一种产生重建流场输入条件构造模型的方法技术

本发明专利技术提供一种产生重建流场输入条件构造模型的方法。该方法包括：通过利用神经网络构建模块、多模态数据编码模块和贝叶斯分析模块构建以多模态数据作为控制条件的扩散模型，所述多模态数据编码模块为所述扩散模型的输入处理层，所述贝叶斯分析模块作为所述扩散模型的反向推理模块；基于要求构造重建流场输入条件的多模态数据、以及该多模态数据对应的流场重建输入条件张量组成的训练样本对所述扩散模型进行加噪前向训练以及反向推演，以得到产生重建流场输入条件的构造模型。对通过本发明专利技术的技术方案得到的所述构造模型输入相应的多模态数据，可以准确高效的得到后续流场重构所需要的输入条件。所需要的输入条件。所需要的输入条件。

【技术实现步骤摘要】
一种产生重建流场输入条件构造模型的方法


[0001]本专利技术涉及AI在科学计算的应用领域，具体涉及一种产生重建流场输入条件构造模型的方法，及计算机可读存储介质。

技术介绍

[0002]在传统的流场重建研究中，为了能训练出一个可以根据不同输入条件得到准确流场的模型，需要准备恰当的数据集进行神经网络的训练。但是，针对这种包含输入条件的数据集的构造方法较为复杂。例如，对于圆柱绕流问题，研究者在明确计算域几何拓扑和物理边界条件之后，需要分别手动生成与几何拓扑信息对应的MASK矩阵和与边界条件对应的标识符矩阵。对于MASK矩阵，首先需要手动将位于圆柱内部的矩阵值赋值为
‑
1，圆柱外部的矩阵赋值为1，形成zero
‑
level矩阵；然后使用快速行进算法(Fast marching method,FMM)对该zero
‑
level矩阵进行计算以得到最终的MASK矩阵。对于标识符矩阵，则需要按照对应位置，手动对矩阵边界、内部几何边界处赋值。上述输入条件的构造方式不仅要求相关人员具有传统的计算流体力学的相关知识，还需要对张量和深度学习有所了解，使用门槛较高。上述整个操作仅是针对一组工况进行的，如果训练数据较多，则整个数据准备过程将非常耗时，没有效率。
[0003]近年来，随着深度学习在图像处理、语音识别和自然语言处理等领域迅速发展，相关的技术也逐渐地应用于处理具有复杂非线性、高维度、大数据量等特点的流体力学方向。深度学习流场重建本质上是一种数据驱动的方法，它能够从大量的流体数据中提取特征并构建代理模型，实现各种流场的快速计算。在深度学习流场重建的建模过程中，最为复杂也最为核心的步骤就是对输入条件的构造，这关系到训练的收敛性和训练完成后模型的预测准确性。目前，流场重建输入条件往往需要人为手动的对某些矩阵进行计算或赋值。对应的过程较为复杂，不仅使得没有深度学习相关知识的人难以开展相关工作，也降低了整体建模的效率。
[0004]扩散模型(Diffusion模型)是于2020年提出的一种生成式AI模型。其本质上是一种基于马尔可夫链(Markov Chain)的生成模型，它将生成过程分解为顺序步骤，并使用去噪自动编码器来实现。与VAE或流模型不同，扩散模型是通过固定过程学习，并且隐空间z具有比较高的维度。Diffusion模型最大的优点是可以产生更多样化、更真实、更高质量的图像，而且不会受到GANs中存在的“mode collapse”问题影响。该模型还能够产生更多样化的图像，并被证明不会受到模式崩溃的影响。这是由于扩散模型保留数据语义结构的能力。

