【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< ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。