一种制造技术

本发明专利技术涉及工业系统仿真领域，公开了一种

【技术实现步骤摘要】
一种Modelica流体模型智能预测方法


[0001]本专利技术涉及工业系统仿真领域，尤其涉及一种
Modelica
流体模型智能预测方法
。

技术介绍

[0002]Modelica
是一种开放型的建模语言，起源于欧洲，主要是为了解决复杂物理体系建模与仿真问题而提出
。
该语言基于方程，采用面向对象和组件的方法，能够对不同领域物理系统的模型进行统一表述，实现统一建模
。
另外，它还支持层次结构建模，语言本身带有可重用的标准库和扩展库，广泛应用于机械
、
电子
、
液压
、
控制
、
热流等不同领域的多领域耦合的复杂异构模型，可以方便的实现其物理系统建模，从而快速构建复杂系统的物理仿真模型
。
标准型
、
开放性和可扩充性等优点，为给其
Modelica
带来了巨大的发展潜力，使用
Modelica
构建
Modelica
流体模型，在实际使用中，主要存在以下3个方面的问题：
1. 在
Modelica
流体模型编译求解引擎中，求解计算效率相对低下
。
求解器通常采用
Cvode、DASSL
以及
RK
等数值计算方法对微分方程组进行近似求解，采用该种方法的求解计算效率相对低下，特别当方程较为复杂或模型参数初值选择不合理时，部分数值计算方法可能会失效
。
[0003]2. 模型参数与设置比较僵化，缺乏智能性
。
对于模型参数与设置的任何改变，均需要对模型重新进行编译
、
优化与求解
。
同时，使用常规的深度学习方法也只能实现对流体模型进行短期预测，随着预测时间的增加，累计误差将会快速增大，预测结果将不具有应用价值
。
[0004]3. 目前已有的复合式神经网络，在流场模型中计算精度低，无法满足预测流场模型的精度要求
。
[0005]因此，在
Modelica
流体模型计算中，亟需一种计算高效
、
精度高的预测方法
。

