一种基于物理信息约束神经网络的烟雾场多参数预测方法技术

本发明专利技术公开了一种基于物理信息约束神经网络的烟雾场多参数预测方法。本发明专利技术采用烟雾生成器产生上升烟雾，高速摄像模组记录烟雾全过程并生成记录图片，图形计算机得到烟雾场的浓度，求解获得烟雾场的参数数据作为训练样本，以流场扩散数学模型设置约束条件，训练全连接神经网络，用训练好的全连接神经网络进行烟雾场预测；本发明专利技术利用深度学习，结合烟雾场抽象出的流场扩散数学模型，对损失函数进行设计，使模型具备预测速度快、需要数据量少、收敛性能好、模型迁移能力好的特点，能够解决传统计算流体动力学方法的周期长和适应性差以及深度学习方法数据量要求大、损失函数收敛差的问题，用少量数据就能实现损失函数收敛的目标，得到烟雾场分布。得到烟雾场分布。得到烟雾场分布。

【技术实现步骤摘要】
一种基于物理信息约束神经网络的烟雾场多参数预测方法


[0001]本专利技术涉及烟雾场预测技术，具体涉及一种基于物理信息约束神经网络的烟雾场多参数预测方法。

技术介绍

[0002]烟雾作为一种常见的环境现象，经常在工业厂区、森林火灾、城市交通等场景出现。对于各个场景而言，准确地预测烟雾的出现和变化可以及时采取有效的措施来保护人类和环境安全。目前针对烟雾的预测方法，通常将烟雾抽象为多相流的流体扩散数学模型，并对数学模型中的参数，例如各点处压力、速度和密度等参数进行时间上的模拟预测。
[0003]常用的烟雾预测方法包括基于网格的传统计算流体动力学(CFD)模型仿真和基于深度学习的流场预测神经网络模型预测。传统的CFD模型仿真是通过将流场区域划分为若干个网格，使用数学差分等方法从初始条件进行前向计算，最终得到每个时刻的流场参数；基于深度学习的流场预测方法主要是通过大量数据，对神经网络进行超参数训练，直至神经网络训练结果与实际情况之间的损失值收敛到一定阈值，然后使用该神经网络对未训练的流场数据进行预测。
[0004]上述两种方法在针对烟雾场多参数预测任务中，存在不同方向的特征，但是由于传统CFD在针对不同形状区域情况下，需要将整个烟雾场离散为复杂且不同的网格结构，并且当前时空上的参数计算对过去状态的参数都有加强的依赖性，所以导致传统的CFD计算方法存在计算周期长、计算成本高、数据难收敛、模型较复杂、场景适应性差等问题。而仅基于深度学习的流场预测方法，由于神经网络权重的训练要求，和神经网络的超参数的优化策略，导致仅使用深度学习的流场预测方法存在数据量要求大、损失函数收敛性差和模型迁移能力弱等问题。

