集...

【专利技术属性】
技术研发人员：战庆亮，李福全，吴佳旭，鄂展韬，包东明，晁阳，刘鑫，白春锦，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：