基于大数据风格迁移学习的电工装备温度场数值预测方法技术

本发明专利技术基于大数据风格迁移学习的电工装备温度场数值预测方法，包括如下步骤：在数值仿真软件中建立三种不同复杂程度的电工装备模型；脚本文件控制数值仿真软件创建包含影响因素和温度场分布信息的大数据集；数据处理，将大数据集分为训练集和测试集；构建神经网络模型；风格迁移与训练。本发明专利技术提出了一种将Transformer模型与图像风格迁移技术相结合的温度场预测模型，相比于其他温度场预测模型，可以实现并行计算，具有尺度不变性、全局信息掌握能力，避免了随着网络层数增加导致的信息量衰竭。量衰竭。量衰竭。

【技术实现步骤摘要】
基于大数据风格迁移学习的电工装备温度场数值预测方法


[0001]本专利技术属于大数据温度场数值计算
，尤其是涉及一种基于大数据风格迁移学习的电工装备温度场数值预测方法。

技术介绍

[0002]计算电磁学是电气工程、生物医学工程领域的重要组成部分，电
‑
磁
‑
热
‑
力场的数值计算在电气工程和相关领域中起着至关重要的作用，如电工装备设计、经颅磁刺激线圈设计、天线设计、光电子和雷达截面分析等。如何高效率、低成本地得到电工装备的电
‑
磁
‑
热
‑
力场分布情况，成为分析、掌握和优化电工装备的关键。
[0003]有限元数值法是当前最普遍的温度场数值计算方法，该方法以剖分插值和变分原理为基础，可用来解决由微分方程描述的各种物理场问题，随着该方法涉及到诸如复合、组合、三维、波动、瞬态、非线性、无限域、多场耦合等领域，其所需内存、单元数与计算工作量规模宏大，以至于理论上有限元法均可解决，而实际上所解决问题的复杂性与计算机运算能力之间存在矛盾。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据风格迁移学习的电工装备温度场数值预测方法，其特征在于，所述预测方法包括以下步骤：S1、在数值仿真软件中建立不同复杂程度的多种电工装备模型，并按照复杂程度对多种电工装备模型进行由简单到复杂的排序；S2、脚本文件控制数值仿真软件创建包含影响温度场分布的影响因素和温度场分布信息的大数据集：S3、数据处理，将大数据集分为训练集和测试集：对所述大数据集进行数据处理，所述数据处理过程是：将仿真后的每种电工装备模型所处空间进行栅格划分，得到每个栅格点的材料参数、激励参数和温度场分布；将需要的数据分布信息进行提取，需要的数据分布信息包括电工装备模型的材料参数和激励参数的分布信息、温度场分布信息，以电工装备模型的材料参数和激励参数的分布信息构成特征矩阵，不同种类的电工装备模型具有不同种类的特征矩阵，材料参数和激励参数的分布信息作为输入神经网络模型的特征矩阵，对应的温度场分布信息作为训练的标签；从数据处理后的大数据集中每种特征矩阵中随机提取部分作为测试集，剩余部分作为训练集；S4、构建神经网络模型并训练：所述神经网络模型包括样式序列路线和内容序列路线，两个序列路线的输出连接Transformer解码器；所述样式序列路线包括Transformer编码器、分块处理模块、线性投影操作，所述内容序列路线包括Transformer编码器、分块处理模块、线性投影操作、基于内容感知的位置编码机制；对排序后的多种电工装备模型的对应特征矩阵，训练时每次选择两种，相对简单电工装备模型的特征矩阵依次经样式序列路线的分块处理模块、线性投影操作、Transformer编码器后形成样式序列；相对复杂电工装备模型的特征矩阵依次经内容序列路线的分块处理模块、线性投影操作后与基于内容感知的位置编码机制的处理结果进行融合，融合后的结果经Transformer编码器输出内容序列，将样式序列和内容序列在Transformer解码器中进行融合解码并输出预测结果；Transformer解码器的输出为电工装备模型的温度场分布；...

【专利技术属性】
技术研发人员：杨新生，张仁天，陈婧，王子宁，王灵月，徐桂芝，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：