一种流场重构模型的训练方法技术

本发明专利技术提供一种流场重构模型的训练方法，所述训练方法包括：步骤

【技术实现步骤摘要】
一种流场重构模型的训练方法


[0001]本专利技术涉及
AI
在科学计算的应用领域，具体涉及一种流场重构模型的训练方法
、
计算机存储介质和流场重构系统
。

技术介绍

[0002]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，深度学习技术也被越来越广泛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
。
传统的借助深度学习模型进行流场重构仅仅依赖于数据，本身仅考虑数据之间内含的统计关系，计算时得出的结果本质上不受物理规律的约束，属于“牺牲精度提高效率”。
因此，往往存在计算精度不足
、
计算结果存在不可控的情形
。
[0003]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，并用去噪声自动编码器来实现
。
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<br/>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

[0004]为了提高流场计算的精度和效率，本专利技术结合深度学习神经网络技术发展提供一种流场重构模型的训练方法
。
通过该训练方法得到流场重构模型不仅能够在重构物理场时避免庞杂的计算
、
重构效率高，而且受物理规律约束
、
计算精度高
。
[0005]本专利技术的第一方面提供了一种流场重构模型的训练方法，所述训练方法包括步骤
S1
：获取初始流场数据，并对所述初始流场数据进行预处理以构建训练样本数据；所述训练样本数据包括初始流场分布数据以及产生该初始流场分布数据对应的输入控制条件数据；步骤
S2
：构建扩散模型使用的神经网络
,
将相应的流场控制方程作为物理约束的正则项嵌入到该扩散模型的损失函数；步骤
S3
，基于预处理后的初始流场数据进行该扩散模型的前向加噪训练和反向推理训练以得到流场重构模型；步骤
S4,
部署步骤
S3
训练好的扩散模型以进行流场重构计算
。
[0006]所述对所述初始流场数据进行预处理包括：将初始流场数据中的输入控制条件数据处理成张量形式存储，以张量形式存储的输入控制条件数据包括：边界条件
、
初始条件和
/
或形状
MASK
矩阵；从所述初始流场分布数据提取重构流场所需的若干流场参数对应的参数值，并分别以张量形式存储
。
[0007]所述训练方法还包括在对所述扩散模型前向加噪训练之前，调整所述神经网络的输入通道
。
[0008]所述神经网络为结合
Transformer
和自注意力机制的
U
‑
net
神经网络
。
[0009]所述对所述扩散模型进行前向加噪训练，包括：设置向前加噪的步数，向训练样本
加入高斯噪声
、
即向所述训练样本的输入控制条件数据中加入高斯噪声，采用加入噪声后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
。
[0010]对所述扩散模型进行反向推理训练，包括：利用所述扩散模型中的反向推理部分，对所述前向加噪训练得到的
U
‑
net
型神经网络基于训练样本数据输出的带有误差的流场分布数据，进行反向推理
、
迭代还原；当迭代还原出理想的流场分布数据时，所述扩散模型作为流场重构模型；所述理想的流场分布数据与对应训练样本数据中初始流场分布数据在设定误差范围内
。
[0011]所述扩散模型的反向推理部分基于贝叶斯分析方法，将所述前向加噪训练得到的
U
‑
net
型神经网络基于训练样本数据输出的带有误差的流场分布数据进行还原
。
[0012]所述训练方法还包括采用部分训练样本数据对所述训练好的流场重构模型进行性能测试以检验模型性能
。
[0013]本专利技术第二方面提供了一种存储有指令的计算机可读存储介质，所述指令在被计算机的一个或多个处理器执行时，实现如上所述的流场重构模型的训练方法
。
[0014]本专利技术第三方面提供了一种流场重构系统，所述系统包括：通过模型部署模块部署在计算机设备上
、
执行流场重构计算的流场重构模型，所述流场重构模型通过如上所述的流场重构模型的训练方法获得
。
[0015]所述模型部署模块包括模型测试模块和下游嵌入模块；其中，所述模型测试模块，用于测试所述流场重构模型以检验模型性能，所述下游嵌入模块用于所述流场重构模型部署在下游应用的流场建模部分以进行流场计算
。
附图说明
[0016]图1为根据本专利技术实施例的流场重构模型的训练方法的流程示意图
。
[0017]图2为根据本专利技术实施例的用于部署流场重构模型的模型部署模块的结构示意图
。
具体实施方式
[0018]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
。
[0019]如图1所示，根据本专利技术实施例的流场重构模型的训练方法包括以下步骤
。
[0020]步骤
S1
：获取初始流场数据，并对所述初始流场数据进行预处理以构建训练样本数据
。
所述训练样本数据包括初始流场分布数据以及产生该初始流场分布数据对应的输入控制条件数据
。
[0021]可以通过以下两种方式：获取初始流场数据：第一种是从网上开放获取的流场数据中直接获取
。
第二种是借助开源计算流体力学软件
(
例如
OpenFoam)
，按照自定义的网格
、
初始和边界条件和相应的流本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种流场重构模型的训练方法，其特征在于，所述训练方法包括：步骤
S1
：获取初始流场数据，并对所述初始流场数据进行预处理以构建训练样本数据；所述训练样本数据包括初始流场分布数据以及产生该初始流场分布数据对应的输入控制条件数据；步骤
S2
：构建扩散模型使用的神经网络
,
将相应的流场控制方程作为物理约束的正则项嵌入到神经网络的损失函数；步骤
S3
，基于预处理后的初始流场数据进行该扩散模型的前向加噪训练和反向推理训练以得到流场重构模型；步骤
S4,
部署步骤
S3
训练好的扩散模型以进行流场重构计算
。2.
如权利要求1所述的训练方法，其特征在于，所述对所述初始流场数据进行预处理包括：将初始流场数据中的输入控制条件数据处理成张量形式存储，以张量形式存储的输入控制条件数据包括：边界条件
、
初始条件和
/
或形状
MASK
矩阵；从所述初始流场分布数据提取重构流场所需的若干流场参数对应的参数值，并分别以张量形式存储
。3.
如权利要求1所述的训练方法，其特征在于，所述训练方法还包括：在对所述扩散模型前向加噪训练之前，调整所述神经网络的输入通道
。4.
如权利要求1‑3中任一项所述的训练方法，其特征在于，所述神经网络为：结合
Transformer
和自注意力机制的
U
‑
net
神经网络
。5.
如权利要求4所述的训练方法，其特征在于，所述对所述扩散模型进行前向加噪训练，包括：设置向前加噪的步数，向训练样本加入高斯噪声
、
即向所述训练样本的输入控制条件数据中加入高斯噪声，采用加入噪声后的训练样本对所述扩散模型的
...

【专利技术属性】
技术研发人员：张百一，王志成，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：