【技术实现步骤摘要】
本专利技术涉及流体力学和深度学习，更具体的说是涉及基于计算网格数据的非定常流场单步预测方法、系统及存储介质。
技术介绍
1、非定常流场能够反映物体与周围流体的实时交互信息，对于流动控制和外形设计等研究领域具有重要的指导意义。然而，受ns方程控制的流体存在多尺度特征，且流动规律呈现高度非线性。这使得获取流体实时流动产生的非定常流场成为一项极具挑战的任务。虽然计算流体力学求解器通过基于偏微分方程的全阶模型(full-ordermodel，fom)提供了流体流动的精确仿真值，但是其需要的计算资源会随着问题复杂性的升高而快速增加，最终导致不现实的计算成本。因此，探索能够快速预测出全阶非定常流场信息的方法成为近年来研究人员的关注点。
2、目前，用于快速预测非定常流场的方法主要依托数据驱动的深度学习模型，利用深度学习强大的特征抽取能力和非线性拟合能力建模流场中的时空动力学规律。这类方法的常见思路是：首先使用卷积模块提取非定常流场的空间特征，之后利用循环神经网络构成的时序模块在空间特征上捕捉动力学的时序变化规律。然而，由于这类方法在提取非定常流场空间特征时使用到了卷积模型，所以需要将原始的网格数据人工整理成卷积能够处理的二维矩阵结构。人工整理过程需要对每一个网格单元编号，进而转换成二维矩阵的数据存储形式。现有方法在转换网格数据之后，会将多个流场物理量以通道的方式填充在二维矩阵中来构造类图像数据，最后针对类图像数据进行深度学习建模。可以看出，现有方法对数据的预处理为原本的预测任务增加了较多人工干预。当所处理的流场问题涉及多套计算网格
3、因此，如何提供基于计算网格数据的非定常流场单步预测方法、系统及存储介质，减少人工干预，提升动力学建模分析的效率，同时提高获取未来非定常流场数据的效率是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了基于计算网格数据的非定常流场单步预测方法、系统及存储介质，使用图卷积建模非定常流场中的时空动力学规律并预测未来流场，不需要将原始的网格数据人工整理成卷积能够处理的二维矩阵结构，减少人工干预，提升动力学建模分析的效率，同时提高获取未来非定常流场数据的效率。
2、为了实现上述目的，本专利技术采用如下技术方案：基于计算网格数据的非定常流场单步预测方法，包括：
3、获取原始计算网格数据和待预测时刻值；
4、构建深度学习模型；
5、根据适用于深度学习模型训练的图结构排布方式组织所述原始计算网格数据，构建训练样本数据；训练样本数据存储于训练样本数据库中；
6、根据所述训练样本数据训练所述深度学习模型；
7、基于所述待预测时刻值和所述训练样本数据，确定所述深度学习模型的输入值；
8、将所述深度学习模型的输入值输入到训练好的深度学习模型中，预测所述待预测时刻值对应的流场数据。
9、优选的，所述获取原始计算网格数据，包括：通过cfd仿真软件对流体力学进行仿真计算，对计算域进行网格划分并求解物理控制方程得到依附网格上的物理量。
10、优选的，所述图结构包括：
11、对计算域进行网格划分时，网格单元的相邻形式呈现出图结构，网格单元对应图结构中的节点，相邻网格单元之间存在图结构中的边；
12、节点的属性值由求解物理控制方程后网格单元对应的物理量构成；
13、所述构建训练样本数据，包括：按照时间顺序排列以图结构存放的原始计算网格数据。
14、优选的，根据所述训练样本数据训练所述深度学习模型，包括：
15、将前两个连续时刻数据和当前时刻数据分别作为输入和标签，训练深度学习模型；
16、监督训练的损失函数定义为：
17、
18、其中，i表示图结构中的节点编号，n表示节点总个数，y(i)表示第i个节点对应物理量的真实值，表示第i个节点对应物理量的预测值；
19、所述前两个连续时刻数据是训练样本数据中任意两个连续时刻数据，所述前两个连续时刻数据与所述当前时刻数据在时间上连续。
20、优选的，基于所述待预测时刻值和所述训练样本数据，确定所述深度学习模型的输入值，包括：
21、根据待预测时刻值，确定与待预测时刻值在时间上连续的前两个连续时刻数据；
22、当训练样本数据中存在所述前两个连续时刻数据时，将所述前两个连续时刻数据作为所述深度学习模型的输入值；
23、当训练样本数据中不存在所述前两个连续时刻数据时，选择与所述待预测时刻值在时间上最近的两个连续时刻数据作为深度学习模型的输入值，通过循环预测的方式得到待预测时刻值对应的流场数据。
24、优选的，所述通过循环预测的方式得到待预测时刻值对应的流场数据，包括：
