【技术实现步骤摘要】
基于深度学习的流场时空超分辨方法
[0001]本专利技术涉及流场分析
，具体涉及一种基于深度学习的流场时空超分辨方法。
技术介绍
[0002]在实际工程应用中，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。对于如何掌握物理系统的状态，其中一个关键问题是获取物理系统对应的高分辨率流场。
[0003]传统上，流场信息的获取通常采用基于有限元、有限差分以及有限体积等技术的直接数值方法计算获取。然而，利用直接数值方法计算流场时，会涉及大量偏微分方程求解，所需的计算成本和时间成本较高。并且，当需要获取高分辨流场时，还会涉及较为精细的网格，会增加计算负担，进一步导致高分辨流场的获取成本增加。
技术实现思路
[0004]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深度学习的流场时空超分辨方法。
[0005]本专利技术的技术方案如下：
[0006]提供了一种基于深度学习的流场时空超分辨方法，所述方法包括：
[0007]获取待分析的物理系统在预设初始时...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的流场时空超分辨方法，其特征在于，包括：获取待分析的物理系统在预设初始时刻的高分辨率流场和低分辨率流场、以及在预设目标时刻的低分辨率流场；将预设初始时刻和预设目标时刻的低分辨率流场输入预先训练的时间预测模型，得到预设初始时刻和预设目标时刻的低分辨率流场对应的多个预设中间时刻的低分辨率流场；将预设初始时刻的高分辨率流场、多个预设中间时刻的低分辨率流场和预设目标时刻的低分辨率流场输入预先训练的空间预测模型，得到对应的多个预设中间时刻的高分辨率流场和预设目标时刻的高分辨率流场；输出预设初始时刻至预设目标时刻的高分辨率流场。2.根据权利要求1所述的基于深度学习的流场时空超分辨方法，其特征在于，所述时间预测模型采用U
‑
Net网络作为基础网络。3.根据权利要求1或2所述的基于深度学习的流场时空超分辨方法，其特征在于，所述时间预测模型通过如下步骤训练：获取第一训练数据集，第一训练数据包括预设初始时刻和预设目标时刻的低分辨率流场及其对应的多个预设中间时刻的低分辨率流场；将所述第一训练数据集中的第一训练数据的预设初始时刻和预设目标时刻的低分辨率流场作为所述时间预测模型的输入，将所述第一训练数据集中的第一训练数据的多个预设中间时刻的低分辨率流场作为所述时间预测模型的输出，训练所述时间预测模型。4.根据权利要求3所述的基于深度学习的流场时空超分辨方法，其特征在于，将所述第一训练数据集中的第一训练数据的预设初始时刻和预设目标时刻的低分辨率流场作为所述时间预测模型的输入，将所述第一训练数据集中的第一训练数据的多个预设中间时刻的低分辨率流场作为所述时间预测模型的输出，训练所述时间预测模型，包括以下步骤：步骤S221，将所述第一训练数据集中的每个第一训练数据的预设初始时刻和预设目标时刻的低分辨率流场依次输入所述时间预测模型，得到所述时间预测模型输出的每个第一训练数据所对应的多个预设中间时刻的预测低分辨率流场；步骤S222，将所述时间预测模型输出的每个第一训练数据所对应的多个预设中间时刻的预测低分辨率流场与每个第一训练数据中的多个预设中间时刻的低分辨率流场进行比较，计算所述时间预测模型的预测准确率；步骤S223，判断连续的至少两次得到的预测准确率是否大于预设准确率阈值，若是，则将当前的所述时间预测模型作为完成训练的所述时间预测模型，若否，则调整所述时间预测模型的参数，并返回步骤S221。5.根据权利要求4所述的基于深度学习的流场时空超分辨方法，其特征在于，采用L1损失函数作为所述时间预测模型在训练时的损失函数。6.根据权利要求1所述的基于深度学习的流场时空超分辨方法，其特征在于，所述空间预测模型采用U
‑
Net网络作为基础网络。7.根据权利要求1或6所述的基于深度学...
【专利技术属性】
技术研发人员：姚雯，包凯瑞，彭伟，陈小前，龚智强，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：
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。