【技术实现步骤摘要】
本专利技术涉及深度学习流场建模，更具体地，涉及融合边界与物理约束的神经网络多精度流场建模方法。
技术介绍
1、近年来，各个传统领域通过结合深度学习的方式使得各行业得到了快速的发展，人工智能在流体力学中的应用深具潜力。计算流体力学有着十分悠久的历史，在航空航天航海等领域起着十分重要的作用，传统的流体力学模型通常基于连续介质假设，使用宏观连续方程来描述流体运动。然而，在某些情况下，这些宏观模型可能无法准确地预测细节信息，例如湍流、分离流等复杂现象。多精度流场建模旨在使用不同精度的模型来描述复杂的流体现象。其中，深度学习技术(如卷积神经网络等)在多精度流场建模中发挥了重要作用。
2、现有技术中，对于深度学习流场建模工作大都是借鉴于计算机视觉的原理与处理方式，数据的处理以及输入形式直接套用计算机视觉的方式，且没有考虑到流体力学的物理意义。在计算流体力学中结构网格常被用于离散化空间域，结构网格加密的方式可以解决数值计算上不同流动所需的不同空间离散分辨率，传统卷积算子被广泛用于图像像素间距固定的计算机视觉领域，其应用在加密的结构网格时会...
【技术保护点】
1.一种融合边界与物理约束的神经网络多精度流场建模方法，其特征在于，包括生成深度自由卷积网络模型多精度流场训练验证测试数据、设计自由卷积算子、搭建深度自由卷积网络模型、设计流场数据特征与训练损失函数；包括以下步骤：
2.根据权利要求1所述的一种融合边界与物理约束的神经网络多精度流场建模方法，其特征在于：在步骤1)中低精度与高精度流场采用相同的计算条件，包括来流工况、边界条件与外形形状，求解器迭代残差收敛后将高低精度数据作为一对训练样本，低精度流场数据作为模型输入特征值，高精度流场数据作为模型输出标记值。
3.根据权利要求1所述的一种融合边界与物...
【技术特征摘要】
1.一种融合边界与物理约束的神经网络多精度流场建模方法，其特征在于，包括生成深度自由卷积网络模型多精度流场训练验证测试数据、设计自由卷积算子、搭建深度自由卷积网络模型、设计流场数据特征与训练损失函数；包括以下步骤：
2.根据权利要求1所述的一种融合边界与物理约束的神经网络多精度流场建模方法，其特征在于：在步骤1)中低精度与高精度流场采用相同的计算条件，包括来流工况、边界条件与外形形状，求解器迭代残差收敛后将高低精度数据作为一对训练样本，低精度流场数据作为模型输入特征值，高精度流场数据作为模型输出标记值。
3.根据权利要求1所述的一种融合边界与物理约束的神经网络多精度流场建模方法，其特征在于：在步骤2)中所述的自由卷积算子公式如下：
4.根据权利要求1所述的一种融合边界与物理约束的神经网络多精度流场建模方法，其特...
【专利技术属性】
技术研发人员：尧少波，赵文文，樊国超，吴昌聚，陈伟芳，
申请(专利权)人：浙江大学，
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。