25、设定待预测时刻值为t，与所述待预测时刻值在时间上最近的两个连续时刻数据分别为xt-m和xt-m-1；m≥3；
26、将xt-m和xt-m-1作为深度学习模型的输入值预测得到
27、接着使用xt-m-1和作为深度学习模型的输入值预测得到
28、如此循环，直到获得待预测时刻值t对应的预测结果
29、优选的，所述深度学习模型由两个时空动力学表征模块和一个多层感知机级联而成；
30、所述时空动力学表征模块包括依次连接的时间注意力子模块、空间注意力子模块、空间动力学表征子模块和时间动力学表征子模块。
31、优选的，所述时间注意力子模块和空间注意力子模块分别定义为：
32、e＝ve·σ(((xl)tu1)u2(u3xl)+be)
33、s＝vs·σ(((xl)tw1)w2(w3xl)+bs)；
34、式中，e和s分别表示时间注意力和空间注意力的能量函数值，它们的对应元素表示为ei,j和si,j，分别指代节点i和节点j之间在时间和空间上的关联强度；表示输入的时空序列数据，l表示当前stdr模块所属层数；n表示计算网格节点数，cl和tl分别表示第l层的通道数和第l层输入序列长度；ve、u1∈r n、和u3∈r cl是时间注意力中的可学习参数；vs、bs∈r n×n、和w3∈r cl是空间注意力中的可学习参数；
35、所述空间动力学表征子模块由单层图卷积神经网络构成；
36、所述时间动力学表征子模块由单层卷积神经网络构成。
37、优选的，基于计算网格数据的非定常流场单步预测系统，包括服务器，所述服务器包括：
38、获取模块，用于获取原始计算网格数据和待预测时刻值；
39、模型构建模块，用于构建深度学习模型；
40、训练样本数据构建模块，用于根据适用于深度学习模型训练的图结构排布方式组织所述原始计算网格数据，构建训练样本数据；
41、训练模块，用于根据所述训练样本数据训练所述深度学习模型本文档来自技高网...
【技术保护点】
1.基于计算网格数据的非定常流场单步预测方法，其特征在于，包括：
2.根据权利要求1所述的基于计算网格数据的非定常流场单步预测方法，其特征在于，所述获取原始计算网格数据，包括：通过CFD仿真软件对流体力学进行仿真计算，对计算域进行网格划分并求解物理控制方程得到依附网格上的物理量。
3.根据权利要求2所述的基于计算网格数据的非定常流场单步预测方法，其特征在于，所述图结构包括：
4.根据权利要求1所述的基于计算网格数据的非定常流场单步预测方法，其特征在于，根据所述训练样本数据训练所述深度学习模型，包括：
5.根据权利要求1所述的基于计算网格数据的非定常流场单步预测方法，其特征在于，基于所述待预测时刻值和所述训练样本数据，确定所述深度学习模型的输入值，包括：
6.根据权利要求5所述的基于计算网格数据的非定常流场单步预测方法，其特征在于，所述通过循环预测的方式得到待预测时刻值对应的流场数据，包括：
7.根据权利要求1所述的基于计算网格数据的非定常流场单步预测方法，其特征在于，所述深度学习模型由两个时空动力学表征模块和
8.根据权利要求7所述的基于计算网格数据的非定常流场单步预测方法，其特征在于，
9.基于计算网格数据的非定常流场单步预测系统，其特征在于，包括服务器，所述服务器包括：
10.计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-8任一项所述的基于计算网格数据的非定常流场单步预测方法的步骤。
...【技术特征摘要】
1.基于计算网格数据的非定常流场单步预测方法，其特征在于，包括：
2.根据权利要求1所述的基于计算网格数据的非定常流场单步预测方法，其特征在于，所述获取原始计算网格数据，包括：通过cfd仿真软件对流体力学进行仿真计算，对计算域进行网格划分并求解物理控制方程得到依附网格上的物理量。
3.根据权利要求2所述的基于计算网格数据的非定常流场单步预测方法，其特征在于，所述图结构包括：
4.根据权利要求1所述的基于计算网格数据的非定常流场单步预测方法，其特征在于，根据所述训练样本数据训练所述深度学习模型，包括：
5.根据权利要求1所述的基于计算网格数据的非定常流场单步预测方法，其特征在于，基于所述待预测时刻值和所述训练样本数据，确定所述深度学习模型的输入值，包括...
【专利技术属性】
技术研发人员：瞿锡垚，宋敏华，张文琦，王钢林，李岩，
申请(专利权)人：中国航空研究院，
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。