基于深度学习的二维爆炸压力场超分辨率重构计算方法技术

本发明专利技术提供了基于深度学习的二维爆炸压力场超分辨率重构计算方法，此方法可通过对数值模拟得到的低分辨率二维爆炸压力场进行超分辨率，得到等效高分辨率数值模拟结果的超分辨率压力场，并可在此基础上获得流场中任意测点的超压时程，本发明专利技术提供的深度学习超分辨率模型，基于包含了不同分辨率的二维爆炸流场数据库训练得到。本发明专利技术基于低分辨率压力场重构原本缺失的高频流场信息，可以快速、准确地计算出二维爆炸超分辨率压力场，可提取超分辨率压力场中任意测点的超压时程，在各二维爆炸工况中表现出良好的泛用性能，因此极大提高了数值模拟计算二维爆炸压力场的计算效率。值模拟计算二维爆炸压力场的计算效率。值模拟计算二维爆炸压力场的计算效率。

【技术实现步骤摘要】
基于深度学习的二维爆炸压力场超分辨率重构计算方法


[0001]本专利技术涉土木建筑工程领域领域，特别是基于深度学习的二维爆炸压力场超分辨率重构计算方法。

技术介绍

[0002]为防止爆炸荷载造成严重后果，就需要对结构进行抗爆设计，其中关键的一步就是确定设计爆炸工况下施加于结构上的爆炸荷载。现有的结构设计流程中，计算结构爆炸荷载的方法主要分为三类：爆炸荷载经验模型、爆炸荷载快速算法、多物质数值模拟方法。爆炸荷载经验模型的计算速度快、使用方便，但是这些模型多针对特定的爆炸工况，荷载模型的泛化能力差，且为了简化问题，这些模型会忽略爆炸冲击波的实际传播过程。爆炸荷载快速算法，例如镜像爆源法、基于爆炸荷载数据库的插值方法，这些算法的计算速度快、且可以考虑实际传播过程，但是为了简化爆炸问题，这些算法中引入了系列假设，因此降低了荷载的求解精度。数值模拟方法可以计算整个流场中任意点的爆炸荷载，泛化性能最好、荷载求解精度高，已经被广泛用于当前的结构设计领域。但是这种方法的缺点是求解时间会随着网格数量指数增长，为了保证求解精度就需要较小的网格尺寸、较大的空间分辨率，对爆炸流场进行数值模拟往往需要数小时甚至数天的时间，因此不满足快速计算需求。
[0003]近年来，深度学习技术在流体力学计算领域得到了广泛的应用。深度学习在流场中的应用大致可以分为三种：基于超分辨率的流场重构、基于相关参数的流场映射、基于内嵌物理信息的神经网络(Physics Informed Neural Network,PINN)网络的流场模拟。基于超分辨率的流场重构，可基于低分辨率的流场数据，通过超分辨率网络，得到超分辨率的流场结果，以替代高分辨率的数值模拟。基于相关参数的流场映射，可基于流场中原有的时空信息，在不进行数值模拟的前提下将其映射为目标流场。基于PINN的流场模拟，通过在深度学习的损失函数中嵌入偏微分方程，进而在不进行数值模拟的前提下获取整个流场的物理量随时间的变化关系。
[0004]目前，关于将爆炸荷载计算与深度学习相结合的研究还非常有限。已有研究大多采用传统的BP神经网络，并没有使用近年来在深度学习界引起较大影响的最新架构；另一方面，现有的研究方法多数只能应对特定的爆炸工况，例如半封闭的矩形房间、满足特定形状要求的刚性房间等，这些模型的泛化能力差，只能解决特定的工程问题，不能满足实际工程设计中多变的结构设计需求。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]鉴于上述现有的研究方法存在泛用化能力差的问题，提出了本专利技术。
[0007]因此，本专利技术所要解决的问题在于，如何提高爆炸载荷算法的泛用性，以及减少模
拟计算的时长。
[0008]为解决上述技术问题，本专利技术提供如下技术方案：基于深度学习的二维爆炸压力场超分辨率重构计算方法，其包括，
[0009]通过数值模拟，得到低分辨率二维爆炸压力场；
[0010]利用深度学习超分辨率模型，对所述低分辨率二维爆炸压力场进行重构；
[0011]得到等效高分辨率数值模拟结果的超分辨率压力场，并可提取超分辨率压力场中任意测点的超压时程。
[0012]作为本专利技术所述基于深度学习的二维爆炸压力场超分辨率重构计算方法的一种优选方案，其中：
[0013]所述的深度学习超分辨率模型，由不同分辨率的二维爆炸流场数据库训练得到；
[0014]所述的对低分辨率二维爆炸压力场进行重构包括，通过重构原本缺失的高频流场信息，计算出二维爆炸超分辨率压力场。
[0015]作为本专利技术所述基于深度学习的二维爆炸压力场超分辨率重构计算方法的一种优选方案，其中：所述的重构原本缺失的高频流场信息，计算出二维爆炸超分辨率压力场，具体包括，
[0016]对一个可视为二维问题的爆炸工况，进行低分辨率数值模拟；
[0017]对通过数值模拟得到的低分辨率流场进行裁切；
[0018]对裁切后的局部流场进行双线性插值，将其插值到高分辨率流场对应的分辨率；
[0019]对插值后的局部流场补充对应裁切位置的高分辨率流域通道和SDF通道，以补充局部流场中不存在的流场边界信息和距离信息；
