一种基于深度学习的压强效应场分布预测方法技术

本发明专利技术实施例公开了一种基于深度学习的压强效应场分布预测方法，该方法属于深度学习领域。为加速冲击波传播过程中压强效应场分布的计算速度，设计基于深度学习的压强效应场分布预测网络，通过使用基于ConvGRU的编码

【技术实现步骤摘要】
一种基于深度学习的压强效应场分布预测方法


[0001]本专利技术涉及深度学习
，具体涉及一种基于深度学习的压强效应场分布预测方法。

技术介绍

[0002]模拟实验和数值模拟是分析爆炸冲击波传播过程的重要手段。模拟实验，特别是大规模试验，存在重复性差、技术难度大、成本昂贵缺点。数值模拟计算精度高，然而计算代价大，初始条件和边界条件改变时需要重新计算，难以满足快速评估和实时展示的需求。针对以上问题，本专利技术提出一种基于深度学习的压强效应场分布预测方法，来对冲击波传播过程中的压强效应场分布进行预测，并实现分钟级的运行速度，满足快速评估和实时展示的需求。

技术实现思路

[0003]本专利技术实施例的目的在于提供一种基于深度学习的压强效应场分布预测方法，来对冲击波传播过程中的压强效应场分布进行预测，并实现分钟级的运行速度，满足快速评估和实时展示的需求。
[0004]为实现上述目的，本专利技术实施例提供一种基于深度学习的压强效应场分布预测方法。
[0005]该方法包括以下步骤：
[0006]S1：数据生成和数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的压强效应场分布预测方法，其特征在于，该方法包括以下步骤：S1：数据生成和数据预处理；S2：对训练数据进行采样，生成训练集，提供给模型进行训练；S3：使用改进的ConvGRU构建压强效应场分布预测模型，并使用训练集对模型进行训练，使用MSE Loss作为损失函数；S4：根据数据特点和需求，定制模型评价指标，将测试数据输入训练好的压强效应场分布预测模型进行测试，根据评价指标来评价模型好坏；S5：在使用时，用户只需输入计算参数和地形掩码，即可预测得到后续50帧的数据。2.如权利要求1所述的方法，其特征在于，所述步骤S1中，将计算参数和地形信息输入至数值仿真平台，使用均匀网格进行计算，生成的数据为VTK格式的各个时刻的压强效应分布数据和其对应的时刻信息，时刻信息均匀等距，数据之间在场景上存在差异；将VTK格式数据转化成四维数组，第一个维度为帧数，后续三个维度代表每一帧压强分布；将每个网格看成一个像素点，将网格的值赋予像素点；每个原始数据包含N个连续时刻的VTK格式数据，最后转化为N帧三维图像数据。3.如权利要求1所述的方法，其特征在于，所述步骤S2中，训练数据和测试数据的数量比例为2:1，且训练数据与测试数据的场...

【专利技术属性】
技术研发人员：李露雄，褚新坤，张浩，姜龙祥，肖永浩，李海峰，钱米登，周园林，
申请(专利权)人：中国工程物理研究院计算机应用研究所，
类型：发明
国别省市：