技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种融合算子学习与卷积神经网络的流场预测方法与流程  >  正文

一种融合算子学习与卷积神经网络的流场预测方法与流程

  • 国知局
  • 2024-08-22 14:37:13

本发明实施例涉及流场预测,特别涉及一种融合算子学习与卷积神经网络的流场预测方法。

背景技术:

1、流场预测是气动研究领域十分重要的一个环节。传统流场预测方法主要采用深度神经网络和算子学习,然而,深度神经网络模型虽然特征提取能力较强,对不同外形的飞行器的流场具有较强的学习能力,但深度神经网络是通过逼近函数来解决问题,而流场流动有时会出现复杂的非线性效应,这就使得深度神经网络在流场预测场景下的拟合能力较为欠缺,准确率不高。而算子学习的思想是将函数作为输入,通过神经网络对不同的函数进行拟合,从而得到目标泛函,等于是学习到了函数的更高层次,从而使得神经网络的泛化性更强,适用于流场预测,但是算子学习在面对不同外形时往往表现出来的效果不佳。

2、因此,亟需一种融合算子学习与卷积神经网络的流场预测方法。

技术实现思路

1、为了解决传统流场预测方法对不同外形飞行器的流场预测准确率较差的问题,本发明实施例提供了一种融合算子学习与卷积神经网络的流场预测方法。

2、一方面,本发明实施例提供了一种融合算子学习与卷积神经网络的流场预测方法,方法包括:

3、构建带有流场数据标签的训练集;其中,所述训练集包含若干种外形的飞行器的马赫数范围和攻角范围,所述训练集中含有若干个训练数据,每一个训练数据对应一种飞行器的一组马赫数和攻角,以及该种飞行器在该组马赫数和攻角下所有网格点的流场数据标签;

4、对所述训练集进行数据预处理,以确定每一个训练数据对应的来流条件和飞行器的外形信息;

5、将每一个训练数据的来流条件、对应飞行器的所有网格点坐标、所述外形信息和所述流场数据标签输入至预先构建的融合神经网络中,以训练得到用于预测不同外形飞行器在不同来流马赫数和攻角下流场数据的预测模型;其中,所述融合神经网络包括依次连接的算子学习网络和卷积神经网络,所述算子学习网络用于基于来流条件和网格点坐标对流场数据进行初始映射,所述卷积神经网络用于基于初始映射结果和所述外形信息对流场数据进行最终预测。

6、另一方面,提供了一种融合算子学习与卷积神经网络的流场预测装置,装置包括:

7、构建单元,用于构建带有流场数据标签的训练集;其中,所述训练集包含若干种外形的飞行器的马赫数范围和攻角范围,所述训练集中含有若干个训练数据,每一个训练数据对应一种飞行器的一组马赫数和攻角,以及该种飞行器在该组马赫数和攻角下所有网格点的流场数据标签;

8、预处理单元,用于对所述训练集进行数据预处理,以确定每一个训练数据对应的来流条件和飞行器的外形信息;

9、训练单元,用于将每一个训练数据的来流条件、对应飞行器的所有网格点坐标、所述外形信息和所述流场数据标签输入至预先构建的融合神经网络中,以训练得到用于预测不同外形飞行器在不同来流马赫数和攻角下流场数据的预测模型;其中,所述融合神经网络包括依次连接的算子学习网络和卷积神经网络,所述算子学习网络用于基于来流条件和网格点坐标对流场数据进行初始映射,所述卷积神经网络用于基于初始映射结果和所述外形信息对流场数据进行最终预测。

10、另一方面,提供了一种计算设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本说明书任一实施例所述的方法。

11、另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行本说明书任一实施例所述的方法。

12、另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述所述方法的步骤。

13、本发明实施例提供了一种融合算子学习与卷积神经网络的流场预测方法,设计融合算子学习与卷积神经网络的流场预测模型,通过将来流条件输入算子学习网络,来发挥算子学习网络的非线性拟合能力,将外形信息结合算子学习网络的输出结合输入至卷积神经网络,以此来发挥卷积神经网络较强的外形特征提取能力。因此,本方案能够充分发挥算子学习网络在函数空间上的泛化能力与卷积神经网络的特征提取能力,分区域输入来流条件和外形信息能保证每部分网络都发挥出自身的优势,能够快速、准确的得到不同外形飞行器在不同来流马赫数和攻角下的流场数据,且相对于传统的流场预测网络,本方案所提出的融合预测模型外形泛化性更好、精度也更高。

技术特征:

1.一种融合算子学习与卷积神经网络的流场预测方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,所述流场数据标签是通过如下方式构建的:

3.根据权利要求1所述的方法,其特征在于,对所述训练集进行数据预处理,以确定每一个训练数据对应的来流条件和飞行器的外形信息,包括:

4.根据权利要求3所述的方法,其特征在于,来流速度分量是通过如下公式计算的:

5.根据权利要求1所述的方法,其特征在于,所述算子学习网络为deeponet网络,所述卷积神经网络为u-net网络。

6.根据权利要求5所述的方法,其特征在于,所述将每一个训练数据的来流条件、对应飞行器的所有网格点坐标、所述外形信息和所述流场数据标签输入至预先构建的融合神经网络中,以训练得到用于预测不同外形飞行器在不同来流马赫数和攻角下流场数据的预测模型,包括:

7.一种融合算子学习与卷积神经网络的流场预测装置,其特征在于,包括:

8.一种计算设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-6中任一项所述的方法。

9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-6中任一项所述的方法。

10.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法的步骤。

技术总结本发明实施例涉及流场预测技术领域,特别涉及一种融合算子学习与卷积神经网络的流场预测方法。包括:构建带有流场数据标签的训练集;训练集中含有若干个训练数据,每一个训练数据对应一种飞行器的一组马赫数和攻角,以及流场数据标签;对训练集进行数据预处理,以确定每一个训练数据对应的来流条件和飞行器的外形信息;将每一个训练数据的来流条件、对应飞行器的所有网格点坐标、外形信息和流场数据标签输入至预先构建的融合神经网络中,以训练得到用于预测不同外形飞行器在不同来流马赫数和攻角下流场数据的预测模型;其中,融合神经网络包括依次连接的算子学习网络和卷积神经网络。本方案所提出的融合预测模型外形泛化性更好、精度也更高。技术研发人员:刘枫,李宇玻,熊恒立,蒋万秋,黄俊受保护的技术使用者:中国空气动力研究与发展中心超高速空气动力研究所技术研发日:技术公布日:2024/8/20

本文地址:https://www.jishuxx.com/zhuanli/20240822/279267.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。