一种基于深度学习的涡振响应预测方法与流程

技术特征：
1.一种基于深度学习的涡振响应预测方法，其特征在于，所述预测方法具体包括：步骤一：准备数据集，首先通过数值模拟的方式得到训练所需数据；数值模拟中所用钝体结构直接置于流场中，无弹簧悬挂系统；涡振发生的模态为一阶竖向涡振，不考虑扭转模态的参与；步骤二：搭建基于状态方程的融合龙格库塔数值方法的rnn深度神经网络架构，其中速度数据由原始位移数据进行中心差分以后获得，深度神经网络是对龙格库塔中不同项函数的逼近，深度神经网络每一个循环块的输出作为下一个循环块的输入，以此提高网络的长期学习能力；步骤三：将训练好的网络参数仅给定初值状态向量值计算预测曲线并与真实的时程响应进行对比，来验证网络的长期预测能力。2.根据权利要求1所述的方法，其特征在于，流体力学数值模拟所使用的求解器为openfoam 3.0.1，求解方法为六自由度方法，模拟的钝体结构为矩形断面，高度为200mm,长度为1000mm。3.根据权利要求2所述的方法，其特征在于，进行涡振模拟时，保持结构的阻尼比不变，设置结构的自振频率值来改变结构的阻尼，使得结构发生涡振的稳态幅值发生变化。4.根据权利要求1所述的方法，其特征在于，在步骤二中，涡振气动力方程表达为以下形式：数据的输入形式以及网络的架构分别对应于状态向量以及状态方程的逼近，具体表达式为：式为：式为：式为：式为：其中分别为n 1和n时刻神经网络预测的输出状态向量，δt为时间步长，k
idnn
是神经网络逼近的对应于龙格库塔方法中的泰勒展开函数，i＝1,2,3,4；t
n
是时刻n。5.根据权利要求4所述的方法，其特征在于，深度神经网络的目标函数为带正则化的均方误差：方误差：其中l
data
为数据的均方误差，λ为正则化系数，w为网络权重与偏置，i为第i个时刻，j为
第j个状态向量分量。6.根据权利要求5所述的方法，其特征在于，深度神经网络的训练使用pytorch框架，优化算法使用adams,训练的初始学习率为1e-3。7.根据权利要求1所述的方法，其特征在于，在步骤二中，将位移数据通过中心差分的方式得到速度数据，并将位移数据与速度数据组合成为二维的状态向量；将组合好的数据送入深度神经网络进行训练。8.一种基于深度学习的涡振响应预测系统，其特征在于，所述预测系统具体包括：数据集准备模块：准备数据集，首先通过数值模拟的方式得到训练所需数据；数值模拟中所用钝体结构直接置于流场中，无弹簧悬挂系统；涡振发生的模态为一阶竖向涡振，不考虑扭转模态的参与；网络搭建模块：搭建基于状态方程的融合龙格库塔数值方法的rnn深度神经网络架构，其中速度数据由原始位移数据进行中心差分以后获得，深度神经网络是对龙格库塔中不同项函数的逼近，深度神经网络每一个循环块的输出作为下一个循环块的输入，以此提高网络的长期学习能力；预测及验证模块：将训练好的网络参数仅给定初值状态向量值计算预测曲线并与真实的时程响应进行对比，来验证网络的长期预测能力。9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述方法的步骤。10.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1-7任一项所述方法的步骤。

技术总结
本发明提出一种基于深度学习的涡振响应预测方法。本发明所述方法融合了龙格库塔方法作为网络的深度推进格式；不同于在以往的经验模型中由于涡振为大幅值振动而省略方程右侧显含时间的由漩涡脱落而引起的纯力项，网络将时间以融入龙格库塔数值格式的方法巧妙的考虑到其影响，将非自治项考虑到了非线性方程中，相比于传统的预测建模方法更加合理且精确；网络在CFD生成的一阶涡振数据上进行验证，结果证明该方法具有长时间预测的能力，是对涡振响应进行长时间预测建模的全新方法。振响应进行长时间预测建模的全新方法。振响应进行长时间预测建模的全新方法。


技术研发人员：赖马树金 张泽宇 金耀 徐文城
受保护的技术使用者：中交公规土木大数据信息技术（北京）有限公司
技术研发日：2022.08.16
技术公布日：2022/11/29