一种基于深度学习的热传导求解方法及系统技术方案

本发明专利技术公开了一种基于深度学习的热传导求解方法及系统，该方法包括：获取工程模拟案例并构建数据集；构建热传导抽象算子的代理模型；基于所述数据集训练所述代理模型，得到训练完成的代理模型；获取待测初始数据并输入至所述训练完成的代理模型，得到热传导数据；将所述热传导数据转为热力云图

【技术实现步骤摘要】
一种基于深度学习的热传导求解方法及系统


[0001]本专利技术涉及深度学习与工程应用领域，尤其涉及一种基于深度学习的热传导求解方法及系统
。

技术介绍

[0002]热传导偏微分方程是描述物质热传导过程的重要方程之一，其正问题和反问题的求解在物理学
、
材料科学
、
能源工程等领域都有广泛应用
。
针对热传导偏微分方程的求解，目前主流方法仍然依赖于建立偏微分方程约束的优化问题
。
然而这类方法计算成本高昂且耗时长久
,
难以满足工业软件对相关物理问题求解效率和优化的要求
。
这是因为热传导偏微分方程求解问题存在强非线性
、
多解以及难以求解初值条件等困难
。
传统数值方法需要设计复杂的算法流程来绕过这些困难，导致计算效率不高，无法快速获得热传导数据，无法满足工业应用对于时效性日益增长的需求
。

