System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于流体力学,具体涉及一种基于双向长短时记忆神经网络的流场重构与预测方法。
技术介绍
1、流场是指液体或气体等流体在空间中的分布和运动状态的描述,深入研究流场重构预测技术,包括通过在有限测点数据重构流场压力分布、通过更细粒度的插值预测流场中间状态,对目标毁伤评估具有重要的应用价值,在空气动力学、爆炸力学和材料科学等领域的研究具有重要意义。
2、随着深度学习的发展,相关研究人员使用深度神经网络的强大表征能力在流场重构与预测等方面展开了研究。文献“v.sehar,q.jiang,c.shu and bc.khoo,et al.fastflow field prediction over airfoils using deep learning approach,physics offluids,2019.”使用深度神经网络预测不同状态下的周围流场分布情况,首先使用卷积神经网络(convolutional neural network,cnn)提取对象的形状特征,然后将其与来流状态组合在一起,最后使用全连接神经网络预测对象周围流场分布。文献“r.han,y.wang,y.zhang and g.chen.a novel spatial temporal prediction method for unsteadywake flows based on hybrid deep neural network,physics of fluids,2019.”对流场的时空演化过程进行研究,构造了一种基于卷积神经网络和长短
技术实现思路
1、为了克服现有技术的不足,本专利技术提供了一种基于双向长短时记忆神经网络的流场重构与预测方法,采用深度神经网络dnn捕捉流场的高阶特征和局部信息,并引入双向长短期记忆网络bi-lstm学习流场数据时序特征;进而综合利用时序关系、数据变化规律等特征信息预测和重构流场;最后,该方法构建重建损失,通过输入粗粒度时间和不同工况的流场数据训练神经网络,快速重构得到重构后的中间时刻或不同工况的更高精度流场数据。本专利技术方法可以有效地在有限测点数据重构流场压力分布以及预测在更细粒度地插值预测流场中间状态。
2、本专利技术解决其技术问题所采用的技术方案包括如下步骤:
3、步骤1:数据提取与预处理;
4、首先对采集的数据进行数据清洗,其次按照不同比例将清洗过后的数据划分为训练集、测试集和验证集用于后续模型的训练、测试和验证,最后将所有数据进行归一化处理之后作为网络学习的样本数据x;
5、步骤2:局部信息和高阶特征提取;
6、将训练样本x输入到深度神经网络中学习得到s个局部信息c={c1,c1,...,cs},其次将局部信息映射至高阶特征空间中逐层抽象得到高阶特征o,最后从高阶特征o中对训练样本进行重构得到,并通过最小化重构损失目标函数进行优化求解;
7、步骤3:流场重构与预测;
8、通过双向长短期记忆网络获取高阶特征o中的前向和后向时序关系,从而得到从过去时刻面向未来时刻的时序依赖关系,其次通过已训练的双向长短期记忆网络对特征进行时序推断,推断时序过程中的未知流场状态,最后将训练完成的网络用于流场的重构与预测。
9、优选地,所述步骤1具体为:
10、步骤1-1:数据清洗:将原始数据中的异常数据点进行清洗,异常数据点包括测量点坐标异常、测量点数值异常以及数据维度异常;
11、步骤1-2:数据划分:按照不同比例将清洗过后的数据划分为训练集、测试集和验证集用于后续模型的训练、测试和验证;
12、步骤1-3:数据归一化处理:通过归一化处理操作将所有流场压力值归一化到[0,1]区间,将与流场压力值对应的时间和高度作为一个样本制作成样本数据集x。
13、优选地,所述步骤2具体为:
14、步骤2-1:局部信息提取;
15、使用深度神经网络dnn模型的多层全连接层作为局部特征提取器,将空间样本特征映射到另一个特征空间,具体地,将样本数据输入至dnn的第i层全连接层得到中间局部特征ci=ψdnn(xi-1);xi-1表示第i-1个样本数据;
16、步骤2-2:高阶特征提取;
17、经过dnn的多层全连接层的特征提取之后,局部特征经逐层抽象,最终形成高阶特征o。
18、优选地,所述步骤3具体为:
19、步骤3-1:时序特征提取;
20、使用bi-lstm网络提取流场信号前后时刻的时序依赖关系,bi-lstm由两层信息传递方向的lstm构成;
21、步骤3-2:特征映射;
22、将流场超压信号场从低层局部特征和时序依赖关系逐层向高阶特征信息抽象,形成最终的特征d=φ(oi+oli+ori);其中oi、oli、ori分别表示当前时序依赖关系、前向时序依赖关系和后向时序依赖关系;
23、步骤3-3:流场重构;
24、衡量重构的流场和实际观测的流场之间的差异
25、步骤3-4:流场插值预测;
26、对现有流场数据的粒度按爆高和时刻两个维度进行预测细化。
27、本专利技术的有益效果如下:
28、1.泛化能力和适应性更强,本专利技术基于深度学习,通过引入深度神经网络训练学习并捕捉流场的高阶特征和局部信息,将样本数据映射至更加有效的特征空间,使得模型泛能力和适应性高于传统手工设计的特征提取器。
29、2.训练速度更快。本专利技术设计了简单有效的浅层特征提取网络和网络训练策略,其训练速度远比其他深层网络特征提取算法。
30、3.流场重构与预测精度更高。本专利技术通过引入双向长短期记忆网络充分学习流场数据时序特征,进而综合利用时序关系、数据变化规律等特征信息,使得在流场重构预测误差。
31、4.模型鲁棒性更强。本专利技术的特征选择能够去除特征噪声,减小了噪声对模型的影响。
本文档来自技高网...【技术保护点】
1.一种基于双向长短时记忆神经网络的流场重构与预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于双向长短时记忆神经网络的流场重构与预测方法,其特征在于,所述步骤1具体为:
3.根据权利要求2所述的一种基于双向长短时记忆神经网络的流场重构与预测方法,其特征在于,所述步骤2具体为:
4.根据权利要求3所述的一种基于双向长短时记忆神经网络的流场重构与预测方法,其特征在于,所述步骤3具体为:
【技术特征摘要】
1.一种基于双向长短时记忆神经网络的流场重构与预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于双向长短时记忆神经网络的流场重构与预测方法,其特征在于,所述步骤1具体为:
3.根...
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。