技术实现思路

[0005]为了解决上述方法存在的局限性，本专利技术提出了一种基于物理信息约束神经网络的烟雾场多参数预测方法，不仅解决了在现实使用场景中传统CFD方法无法满足实时性的要求，也解决了深度学习在训练过程中对数据集要求高等问题，提高了烟雾场参数预测模型的快速性和适用性。
[0006]本专利技术的基于物理信息约束神经网络的烟雾场多参数预测装置包括：高速摄像头模组、烟雾生成器、图形计算机和模型拟合计算机；高速摄像头模组连接至图形计算机，图形计算机连接至模型拟合计算机；烟雾生成器连接至模型拟合计算机；高速摄像头模组包括多个摄像头，摄像头具有高速拍照功能，摄像头的数目不少于五个，多个摄像头均匀分布在以烟雾生成器为圆点的同一个半圆上，圆的半径小于摄像头的可视范围，相邻的两个摄像头的间隔角度相同，保证烟雾生成器处于摄像头的光心线上。
[0007]本专利技术的基于物理信息约束神经网络的烟雾场多参数预测方法，包括以下步骤：
[0008]1)设定烟雾生成器的烟雾生成速率，使用烟雾生成器产生上升烟雾，以烟雾生成
器的位置作为烟雾生成位置，并将烟雾生成位置和烟雾生成速率传输至模型拟合计算机；
[0009]2)通过高速摄像模组记录各个时间t和坐标(x，y)对应的烟雾从成形到消失的全过程，生成记录图片，并传输至图形计算机；
[0010]3)图形计算机将记录图片转化为灰度图，并根据灰度图计算各个时间t和坐标(x，y)对应的烟雾场的浓度c(x，y，t)，生成烟雾场中每个坐标、时间以及对应的时间和坐标下的烟雾场的浓度的参数文件，并传输至模型拟合计算机；
[0011]4)采用多相流模型求解烟雾场：
[0012]模型拟合计算机根据烟雾生成器的烟雾生成位置和烟雾生成速率，设置多相流模型的初始条件；采用欧拉Eulerian求解方法模型求解多相流模型，得到烟雾场的压力、速度、密度以及烟雾场中气相和固相的体积分数值，获得烟雾场的参数数据；
[0013]5)模型拟合计算机将烟雾场的浓度的参数文件和烟雾场的参数数据分别转换成全连接神经网络能够识别的数据格式；
[0014]6)模型拟合计算机生成全连接神经网络，其中，每层隐藏层的激活函数设置为反正切函数，参数优化器设置为亚当优化器；全连接神经网络的输出参数为烟雾场的速度、压力和密度；全连接神经网络的输入参数为坐标(x，y)、时间t和浓度c(x，y，t)；
[0015]7)设置全连接神经网络的约束条件：
[0016]将烟雾场抽象为流场扩散数学模型，构建烟雾场密度参数与时间以及空间的偏微分关系：
[0017][0018]其中，为烟雾在t时刻处于位置的密度，为密度在处的扩散系数；
[0019]烟雾场的初始状态为：
[0020][0021]烟雾场的边界条件为：
[0022][0023]结合连续性和动量守恒加入纳维斯托克斯方程NS方程作为控制方程：
[0024][0025]其中，v为烟雾场的速度，f为外力，外力f在本专利技术中设置为0；通过以公式(1)
[0026]表示的流场扩散数学模型和纳维斯托克斯方程(4)生成总损失函数loss：
[0027][0028]其中，loss1为控制方程损失函数，loss2为边界损失函数，loss3为数据损失函数；φ
’
(r
’
,t)为在t时刻处于位置r
’
的密度预测，表示步骤5)转化后的数据，取t时刻处于位置的参数数据，表示全连接神经网络预测的参数数据，参数数据包括烟雾场的速度v、压力p和密度
[0029]8)以烟雾场的参数数据作为训练样本，以烟雾场的坐标(x，y)、时间t以及浓度c(x，y，t)作为输入，输出数据设置为烟雾场的压力、速度、密度和气相和固相的体积分数值，以总损失函数loss作为约束条件，训练全连接神经网络，直至总损失函数loss小于设置阈值完成训练，得到训练好的全连接神经网络；
[0030]9)烟雾场预测：
[0031]采用高速摄像头模组对待测量的烟雾进行拍摄，得到记录图片并传输至图形计算机；图形计算机将图片处理为灰度图后，通过灰度图计算每个时间和坐标下对应的烟雾场的浓度，并转化为全连接神经网络可识别的格式，输入到训练完成的全连接神经网络中；全连接神经网络根据坐标、时间和浓度，输出对应时间下烟雾场各个位置的压力、速度和密度，得到烟雾场分布。
[0032]其中，在步骤6)中，全连接神经网络的网络层数为五到八层，包含四到七层隐藏层和一层输出层，每层隐藏层包含30个以上的神经元，输入层为一层，维度为四，二维坐标(x，y)、时间t和该状态下的烟雾场的浓度c(x，y，t)；输出层的维度为六，包含烟雾场的速度在x和y方向的分量、压力、密度以及气相和固相的体积分数值。
[0033]在步骤8)中，设置阈值在0.0001～0.1之间。
[0034]本专利技术的优点：
[0035]本专利技术利用深度学习所具有解决拟合高维、非线性系统的能力，结合烟雾场抽象出的流场扩散数学模型，对损失函数进行设计，使模型具备预测速度快、需要数据量少、收敛性能好、模型迁移能力好的特点，能够解决传统计算流体动力学CFD方法的周期长、适应性差和深度学习方法数据量要求大、损失函数收敛差的问题，仅使用少量数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物理信息约束神经网络的烟雾场多参数预测方法，其特征在于，所述烟雾场多参数预测方法包括以下步骤：1)设定烟雾生成器的烟雾生成速率，使用烟雾生成器产生上升烟雾，以烟雾生成器的位置作为烟雾生成位置，并将烟雾生成位置和烟雾生成速率传输至模型拟合计算机；2)通过高速摄像模组记录各个时间t和坐标(x，y)对应的烟雾从成形到消失的全过程，生成记录图片，并传输至图形计算机；3)图形计算机将记录图片转化为灰度图，并根据灰度图计算各个时间t和坐标(x，y)对应的烟雾场的浓度c(x，y，t)，生成烟雾场中每个坐标、时间以及对应的时间和坐标下的烟雾场的浓度的参数文件，并传输至模型拟合计算机；4)采用多相流模型求解烟雾场：模型拟合计算机根据烟雾生成器的烟雾生成位置和烟雾生成速率，设置多相流模型的初始条件；采用欧拉求解方法模型求解多相流模型，得到烟雾场的压力、速度、密度以及烟雾场中气相和固相的体积分数值，获得烟雾场的参数数据；5)模型拟合计算机将烟雾场的浓度的参数文件和烟雾场的参数数据分别转换成全连接神经网络能够识别的数据格式；6)模型拟合计算机生成全连接神经网络，其中，每层隐藏层的激活函数设置为反正切函数，参数优化器设置为亚当优化器；全连接神经网络的输出参数为烟雾场的速度、压力和密度；全连接神经网络的输入参数为坐标(x，y)、时间t和浓度c(x，y，t)；7)设置全连接神经网络的约束条件：将烟雾场抽象为流场扩散数学模型，构建烟雾场密度参数与时间以及空间的偏微分关系：其中，为烟雾在t时刻处于位置的密度，为密度在处的扩散系数；烟雾场的初始状态为：烟雾场的边界条件为：结合连续性和动量守恒加入纳维斯托克斯方程NS方程作为控制方程：其中，v为烟雾场的速度，，f为外力，外力f在本发明中设置为0；通过以公式(1)表示的流场扩散数学模型和纳维斯托克斯方程(4)生成总损失函数loss：
其中，loss1为控制方程损失函数，loss2为边界损失函数，loss...

【专利技术属性】
技术研发人员：娄文忠，丁男希，张子豪，马文龙，赵飞，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：