[0020]将合并通道后的局部流场输入进模型中，模型在计算后会得出对应高分辨率数值模拟结果的超分辨率流场。
[0021]作为本专利技术所述基于深度学习的二维爆炸压力场超分辨率重构计算方法的一种优选方案，其中：所述的对一个可视为二维问题的爆炸工况，进行低分辨率数值模拟，包括，
[0022]一个二维爆炸工况，将爆炸物引爆，在爆炸流场中任意一个或几个位置布置测点，采用尺寸20mm、10mm或5mm中任意一种网格尺寸，对所述测点进行低分辨率数值模拟，得到低分辨率流场。
[0023]作为本专利技术所述基于深度学习的二维爆炸压力场超分辨率重构计算方法的一种优选方案，其中：所述的对通过数值模拟得到的低分辨率流场进行裁切，包括，
[0024]对所述的低分辨率流场中的任意位置进行裁切，裁切为一个面积为640mm
×
640mm的正方形区域，得到局部流场；
[0025]所述的对裁切后的局部流场进行双线性插值，将其插值到高分辨率流场对应的分辨率，包括，
[0026]对所述局部流场进行双线性插值后，将不同网格尺寸的分辨率均提高至256
×
256，以保证与深度学习模型的输入维度一致。
[0027]作为本专利技术所述基于深度学习的二维爆炸压力场超分辨率重构计算方法的一种优选方案，其中：所述的流域通道包括，
[0028]流域通道是一个高分辨率通道，其空间分辨率尺寸为2.5mm，流域通道用于给整个流场提供边界信息及流域信息，其包含六个子通道，分别是：空气域通道、无反射边界通道、
Y轴轴对称边界通道、刚性地面通道、空气与刚性面交界面通道、刚体域通道，每个通道中包含一个矩阵，矩阵内的元素根据该通道需要表达边界或流域信息，被赋值为0或1，以此为流场提供整个爆炸工况的流域信息。
[0029]作为本专利技术所述基于深度学习的二维爆炸压力场超分辨率重构计算方法的一种优选方案，其中：所述的SDF通道包括，
[0030]SDF通道是一个高分辨率通道，其空间分辨率尺寸为2.5mm，SDF通道用于为流场提供刚体的几何信息，每个点记录了距离刚体表面的最近距离，将刚体表面的所有点放入集合Z中：
[0031][0032]R2代表二维实数域，f(i，j)是一个符号算子，f(i，j)＝0当且仅当点处于刚体表面，f(i，j)<0当且仅当点处于刚体内部，f(i，j)>0当且仅当刚体外部，空间中任一点的SDF值，可通过以下公式计算得到：
[0033][0034]上式中，exp表示自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的二维爆炸压力场超分辨率重构计算方法，其特征在于：包括，通过数值模拟，得到低分辨率二维爆炸压力场；利用深度学习超分辨率模型，对所述低分辨率二维爆炸压力场进行重构；得到等效高分辨率数值模拟结果的超分辨率压力场，并可提取超分辨率压力场中任意测点的超压时程。2.如权利要求1所述的基于深度学习的二维爆炸压力场超分辨率重构计算方法，其特征在于：所述的深度学习超分辨率模型，由不同分辨率的二维爆炸流场数据库训练得到；所述的对低分辨率二维爆炸压力场进行重构包括，通过重构原本缺失的高频流场信息，计算出二维爆炸超分辨率压力场。3.如权利要求1或2所述的基于深度学习的二维爆炸压力场超分辨率重构计算方法，其特征在于：所述的重构原本缺失的高频流场信息，计算出二维爆炸超分辨率压力场，具体包括，对一个可视为二维问题的爆炸工况，进行低分辨率数值模拟；对通过数值模拟得到的低分辨率流场进行裁切；对裁切后的局部流场进行双线性插值，将其插值到高分辨率流场对应的分辨率；对插值后的局部流场补充对应裁切位置的高分辨率流域通道和SDF通道，以补充局部流场中不存在的流场边界信息和距离信息；将合并通道后的局部流场输入进模型中，模型在计算后会得出对应高分辨率数值模拟结果的超分辨率流场。4.如权利要求3所述的基于深度学习的二维爆炸压力场超分辨率重构计算方法，其特征在于：所述的对一个可视为二维问题的爆炸工况，进行低分辨率数值模拟，包括，一个二维爆炸工况，将爆炸物引爆，在爆炸流场中任意一个或几个位置布置测点，采用尺寸20mm、10mm或5mm中任意一种网格尺寸，对所述测点进行低分辨率数值模拟，得到低分辨率流场。5.如权利要求3任一所述的基于深度学习的二维爆炸压力场超分辨率重构计算方法，其特征在于：所述的对通过数值模拟得到的低分辨率流场进行裁切，包括，对所述的低分辨率流场中的任意位置进行裁切，裁切为一个面积为640mm
×
640mm的正方形区域，得到局部流场；所述的对裁切后的局部流场进行双线性插值，将其插值到高分辨率流场对应的分辨率，包括，对所述局部流场进行双线性插值后，将不同网格尺寸的分辨率均提高至256
×
...

【专利技术属性】
技术研发人员：黄阳，陈素文，朱劭骏，
申请(专利权)人：同济大学，
类型：发明
国别省市：