技术实现思路

[0006]为了解决上述技术问题，本专利技术提供了一种网联车辆的身份认证与加密通信方法，能够在提高车辆网络通信时身份认证以及加密通讯过程的安全性与隐私性
。
[0007]本专利技术提供了一种
Modelica
流体模型智能预测方法，包括如下步骤：步骤
S1
：所述
Modelica
流体模型进行数值计算，得到数值求解结果；步骤
S2
：将所述数值求解结果输入复合神经网络模型，所述复合神经网络模型包括
GRU
网络和
PINN
网络，其中所述
GRU
网络的输入端为所述复合神经网络模型的输入端，所述
GRU
网络的输出端连接到所述
PINN
网络的输入端，所述
PINN
网络的输出端作为所述复合神经网络模型的输出端；步骤
S3
：根据所述复合神经网络模型的输出，获得预测结果；步骤
S4
：将所述复合神经网络模型输出的数据进行保存
。
[0008]进一步地，所述数值求解结果包括：流场的横向坐标
x、
纵向坐标
y、
垂向坐标
z、
时
间
t、
横向速度
u、
纵向速度
v、
垂向速度
w、
压力
p
以及温度
T。
[0009]进一步地，所述
GRU
网络数据损失项
L
GRU
的计算公式如下：
(1)
式中，
N
为样本数量，
i
为第
i
个样本点，
X
i
为第
i
个样本点坐标向量，包括第
i
个样本点在流场中的横坐标
x、
纵坐标
y
以及垂坐标
z
，
(X
i
,t)
为第
i
个样本点在
t
时刻的样本数据，表示流场中坐标点（
x,y,z
）在
t
时刻的横向速度
、
纵向速度
、
垂向速度
、
压力以及温度，
(X
i
,t)
表示第
i
个样本点在
t
时刻的数据通过
GRU
网络训练后得到的预测解
。
[0010]进一步地，所述
PINN
网络设置隐藏层为7层，各隐藏层的神经元数量
50
个
。
[0011]进一步地，所述
PINN
网络训练时使用
Adam
优化器进行学习
。
[0012]进一步地，所述
PINN
网络损失项
L
PINN
的计算公式如下：
L
PINN
=L
data
+L
phy
(2)
式中，
L
data
表示
PINN
网络数据损失项，
L
phy
表示
PINN
网络物理损失项
。
[0013]进一步地，所述
PINN
网络数据损失项
L
data
的具体确定步骤包括：确定
PINN
网络的初始条件损失项，所述
PINN
网络的初始条件损失项的计算公式如下：
(3)
式中，
N
m
为初始样本数量，
m
为第
m
个初始样本点，
X
initm
为第
m
个初始样本点坐标向量，包括第
m
个初始样本点在流场中的横坐标
x、
纵坐标
y
以及垂坐标
z
，
(X
initm
,0)
为第
m
个初始样本点在初始时刻的数据通过所述复合神经网络模型训练后得到的预测解，
(X
initm
,0)
为第
m
个初始样本点在初始时刻的样本数据，表示流场中第
m
个初始样本点（
x,y,z
）在初始时刻的横向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种
Modelica
流体模型智能预测方法，其特征在于，所述预测方法包括如下步骤：步骤
S1
：所述
Modelica
流体模型进行数值计算，得到数值求解结果；步骤
S2
：将所述数值求解结果输入复合神经网络模型，所述复合神经网络模型包括
GRU
网络和
PINN
网络，其中所述
GRU
网络的输入端为所述复合神经网络模型的输入端，所述
GRU
网络的输出端连接到所述
PINN
网络的输入端，所述
PINN
网络的输出端作为所述复合神经网络模型的输出端；步骤
S3
：根据所述复合神经网络模型的输出，获得预测结果；步骤
S4
：将所述复合神经网络模型输出的数据进行保存
。2.
根据权利要求1所述的一种
Modelica
流体模型智能预测方法，其特征在于：所述数值求解结果包括：流场的横向坐标
x、
纵向坐标
y、
垂向坐标
z、
时间
t、
横向速度
u、
纵向速度
v、
垂向速度
w、
压力
p
以及温度
T。3.
根据权利要求1所述的一种
Modelica
流体模型智能预测方法，其特征在于：所述
GRU
网络数据损失项
L
GRU
的计算公式如下：
(1)
式中，
N
为样本数量，
i
为第
i
个样本点，
X
i
为第
i
个样本点坐标向量，包括第
i
个样本点在流场中的横坐标
x、
纵坐标
y
以及垂坐标
z
，
(X
i
,t)
为第
i
个样本点在
t
时刻的样本数据，表示流场中坐标点（
x,y,z
）在
t
时刻的横向速度
、
纵向速度
、
垂向速度
、
压力以及温度，
(X
i
,t)
表示第
i
个样本点在
t
时刻的数据通过
GRU
网络训练后得到的预测解
。4.
根据权利要求1所述的一种
Modelica
流体模型智能预测方法，其特征在于：所述
PINN
网络设置隐藏层为7层，各隐藏层的神经元数量
50
个
。5.
根据权利要求1所述的一种
Modelica
流体模型智能预测方法，其特征在于：所述
PINN
网络训练时使用
Adam
优化器进行学习
。6.
根据权利要求1所述的一种
Modelica
流体模型智能预测方法，其特征在于：所述
PINN
网络损失项
L
PINN
的计算公式如下：
L
PINN
=L
data
+L
phy
(2)
式中，
L
data
表示
PINN
网络数据损失项，
L
phy
表示
PINN
网络物理损失项
。7.
根据权利要求6所述的一种
Modelica
流体模型智能预测方法，其特征在于：所述
PINN
网络数据损失项
L
data
的具体确定步骤包括：确定
PINN
网络的初始条件损失项，所述
PINN
网络的初始条件损失项的计算公式如下：
(3)
式中，
N
m
为初始样本数量，
m
为第
m
个初始样本点，
X
initm
为第
m
个初始样本点坐标向量，包括第
m
个初始样本点在流场中的横坐标
x、
纵坐标...

【专利技术属性】
技术研发人员：程旭，付铁强，蒋荣，张强，张聪聪，何绍清，冯屹，张鹏，侯庆坤，张凌翔，施睿智，买清清，
申请(专利权)人：中汽数据天津有限公司中汽数据有限公司，
类型：发明
国别省市：