一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于PINN模型的变速运动AUV编队瞬时流场预测方法


[0001]本专利技术涉及计算流体力学与人工智能交叉
，尤其涉及一种基于
PINN
模型的变速运动
AUV
编队瞬时流场预测方法
。

技术介绍

[0002]随着计算机技术的快速发展，智能船舶技术与船舶数字孪生技术对船舶流体力学方法提出了新的挑战
。
传统计算流体动力学
(Computational Fluid Dynamics
，
CFD)
方法用于解决上述新问题存在一定的局限性：
(1)
传统
CFD
方法模拟目标水面船舶或自主式水下航行器
(Autonomous UnderwaterVehicle
，
AUV)
周围流场时，流场边界条件在
CFD
模拟计算开始后便不能再进行修改，故传统
CFD
方法难以计入实际流场边界条件随时间变化对瞬时流场的影响；
(2)
传统
CFD<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
PINN
模型的变速运动
AUV
编队瞬时流场预测方法，其特征在于，包括，
S1、
确定预测时间段，将预测时间段划分为一定数量的计算时刻组，将每一个计算时刻组划分为一定数量的计算时刻；将
AUV
编队的航行区域与所有
AUV
所占据的几何空间表示为全域，在全域内构建全局坐标系，所述全域具有不同的维度，所述不同的维度包括二维或三维，基于全局坐标系获取每一个
AUV
的重心位置，基于每一个
AUV
的重心位置构建对应的局部坐标系，
S2、
判断全域是否为二维空间，若是，将全域沿着二维空间的横轴划分为一定数量的第一子区域，对每一个第一子区域进行网格划分后得到第一子区域内对应的第一网格节点集合，获取全域内所有的第一网格节点集合以及第一网格节点集合中每一个第一网格节点在全局坐标系中的全局位置坐标，反之，将全域沿着三维空间的
X
轴和
Y
轴进行投影后得到二维的投影全域，根据投影全域将全域划分为一定数量的第二子区域，对每一个第二子区域进行网格划分后得到第二子区域内对应的第二网格节点集合，获取全域内所有的第二网格节点集合以及第二网格节点集合中每一个第二网格节点在全局坐标系中的全局位置坐标，
S3、
将每一个
AUV
的几何边界进行离散后得到几何边界离散点集合以及每一个几何边界离散点在对应的局部坐标系中的局部位置坐标，根据每一个
AUV
对应的几何边界离散点集合得到
AUV
几何边界的代理模型，
S4、
获取每一计算时刻每个
AUV
的运动状态，根据
AUV
的运动状态获取
AUV
在对应计算时刻时在全域中占据的几何区域，所述
AUV
在对应计算时刻时在全域中占据的几何区域包括
AUV
在全局坐标系中占据的第一子区域集合或第二子区域集合，分别将第一子区域集合每一个第一网格节点的全局位置坐标或第二子区域集合中的每一个第二网格节点的全局位置坐标转换为所述
AUV
局部坐标系下的局部位置坐标，根据所述
AUV
几何边界的代理模型获取在对应计算时刻属于
AUV
内部的几何区域，分别获取所有
AUV
在所有计算时刻时在全域中占据的几何区域，
S5、
根据每个计算时刻
AUV
的运动状态将每一个几何边界离散点在对应的局部坐标系中的局部位置坐标转换为全局坐标系中的全局位置坐标，获取所有
AUV
在所有计算时刻的所有几何边界离散点的全局位置坐标，根据各计算时刻时
AUV
在全域中占据的几何区域和各离散点的全局位置坐标获取各计算时刻的瞬时流场，
S6、
对于各计算时刻组，获取所述计算时刻组内各计算时刻的瞬时流场边界数据，构建一种基于数据驱动的全连接神经网络模型，输入层数据为所述计算时刻组内所有计算时刻以及各计算时刻对应的瞬时流场，分别基于各个计算时刻对应的瞬时流场边界数据对所述基于数据驱动的全连接神经网络模型进行训练并获取训练后的全连接神经网络模型，根据训练后的全连接神经网络模型获取在所述计算时刻组每一计算时刻满足瞬时流场边界条件的瞬时流场计算域特解，所述流场计算域特解包括瞬时流场的速度矢量的取值和压强矢量的模的取值，分别获取所有计算时刻组的瞬时流场计算域特解，