技术实现思路

[0003]有鉴于此，为了解决现有求解方法中无法快速计算热传导偏微分方程，进而导致热传导数据获取慢的技术问题，本专利技术提出一种基于深度学习的热传导求解方法，所述方法包括以下步骤：
[0004]获取工程模拟案例并构建数据集；
[0005]构建热传导抽象算子的代理模型；
[0006]基于所述数据集训练所述代理模型，得到训练完成的代理模型；
[0007]获取待测初始数据并输入至所述训练完成的代理模型，得到热传导数据；
[0008]将所述热传导数据转为热力云图
。
[0009]在一些实施例中，所述获取工程模拟案例并构建数据集这一步骤，其具体包括：
[0010]设定初始条件和边界条件，构建热传导问题模型；
[0011]基于所述热传导问题模型进行数值模拟，获取对应数值解，得到模拟案例；
[0012]基于所述模拟案例，以模型数值参数为输入，数值解结果为输出，构建数据集
。
[0013]其中，可以通过使用多物理场仿真建模软件
COMSOL
收集或通过数值模拟获得大量热传导问题的输入和输出样本，建立数据集
。
[0014]通过该优选步骤，可以建立多种不同的热传导问题模型
、
大量的参数组合设置及其对应的模拟结果
。
[0015]在一些实施例中，所述代理模型为多层卷积
‑
全连接神经网络，包括一维卷积层
、
全连接层
、
丢弃层和拼接层
。
[0016]通过该优选步骤，以一维卷积层提取局部特征，增强局部感知能力
、
减少参数量并降低维度；全连接层可以起到特征提取
、
降维以及特征重建和扩展的作用；丢弃层用于提高模型的泛化能力；拼接层用于对特征按照维度进行拼接，得到更大的特征向量
。
[0017]在一些实施例中，所述基于所述数据集训练所述代理模型，得到训练完成的代理
模型这一步骤，其具体包括：
[0018]设置学习率
、
批量大小
、
训练周期和优化器；
[0019]以均方误差作为损失函数，以
RELU
和
Softplus
为激活函数，基于数据集对代理模型进行训练，得到训练完成的代理模型
。
[0020]所述均方误差的计算公式如下：
[0021][0022]其中，
n
为样本数量，
x
表示实际数值解，表示预测数值解
。
[0023]通过损失函数优化网络参数，使网络输出能够逼近热传导方程的解
。
[0024]在一些实施例中，所述模型数值参数包括几何结构
、
材料属性
、
网格信息
、
初始条件和边界条件，所述数值解结果为温度场分布
。
[0025]在一些实施例中，还包括以结构相似性作为评价指标，对训练完成的代理模型进行评价，所述结构相似性的计算公式如下：
[0026][0027]其中，
q
和分别表示实际数据和预测数据可视化后的图像，
μ
q
和分别表示实际数据和预测数据图像像素点的平均值，
σ
q
和分别表示实际数据和预测数据图像像素点的标准差，表示实际数据和预测数据的协方差
。
[0028]结构相似性是一种基于图像结构信息，包括亮度
、
对比度和结构等方面的特征评估比较的指标
。
[0029]本专利技术还提出了一种基于深度学习的热传导求解方法，所述系统包括：
[0030]数据集构建模块，用于获取工程模拟案例并构建数据集；
[0031]模型构建模块，用于构建热传导抽象算子的代理模型；
[0032]训练模块，基于所述数据集训练所述代理模型，得到训练完成的代理模型；
[0033]输出模块，用于获取待测初始数据并输入至所述训练完成的代理模型，得到热传导数据；
[0034]可视化模块，用于将所述热传导数据转为热力云图
。
[0035]基于上述方案，本专利技术提供了一种基于深度学习的热传导求解方法及系统，利用深度学习方法构建热传导偏微分方程抽象算子的代理模型，建立多层卷积
‑
全连接神经网
ThermoNet
作为热传导偏微分方程计算的求解器，提供一种可替代传统由物理模型驱动的工业软件的有效解决方案
。
相比于传统的求解方法，通过深度学习方法构建的求解器在不影响计算精度的前提下具有更高的计算效率，进而快速获取热传导数据
。
附图说明
[0036]图1是本专利技术一种基于深度学习的热传导求解方法的步骤流程图；
[0037]图2是本专利技术多层卷积
‑
全连接神经网络的结构示意图；
[0038]图3是本专利技术一种基于深度学习的热传导求解系统的结构框图
。
具体实施方式
[0039]针对
技术介绍
中提出的无法快速求解热传导偏微分方程，进而导致热传导数据获取慢的技术问题，随着机器学习
/
深度学习的发展，本专利技术热传导偏微分方程，结合深度学习这一智能技术，以端到端的方式直接逼近复杂的偏微分方程映射关系，以数据驱动的深度学习方法，构建热传导方程的抽象算子代理模型作为热传导偏微分方程的求解器，提供一种可替代传统由物理模型驱动的工业软件的有效解决方案
。
[0040]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例
。
基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的热传导求解方法，其特征在于，包括以下步骤：获取工程模拟案例并构建数据集；构建热传导抽象算子的代理模型；基于所述数据集训练所述代理模型，得到训练完成的代理模型；获取待测初始数据并输入至所述训练完成的代理模型，得到热传导数据；将所述热传导数据转为热力云图
。2.
根据权利要求1所述一种基于深度学习的热传导求解方法，其特征在于，所述获取工程模拟案例并构建数据集这一步骤，其具体包括：设定初始条件和边界条件，构建热传导问题模型；基于所述热传导问题模型进行数值模拟，获取对应数值解，得到模拟案例；基于所述模拟案例，以模型数值参数为输入，数值解结果为输出，构建数据集
。3.
根据权利要求2所述一种基于深度学习的热传导求解方法，其特征在于，所述代理模型为多层卷积
‑
全连接神经网络，包括一维卷积层
、
全连接层
、
丢弃层和拼接层
。4.
根据权利要求2所述一种基于深度学习的热传导求解方法，其特征在于，所述基于所述数据集训练所述代理模型，得到训练完成的代理模型这一步骤，其具体包括：设置学习率
、
批量大小
、
训练周期和优化器；以均方误差作为损失函数，以
RELU
和
Softplus
为激活函数，基于数据集对代理模型进行训练，得到训练完成的代理模型
。5.
根据权利要求...

【专利技术属性】
技术研发人员：王卓薇，陈勇生，杨乐，王瑞升，郑铭强，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：