基于物理场残差学习的流场仿真方法、系统、介质及设备技术方案

本发明专利技术公开了一种基于物理场残差学习的流场仿真方法、系统、介质及设备，属于深度学习和物理方程求解交叉领域。该方法包括：首先利用训练数据或其他数据构建物理流场轨迹检索数据库；然后基于物理流场轨迹检索数据库为训练数据中的每条数据对分配一条相似的辅助流场轨迹，基于辅助流场轨迹和原始的训练数据集生成残差训练数据集；接着，基于现有的算子神经网络，在残差训练数据集上训练残差算子神经网络；最后，由训练好的残差算子神经网络预测物理流场轨迹残差，以得到待求解输入函数的数值解。本发明专利技术通过物理场残差学习，一方面缓解了原训练数据中的数据偏差，另一方面避免了神经网络的过拟合现象，显著提升了算子神经网络的物理仿真性能。

【技术实现步骤摘要】

本专利技术属于深度学习和物理方程求解的交叉领域，尤其涉及一种基于物理场残差学习的流场仿真方法、系统、介质及设备。

技术介绍

1、流场数值仿真在各种工程任务中有广泛的应用。例如，在航空航天工业中被用于研究和优化飞机、火箭等气动设计，以提高飞行效率和安全性。在汽车工业中，可以用于研究和优化车辆的气动性能，提高燃油效率和驾驶稳定性。尽管流场系统可以通过一些偏微分方程如纳维-斯托克斯方程（navier-stokes equation）精确描述，但偏微分方程的求解却面临着众多挑战，这限制了许多工程应用的进一步发展。对于纳维-斯托克斯方程，我们很难得到一个简单的解析解，因此必须依赖复杂的数值模拟进行求解，例如有限元、有限差分等方法。由于这些方法依赖超细粒度的时空网格划分，通常需要消耗大量的计算资源，因此无法应用于对实时性要求较高的系统。近年来，受到深度学习方法的影响，出现了一系列基于深度学习的流场仿真方法。相比传统方法，这些基于深度学习的方法有很多优点，例如不依赖细粒度的网格划分，推理速度快。这使得它们可以在一些对计算速度需求较高的任务中发挥重要作用。

2本文档来自技高网...

【技术保护点】

1.一种基于物理场残差学习的流场仿真方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于物理场残差学习的流场仿真方法，其特征在于，步骤S1中，构建训练数据集的具体过程如下：

3.如权利要求1所述的基于物理场残差学习的流场仿真方法，其特征在于，步骤S2中，将所述训练数据集作为物理流场轨迹检索数据库，其中，物理流场轨迹检索数据库中的每条流场轨迹对应一组训练数据对。

4.如权利要求1所述的基于物理场残差学习的流场仿真方法，其特征在于，步骤S2中，获取相似流场轨迹的具体过程如下：计算训练数据集中每条输入函数与物理流场轨迹检索数据库中每条流场轨迹之间的相...

【技术特征摘要】

1.一种基于物理场残差学习的流场仿真方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于物理场残差学习的流场仿真方法，其特征在于，步骤s1中，构建训练数据集的具体过程如下：

3.如权利要求1所述的基于物理场残差学习的流场仿真方法，其特征在于，步骤s2中，将所述训练数据集作为物理流场轨迹检索数据库，其中，物理流场轨迹检索数据库中的每条流场轨迹对应一组训练数据对。

4.如权利要求1所述的基于物理场残差学习的流场仿真方法，其特征在于，步骤s2中，获取相似流场轨迹的具体过程如下：计算训练数据集中每条输入函数与物理流场轨迹检索数据库中每条流场轨迹之间的相似度得分，并对相似度得分进行排序，选出排序后相似度得分最高的k条流场轨迹作为相似流场轨迹。

5.如权利要求4所述的基于物理场残差学习的流场仿真方法，其特征在于，通过余弦相似度评估训练数据集中每条输入函数与物理流场轨迹检索数据库中每条流场轨迹之间的相似度，得到相似度得分。

6.如权利要求1所述的基于物理场残差学习的流场仿真方法，其...

【专利技术属性】
技术研发人员：朱霖潮，岳希航，杨易，
申请(专利权)人：浙江大学，
类型：发明
国别省市：