S7、
分别基于各计算时刻下的瞬时流场，构建与所述计算时刻相对应的瞬时光滑函数；构建
PINN
模型，对于各计算时刻组，分别将当前计算时刻组内各计算时刻以及与各计算时刻所对应的瞬时流场作为输入数据，根据
PINN
模型获得瞬时流场预测数据，根据所述计算
时刻对应的瞬时光滑函数和瞬时流场计算域特解对瞬时流场预测数据进行修正，根据修正后的预测数据以及
PINN
模型的损失函数对
PINN
模型进行优化，所述对
PINN
模型进行优化包括根据
IBFGS
优化算法对
PINN
模型中的权重和偏重进行迭代优化，获取优化后的对应于当前计算时刻组的
PINN
模型，获取所有计算时刻组的
PINN
模型，
S8、
对于每一计算时刻组，根据优化后的
PINN
模型
、
各个计算时刻对应的瞬时光滑函数及瞬时流场计算域特解，获取所述计算时刻组内各个计算时刻下的瞬时流场精确预测结果，获取所有计算时刻组内各计算时刻下的瞬时流场精确预测结果
。2.
根据权利要求1所述的一种基于
PINN
模型的变速运动
AUV
编队瞬时流场预测方法，其特征在于，所述
S1
中根据
S11
构建全局坐标系和根据
S12
构建每一个
AUV
对应的局部坐标系的具体步骤包括，
S11
：根据所述全域的空间维数建立全局坐标系
OXY
或
OXYZ
，其中坐标系原点
O
的位置可以任意指定，根据所有
AUV
的自艉至艏的方向确定横轴的方向，基于全局坐标系获取每一个
AUV
的重心位置，
S12
：对于
AUV
编队中的每一个
AUV
，
AUV
的局部坐标系的原点
O
’
i
设置在其重心位置处，
i
表示第
i
个
AUV
，根据所述全域的空间维数建立局部坐标系
O
’
i
XY
或
O
’
i
XYZ
，其中横轴
O
’
i
X
的正方向指向第
i
个
AUV
的船艏，
O
’
i
Y
轴指向第
i
个
AUV
的左舷，
O
’
i
Z
根据右手定则确定
。3.
根据权利要求1所述的一种基于
PINN
模型的变速运动
AUV
编队瞬时流场预测方法，其特征在于，所述
S2
中根据
S21
将全域沿着二维空间的横轴划分为一定数量的第一子区域和根据
S22
将全域划分为一定数量的第二子区域的具体步骤包括
S21
：当全域为二维空间时，将全域向对应的二维全局坐标系横轴投影，获得投影区间根据每一艘
AUV
的总长
L
i
获取
AUV
的特征长度该特征长度根据每一个
AUV
的总长取为
AUV
的最大总长或平均总长；根据所述投影区间
[X
a
,X
b
]
及特征长度将全域划分为一定数量的第一子区域
{r1,r2,...,r
c
,r
c+1
,...,r
C
}
，
c∈{1,2,...,C}
，其中
C
为第一子区域的数量，所述每一个子区域的长度不小于特征长度根据每一个子区域的坐标获取所述每一个子区域的中点横坐标其中，
X
c1
表示第
c
个子区域在横轴上的左端点，
X
c2
表示第
c
个子区域在横轴上的右端点，
S22
：当全域为三维空间时，将全域向对应的三维全局坐标系的横轴与纵轴投影，分别获得横轴投影区间以及纵轴投影区间特征长度根据每一个
AUV
的总长取为
AUV
的最大总长或平均总长；根据所述投影区间及特征长度将全域划分为一定数量的第二子区域
{R1,R2,...,R
c
,R
c+1
,...,R
C
}
，
c∈{1,2,...,C}
，其中
C
为第二子区域的数量，所述每一个子区域在横轴与纵轴上的区间长度均不小于特征长度根据每一个子区域的投影区间及获取所述每一个子区域的中点横
、
纵坐标及
4.
根据权利要求1所述的一种基于
PINN
模型的变速运动
AUV
编队瞬时流场预测方法，其特征在于，所述
S2
中根据有限元建模软件中的网格划分功能模块对第一子区域或第二子区域进行网格划分
。5.
根据权利要求...

【专利技术属性】
技术研发人员：于海成，赵英东，吴松昊，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：