【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，涉及一种多区复杂结构网格的多节点通信卷积图神经网络模型方法。
技术介绍
1、近年来，深度学习得到了快速的发展，由于深度学习模型精度高，泛化能力强，在各个传统领域中都取得很好的效果。计算流体力学有着十分悠久的历史，在航空航天航海行业中起着十分重要的作用，但是计算流体力学对于计算机性能要求高，且计算时间长，效率低。由此，深度学习流场建模的研究工作日新月异。
2、现有技术中，对于深度学习流场建模工作大得多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。在计算流体力学的三维应用中，常常使用多区结构网格以及mpi并行库进行离散求解，多区复杂三维外形的结构网格每个区的网格大小会根据计算的问题以及外形形状而特定，因此整个计算网格并不能形成一个完整的张量数据而是多个形状不一的张量数据。在这种情况下被广泛应用的卷积网络无法直接处理这种形式的张量数据，而如果使用网格插值重构成一个完整的张量数据(类似于计算机视觉)的处理方式会破坏原有的...
【技术保护点】
1.一种多区复杂结构网格的多节点通信卷积图神经网络模型方法，其特征在于，包括对多区复杂三维外形结构网络流场数据以及多区连接关系数据预处理以及读取，基于预处理得到的流场数据以多区连接关系，构建用于多区结构网络的多节点通信卷积图网络神经网络模型，使用多进程编程实现多区网格并行载入模型训练与推理；包括以下步骤：
2.根据权利要求1所述的一种多区复杂结构网格的多节点通信卷积图神经网络模型方法，其特征在于：在步骤1)中边界关系数据的张量形状为[bn,6,facen]，流场数据的张量形状为[fn,Wi,Hi,Di],i＝1…bn，其中bn为流场分区数量，facen为每...
【技术特征摘要】
1.一种多区复杂结构网格的多节点通信卷积图神经网络模型方法，其特征在于，包括对多区复杂三维外形结构网络流场数据以及多区连接关系数据预处理以及读取，基于预处理得到的流场数据以多区连接关系，构建用于多区结构网络的多节点通信卷积图网络神经网络模型，使用多进程编程实现多区网格并行载入模型训练与推理；包括以下步骤：
2.根据权利要求1所述的一种多区复杂结构网格的多节点通信卷积图神经网络模型方法，其特征在于：在步骤1)中边界关系数据的张量形状为[bn,6,facen]，流场数据的张量形状为[fn,wi,hi,di],i＝1…bn，其中bn为流场分区数量，facen为每个界面的索引信息，fn为流场原始特征数量，wi,hi,di为第i个分区的网格三个维度的大小；facen中包含目标边界所在分区索引、目标边界索引，边界通信时是否置换维度次序匹配、维度是否逆序匹配。
3.根据权利要求1所述的一种多区复杂结构网格的多节点通信卷积图神经网络模型方法，其特征在于：在步骤2-1)中输入单节点三维卷积网络的张量形式为[fn,wi,hi,di],i＝1…bn，所有分区单独输入三维卷积网络，经过每一层卷积层后的特征交由界面通信二维卷积网络与多节点通信图网络处理后再输入到下一层卷积层；最终输出的张量形式为[ln,wi,hi,di],i＝1…bn，l...
【专利技术属性】
技术研发人员：尧少波，陈烨斯，赵文文，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。