一种基于PINN模型的AUV编队流场预测方法技术

本发明专利技术公开了一种基于PINN模型的AUV编队流场预测方法，包括，S1：获取AUV编队的流场边界数据；S2：获取满足流场边界条件的流场计算域特解；S3：建立PINN模型；S4：将流场计算域的坐标和时间输入至所述PINN模型中，获取AUV编队流场的初始预测数据；S5：建立AUV编队流场计算域上的光滑函数；S6：对初始预测数据进行修正，获取修正后的预测数据；S7：获得优化后PINN模型；S8：获取AUV编队流场的精确预测结果。本发明专利技术不仅能够快速求解任何单连通流场区域问题，也能快速求解任意多连通流场区域问题，最终实现了对任何AUV编队复杂流场的快速预测。终实现了对任何AUV编队复杂流场的快速预测。终实现了对任何AUV编队复杂流场的快速预测。

【技术实现步骤摘要】
一种基于PINN模型的AUV编队流场预测方法


[0001]本专利技术涉及计算流体力学与人工智能交叉
，尤其涉及一种基于PINN模型的AUV编队流场预测方法。

技术介绍

[0002]自主式水下航行器(Autonomous Underwater Vehicle，AUV)是海洋资源探索和海洋科学研究的重要工具。在很多情况下AUV采用编队的方式协同合作执行大范围探测任务,其广阔的应用前景吸引了众多研究人员的关注。为了满足设备布置要求，AUV自身携带的电源容量有限，水下作业时间和作业范围等将受到限制。计算分析AUV编队的流场特性，是提出降低AUV编队的能源损耗方案的重要前提，是进一步提升AUV编队执行任务能力的关键。
[0003]人工智能技术在海洋工程领域中具有广阔的应用前景。物理神经网络(Physics Informed Neural Network，PINN)在训练过程中施加了物理信息约束，用较少的数据样本便可学习到更具泛化能力的代理模型。但是，已有方法处理几何特性较为复杂的AUV编队流场具有较大难度，迭代收敛速度以及结果精度难以满足要求。

