一种流场在线仿真及可视化方法及系统技术方案

本发明专利技术公开一种流场在线仿真及可视化方法及系统，属于流场仿真技术领域

【技术实现步骤摘要】
一种流场在线仿真及可视化方法及系统


[0001]本专利技术涉及流场仿真
，特别是涉及一种流场在线仿真及可视化方法及系统
。

技术介绍

[0002]傅里叶神经算子
(Fourier Neural Operator,FNO)
，这是一种基于谱方法的深度学习框架，用于解决偏微分方程和流场计算等问题
。FNO
结合了谱方法的优势，通过在傅里叶空间进行计算来保留空间信息，同时利用深度学习模型进行端到端的训练和预测，其网络架构如图1所示
。
[0003]由图1中的
(a)
部分可见，
FNO
的输入是流场初始条件和位置信息
a(x)
，通过
P
编码后，经过若干个傅里叶层，
Q
解码以后输出流场
。
[0004]由图1中的
(b)
部分可见，在
FNO
中，从傅里叶层
i
到傅里叶层
i+1
的迭代更新过程可以表示如下：
[0005][0006]傅里叶层的输入为
v(x)。
位置信息赋予了局部的感应偏差，有助于模型更快地收敛并更容易地泛化到新的数据
。
通过傅里叶变换傅里叶空间的全局卷积有效提取了流场信息
。
线性变换
R
过滤掉了高频模式，并通过傅里叶反变换将其转换回源空间，将输出加入到线性变换
W
中，最后由激活函数r/>σ
进行非线性映射，以帮助恢复丢失的高频模式和非循环边界
。
[0007]在流场在线仿真中，数据集非常稀缺
。
为了获得更准确的流场近似结果，在数据样本数量难以增加的情况下，增加
FNO
的层数可以提高精度
。
然而在实践中，随着层数的增加，
FNO
模型的精度越来越高，但增加到一定程度精度可能会下降，甚至梯度消失，如图2所示，从4层到7层时误差逐渐减小，但梯度在第8层消失，因此
FNO
模型难以训练，存在精度受限的问题
。