技术实现思路

[0005]本专利技术的目的在于，结合人工智能技术提供一种可以根据要求流场重建的多模态数据，准确、快速地构建流场重建输入条件的模型、方法。通过本专利技术提供的技术方案降低构造流场重建输入条件对相关工程人员的专业知识水平的要求，降低输入条件构造过程中由于人为因素导致的错误，提高流场重建输入条件构构造效率。
[0006]本专利技术提供的第一方面提供一种产生重建流场输入条件构造模型的方法。该方法包括以下步骤：
[0007]S1、构建训练样本集，训练样本集中的训练样本包括：要求构造重建流场输入条件的多模态数据、以及该多模态数据对应的流场重建输入条件张量；
[0008]S2、构建以多模态数据作为控制条件的扩散模型；
[0009]S3、基于所述训练样本集训练所述构建的扩散模型以得到重建流场输入条件构造模型。
[0010]其中，所述步骤S1中要求构造重建流场输入条件的多模态数据对应的流场重建输入条件数据，包括：以张量存储的形状MASK矩阵、边界条件或初始条件。
[0011]进一步地，所述步骤S2进一步实现为：利用神经网络构建模块、多模态数据编码模块和贝叶斯分析模块构建所述扩散模型，包括：结合Transformer和自注意力机制，利用神经网络构建模块构建所述扩散模型所需要使用的U
‑
net型神经网络；添加所述多模态数据编码模块为所述扩散模型的输入处理层，添加所述贝叶斯分析模块作为所述扩散模型的反向推理模块。
[0012]进一步地，步骤S3中训练所述构建的扩散模型以得到重建流场输入条件构造模型，实现为：
[0013]对训练样本进行预处理：利用所述多模态数据编码模块将所述训练样本中要求构造重建流场输入条件的多模态数据编码转换为指定形式的张量，并基于设置的前向加噪步数向所述训练样本中的流场重建输入条件张量中添加噪声数据；利用预处理后得到的训练样本，对所述扩散模型的U
‑
net型神经网络进行前向加噪训练；
[0014]利用所述扩散模型中的贝叶斯分析模块，对所述前向加噪训练得到的U
‑
net型神经网络输出的添加了噪声的流场重建输入条件张量进行反向推理、迭代还原，当迭代还原出理想的流场重建输入条件时的所述扩散模型作为重建流场输入条件构造模型。优选地，所述噪声为高斯噪声。
[0015]本专利技术的第二方面还提供一种产生重建流场输入条件的方法，包括：将要求构造重建流场输入条件的多模态数据输入到经由上述产生重建流场输入条件构造模型的方法得到的重建流场输入条件构造模型进行预测，以得到对应的重建流场输入条件张量。
[0016]另外，本专利技术还提供一种计算机可读存储介质。该计算机可读存储介质存储有程序代码；所述程序代码在被计算机执行时，实现上述产生重建流场输入条件构造模型的方法。
[0017]本专利技术的技术方案产生的重建流场输入条件构造模型，不仅能够快速地基于通俗易懂的多模态数据准确地得到流场重建输入条件张量，降低工程人员的工作量以及在构造流场重建输入条件时产生的人为失误；而且该构造模型还对控制多模态数据的噪声容错能力强，通过该构造模型工程人员能够不受限于具体的多模态数据内容形式，便捷地得到流场重建输入条件张量。
附图说明
[0018]图1为本专利技术提供的产生重建流场输入条件构造模型的方法的流程示意图。
[0019]图2为本专利技术提供的产生重建流场输入条件构造模型的方法在实际应用时的阶段
示意图。
具体实施方式
[0020]为了使本专利技术所解决的技术问题、技术方案以及有益效果更加清楚明白，以下结合附图对本专利技术进行进一步详细说明。应该理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0021]如图1所示中，本专利技术提供的产生重建流场输入条件构造模型的方法，包括以下步骤：
[0022]本专利技术提供的第一方面提供一种产生重建流场输入条件构造模型的方法。该方法包括以下步骤：
[0023]S1、构建训练样本集，训练样本集中的训练样本包括：要求构造重建流场输入条件的多模态数据、以及该多模态数据对应的流场重建输入条件张量；所述多模态数据为多模态数据、图像数据或者音频数据；
[0024]S2、构建以多模态数据作为控制条件的扩散模型；
[0025]S3、基于所述训练样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种产生重建流场输入条件构造模型的方法，其特征在于，该方法包括：S1、构建训练样本集，训练样本集中的训练样本包括：要求构造重建流场输入条件的多模态数据、以及该多模态数据对应的流场重建输入条件张量；所述多模态数据为多模态数据、图像数据或者音频数据；S2、构建以所述多模态数据作为控制条件的扩散模型；S3、基于所述训练样本集训练所述构建的扩散模型以得到重建流场输入条件构造模型。2.如权利要求1所述的方法，其特征在于，所述步骤S1中要求构造重建流场输入条件的多模态数据对应的流场重建输入条件数据，包括：以张量存储的形状MASK矩阵、边界条件或初始条件。3.如权利要求1所述的方法，其特征在于，所述步骤S2实现为：利用神经网络构建模块、多模态数据编码模块和贝叶斯分析模块构建所述扩散模型。4.如权利要求3所述的方法，其特征在于，利用神经网络构建模块、多模态数据编码模块和贝叶斯分析模块构建所述扩散模型，包括：结合Transformer和自注意力机制，利用神经网络构建模块构建所述扩散模型所需要使用的U
‑
net型神经网络；添加所述多模态数据编码模块为所述扩散模型的输入处理层，添加所述贝叶斯分析模块作为所述扩散模型的反向推理模块。5.如权利要求4所述的方法，其特征在于，所述步骤S...

【专利技术属性】
技术研发人员：张百一，向辉，
申请(专利权)人：硒钼科技北京有限公司，
类型：发明
国别省市：