技术实现思路

[0004]本专利技术提供一种基于PINN模型的AUV编队流场预测方法，以克服上述技术问题。
[0005]为了实现上述目的，本专利技术的技术方案是：
[0006]一种基于PINN模型的AUV编队流场预测方法，包括以下步骤，
[0007]S1：获取AUV编队的流场边界数据；所述流场边界数据包括u
boun
>(t，x
boun
，y
boun
)、v
boun
(t，x
boun
，y
boun
)和P
boun
(t，x
boun
，y
boun
)；
[0008]其中，u
boun
(t，x
boun
，y
boun
)表示在流场边界上，t时刻坐标(x
boun
，y
boun
)处在x方向的速度分量；v
boun
(t，x
boun
，y
boun
)表示在流场边界上，t时刻坐标(x
boun
，y
boun
)处在y方向的速度分量；P
boun
(t，x
boun
，y
boun
)表示在流场边界上，t时刻坐标(x
boun
，y
boun
)处压强的模；
[0009]S2：根据所述流场边界数据，训练基于数据驱动的全连接神经网络，以基于训练后的基于数据驱动的全连接神经网络，获取满足流场边界条件的流场计算域特解；
[0010]S3：确定PINN的层数以及每一层的神经元个数，初始化PINN模型的权重和偏重，确定PINN模型训练的偏微分方程，以建立PINN模型；
[0011]S4：将流场计算域的坐标和时间输入至所述PINN模型中，基于所述PINN模型获取AUV编队流场的初始预测数据；
[0012]S5：建立AUV编队流场计算域上的光滑函数；其中，所述光滑函数的值在AUV编队流场计算域的边界上为零，在AUV编队流场计算域的内部不为零；
[0013]S6：根据所述AUV编队流场计算域上的光滑函数，和满足流场边界条件的流场计算域特解，对所述初始预测数据进行修正，获取修正后的预测数据；
[0014]S7：根据修正后的预测数据，以及基于PINN模型训练的偏微分方程的损失函数，获得优化后PINN模型；
[0015]S8：根据优化后PINN模型、光滑函数以及所述流场计算域特解，获取AUV编队流场的精确预测结果。
[0016]进一步的，所述S2中，获取满足流场边界条件的流场计算域特解的方法如下：
[0017]S21：将流场边界的坐标(x
boun
，y
boun
)和时间t输入至所述基于数据驱动的全连接神经网络，将所述流场边界数据作为训练数据，获取训练后的基于数据驱动的全连接神经网络；
[0018]S22：将AUV编队的流场计算域的坐标(x
par
，y
par
)和时间t输入至所述训练后的基于数据驱动的全连接神经网络，获取满足流场边界条件的流场计算域特解u
par
(t，x
par
，y
par
)、v
par
(t，x
par
，y
par
)和p
par
(t，x
par
，y
par
)；其中，u
par
(t，x
par
，y
par
)表示在流场计算域内，t时刻坐标(x
par
，y
par
)处在x方向的速度分量；v
par
(t，x
par
，y
par
)表示在流场计算域内，t时刻坐标(x
par
，y
par
)处在y方向的速度分量；p
par
(t，x
par
，y
par
)表示在流场计算域内，t时刻坐标(x
par
，y
par
)处压强的模。
[0019]进一步的，所述基于数据驱动的全连接神经网络包括输入层、隐藏层和输出层；
[0020]所述输入层用于输入流场边界的横坐标x
boun
，流场边界的纵坐标y
boun
和时间t；
[0021]所述隐藏层包括K层，其中，第k，k∈1，2，
…
，K层的隐藏层包括j，j∈1，2，
…
，n个神经元；
[0022]其中，第k层隐藏层的第j个神经元中的数据的计算公式如下：
[0023][0024]其中，k表示基于数据驱动的全连接神经网络的隐藏层的编号；为第k层第j个神经元中的数据；f(
·
)为激活函数；为第k层第j个神经元中，与第k
‑
1层第i个神经元相对应的权重；i表示第k
‑
1层的神经元编号；为第k层第j个神经元中的偏重；
[0025]其中，当k＝1时，为基于数据驱动的全连接神经网络的输入层中第i个神经元中的数据；
[0026]满足流场边界条件的流场计算域特解即基于数据驱动的全连接神经网络的输出层的输出结果为：
[0027][0028][0029][0030]其中，为第K层第j个神经元中的数据；为输出层第1个神经元中，与第K层第j个神经元相对应的权重；为输出层第1个神经元中的偏重。
[0031]进一步的，所述S3中，所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PINN模型的AUV编队流场预测方法，其特征在于，包括以下步骤，S1：获取AUV编队的流场边界数据；所述流场边界数据包括u
boun
(t,x
boun
,y
boun
)、v
boun
(t,x
boun
,y
boun
)和P
boun
(t,x
boun
,y
boun
)；其中，u
boun
(t,x
boun
,y
boun
)表示在流场边界上，t时刻坐标(x
boun
,y
boun
)处在x方向的速度分量；v
boun
(t,x
boun
,y
boun
)表示在流场边界上，t时刻坐标(x
boun
,y
boun
)处在y方向的速度分量；P
boun
(t,x
boun
,y
boun
)表示在流场边界上，t时刻坐标(x
boun
,t
boun
)处压强的模；S2：根据所述流场边界数据，训练基于数据驱动的全连接神经网络，以基于训练后的基于数据驱动的全连接神经网络，获取满足流场边界条件的流场计算域特解；S3：确定PINN的层数以及每一层的神经元个数，初始化PINN模型的权重和偏重，确定PINN模型训练的偏微分方程，以建立PINN模型；S4：将流场计算域的坐标和时间输入至所述PINN模型中，基于所述PINN模型获取AUV编队流场的初始预测数据；S5：建立AUV编队流场计算域上的光滑函数；其中，所述光滑函数的值在AUV编队流场计算域的边界上为零，在AUV编队流场计算域的内部不为零；S6：根据所述AUV编队流场计算域上的光滑函数，和满足流场边界条件的流场计算域特解，对所述初始预测数据进行修正，获取修正后的预测数据；S7：根据修正后的预测数据，以及基于PINN模型训练的偏微分方程的损失函数，获得优化后PINN模型；S8：根据优化后PINN模型、光滑函数以及所述流场计算域特解，获取AUV编队流场的精确预测结果。2.根据权利要求1所述的一种基于PINN模型的AUV编队流场预测方法，其特征在于，所述S2中，获取满足流场边界条件的流场计算域特解的方法如下：S21：将流场边界的坐标(x
boun
,y
boun
)和时间t输入至所述基于数据驱动的全连接神经网络，将所述流场边界数据作为训练数据，获取训练后的基于数据驱动的全连接神经网络；S22：将AUV编队的流场计算域的坐标(x
par
,y
par
)和时间t输入至所述训练后的基于数据驱动的全连接神经网络，获取满足流场边界条件的流场计算域特解u
par
(t,x
par
,y
par
)、v
par
(t,x
par
,y
par
)和p
par
(t,x
par
,y
par
)；其中，u
par
(t,x
par
,y
par
)表示在流场计算域内，t时刻坐标(x
par
,y
par
)处在x方向的速度分量；v
par
(t,x
par
,y
par
)表示在流场计算...

【专利技术属性】
技术研发人员：于海成，赵英东，吴松昊，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：