技术实现思路

[0008]本专利技术的目的是提供一种流场在线仿真及可视化方法及系统，以克服
FNO
模型存在精度受限的问题，进一步的提高流场在线仿真及可视化的精度
。
[0009]为实现上述目的，本专利技术提供了如下方案：
[0010]本专利技术提供一种流场在线仿真及可视化方法，所述方法包括如下步骤：
[0011]构建数据样本集；
[0012]基于数据样本集对
RFNO
流场在线仿真模型进行训练，获得训练好的
RFNO
流场在线仿真模型；所述
RFNO
流场在线仿真模型至少包括多个级联的傅里叶残差模块，所述傅里叶残差模块包括多个依次连接的傅里叶层和直连通道，所述直连通道的一端与依次连接的傅里叶层中的第一个傅里叶层的输入端连接，所述直连通道的另一端与依次连接的傅里叶层
中的最后一个傅里叶层的输出端通过选择器连接；
[0013]将流场的在线物理参数输入至训练好的
RFNO
流场在线仿真模型，获得流场数据；
[0014]基于所述流场数据进行动态流场仿真和
/
或特效流场仿真
。
[0015]可选的，所述构建数据样本集，具体包括：
[0016]基于2维纳维
‑
斯托克斯方程生成第一数据样本；所述第一数据样本为单位环上涡度形式的粘性不可压缩流体的计算数据；
[0017]使用
FEATool Multiphysics
软件生成第二数据样本；所述第二数据样本为圆柱绕流的仿真数据；
[0018]使用
FEATool Multiphysics
软件生成第三数据样本；所述第三数据样本为厨房烹饪流场的仿真数据；
[0019]使用
PIV
速度测量方法对厨房烹饪流场进行测量，获得第四数据样本；所述第四数据样本为厨房烹饪流场的实验数据；
[0020]将第一数据样本
、
第二数据样本
、
第三数据样本和第四数据样本加入数据样本集
。
[0021]可选的，所述
RFNO
流场在线仿真模型包括：编码层
、
依次级联连接的多个傅里叶残差模块和解码层
。
[0022]可选的，所述基于所述流场数据进行动态流场仿真，具体包括：
[0023]基于流场数据设置样条点；
[0024]根据样条点生成样条线；
[0025]在样条线上设置参考点；
[0026]令参考点在样条线上进行移动仿真，获取参考点在样条线上每个采样位置的速度；在移动过程中所述参考点位于样条点位置的速度与流场数据中生成所述样条点的速度一致；
[0027]利用
R、G、B
三种颜色分别代表参考点在样条线上采样位置的速度的
x
轴分量
、y
轴分量和
z
轴分量，生成可视化动态流场
。
[0028]可选的，基于所述流场数据进行特效流场仿真，具体包括：
[0029]将所述流场数据存储成纹理数据；
[0030]通过
Niagara
粒子系统读取所述纹理数据，并进行粒子渲染，生成可视化特效流场
。
[0031]一种流场在线仿真及可视化系统，所述系统应用上述的方法，所述系统包括：
[0032]数据样本集构建模块，用于构建数据样本集；
[0033]RFNO
流场在线仿真模型训练模块，用于基于数据样本集对
RFNO
流场在线仿真模型进行训练，获得训练好的
RFNO
流场在线仿真模型；所述
RFNO
流场在线仿真模型至少包括多个级联的傅里叶残差模块，所述傅里叶残差模块包括多个依次连接的傅里叶层和直连通道，所述直连通道的一端与依次连接的傅里叶层中的第一个傅里叶层的输入端连接，所述直连通道的另一端与依次连接的傅里叶层中的最后一个傅里叶层的输出端通过选择器连接；
[0034]流场数据获取模块，用于将流场的在线物理参数输入至训练好的
RFNO
流场在线仿真模型，获得流场数据；
[0035]仿真模块，用于基于所述流场数据进行动态流场仿真和
/
或特效流场仿真
。
[0036]一种电子设备，包括存储器
、
处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法
。
[0037]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现上述的方法<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种流场在线仿真及可视化方法，其特征在于，所述方法包括如下步骤：构建数据样本集；基于数据样本集对
RFNO
流场在线仿真模型进行训练，获得训练好的
RFNO
流场在线仿真模型；所述
RFNO
流场在线仿真模型至少包括多个级联的傅里叶残差模块，所述傅里叶残差模块包括多个依次连接的傅里叶层和直连通道，所述直连通道的一端与依次连接的傅里叶层中的第一个傅里叶层的输入端连接，所述直连通道的另一端与依次连接的傅里叶层中的最后一个傅里叶层的输出端通过选择器连接；将流场的在线物理参数输入至训练好的
RFNO
流场在线仿真模型，获得流场数据；基于所述流场数据进行动态流场仿真和
/
或特效流场仿真
。2.
根据权利要求1所述的流场在线仿真及可视化方法，其特征在于，所述构建数据样本集，具体包括：基于2维纳维
‑
斯托克斯方程生成第一数据样本；所述第一数据样本为单位环上涡度形式的粘性不可压缩流体的计算数据；使用
FEATool Multiphysics
软件生成第二数据样本；所述第二数据样本为圆柱绕流的仿真数据；使用
FEATool Multiphysics
软件生成第三数据样本；所述第三数据样本为厨房烹饪流场的仿真数据；使用
PIV
速度测量方法对厨房烹饪流场进行测量，获得第四数据样本；所述第四数据样本为厨房烹饪流场的实验数据；将第一数据样本
、
第二数据样本
、
第三数据样本和第四数据样本加入数据样本集
。3.
根据权利要求1所述的流场在线仿真及可视化方法，其特征在于，所述
RFNO
流场在线仿真模型包括：编码层
、
依次级联连接的多个傅里叶残差模块和解码层
。4.
根据权利要求1所述的流场在线仿真及可视化方法，其特征在于，所述基于所述流场数据进行动态流场仿真，具体包括：基于流场数据设置样条点；根据样条点生成样条线；在样条线上设置参考点；令参考点在样条...

【专利技术属性】
技术研发人员：刘振宇，吾晨辉，撒国栋，裘辿，谭建荣，
申请(专利权)人：浙江大学，
类型：发明
国别省市：