流体力学神经网络模型评测方法、装置、电子设备及介质

本技术涉及模型评测，特别涉及一种流体力学神经网络模型评测方法、装置、电子设备及介质。

背景技术：

1、计算流体动力学(cfd)在航空航天、汽车工程和环境工程等多个领域的流体流动分析和模拟中已成为不可或缺的工具。传统的cfd方法通常依赖于对navier-stokes方程的数值求解，这些方法在处理复杂的三维湍流流动时计算量大且耗时。随着对高保真模拟需求的增加，开发更高效的计算方法变得尤为重要。

2、近年来，神经网络(nn)方法在cfd领域展现出巨大的潜力，能够显著降低计算成本，同时保持甚至提高精度。这些数据驱动模型可以从大量数据集中学习复杂的模式和行为，从而无需从头求解偏微分方程即可快速预测流体动力学行为。这为cfd的实时应用和大规模模拟开辟了新的可能性。

3、尽管该领域进展迅速，但目前缺乏一个系统的框架来评测和比较不同的针对cfd应用的神经网络模型。

技术实现思路

1、本技术实施例的主要目的在于提出一种流体力学神经网络模型评测方法、装置、电子设备及介质，能够实现流体力学神经网络模型评测，评估各种流体力学神经网络模型在多种流体动力学问题上的性能、精度和通用性。

2、一方面，本技术实施例提出了一种流体力学神经网络模型评测方法，所述方法包括以下步骤：

3、获取各流体力学问题对应的物理系统方程表示；

4、利用各所述物理系统方程表示构建各所述流体力学问题对应的样本数据集；

5、获取多个待评测流体力学神经网络模型；

6、针对各所述待评测流体力学神经网络模型，利用各所述样本数据集对所述待评测流体力学神经网络模型进行训练、推理和评测，获取多个评测指标，确定各所述评测指标对应的评测指标值；

7、针对各所述流体力学问题对应的所述样本数据集，根据各所述待评测流体力学神经网络模型对应的各所述评测指标值和各所述评测指标对应的权重占比，确定各所述待评测流体力学神经网络模型对应的目标评测总值，根据各所述待评测流体力学神经网络模型对应的目标评测总值，从多个所述待评测流体力学神经网络模型中确定所述流体力学问题对应的最优流体力学神经网络模型。

8、在一些实施例中，所述利用各所述物理系统方程表示构建各所述流体力学问题对应的样本数据集，具体包括：

9、获取所述物理系统方程表示对应的相关项，所述相关项至少包括：方程表达式、方程物理参数、初边值条件和域几何形状；

10、对所述相关项进行修改，生成多个样本数据。

11、在一些实施例中，所述针对各所述待评测流体力学神经网络模型，利用各所述样本数据集对所述待评测流体力学神经网络模型进行训练、推理和评测，获取多个评测指标，确定各所述评测指标对应的评测指标值，具体包括：

12、对所述样本数据集根据预设的比例进行划分，获得训练集、验证集和测试集；

13、利用所述训练集和所述验证集对所述待评测流体力学神经网络模型进行训练和验证；

14、利用所述测试集对训练后的待评测流体力学神经网络模型进行结果推理，再进行模型评测，获得对应于各所述评测指标的所述评测指标值。

15、在一些实施例中，所述针对各所述流体力学问题对应的所述样本数据集，根据各所述待评测流体力学神经网络模型对应的各所述评测指标值和各所述评测指标对应的权重占比，确定各所述待评测流体力学神经网络模型对应的目标评测总值，根据各所述待评测流体力学神经网络模型对应的目标评测总值，从多个所述待评测流体力学神经网络模型中确定所述流体力学问题对应的最优流体力学神经网络模型，具体包括：

16、针对各所述待评测流体力学神经网络模型，对所述待评测流体力学神经网络模型对应的各所述评测指标值进行排序，获得排序结果，根据所述排序结果，对各所述评测指标进行赋值，更新各所述评测指标对应的所述评测指标值；

17、获取各所述评测指标对应的得分权重占比；

18、针对各所述待评测流体力学神经网络模型，根据各所述评测指标对应的所述得分权重占比和更新后的评测指标值，确定所述待评测流体力学神经网络模型对应的所述目标评测总值；

19、针对各所述流体动力学问题，根据各所述待评测流体力学神经网络模型对应的所述目标评测总值，从多个所述待评测流体力学神经网络模型中确定所述流体力学问题对应的所述最优流体力学神经网络模型，其中，所述最优流体力学神经网络模型对应的所述目标评测总值最高。

20、在一些实施例中，所述目标评测总值通过下式计算：

21、

22、其中，sum为目标评测总值，n为评测指标个数，ωi为第i个评测指标对应的得分权重占比，ai为第i个评测指标对应的评测指标值。

23、在一些实施例中，所述根据所述排序结果，对各所述评测指标进行赋值，更新各所述评测指标对应的所述评测指标值，具体包括：

24、获取多个排序名次和各所述排序名次对应的排序赋值；

25、根据所述排序结果，确定各所述评测指标对应的得分排序名次；

26、针对各所述评测指标对应的所述得分排序名次，从多个所述排序名次确定与所述得分排序名次对应的目标排序名次，将所述评测指标值更新为所述目标排序名次对应的所述排序赋值。

27、在一些实施例中，所述流体力学问题至少包括darcy流动相关问题、taylor-green涡相关问题、顶盖驱动方腔流相关问题、管道流相关问题、圆柱绕流相关问题、两相流相关问题和三维周期山流相关问题；所述评测指标包括精度指标和效率指标。

28、另一方面，本技术实施例提出了一种流体力学神经网络模型评测装置，所述装置包括：

29、第一模块，用于获取各流体力学问题对应的物理系统方程表示；

30、第二模块，用于利用各所述物理系统方程表示构建各所述流体力学问题对应的样本数据集；

31、第三模块，用于获取多个待评测流体力学神经网络模型；

32、第四模块，用于针对各所述待评测流体力学神经网络模型，利用各所述样本数据集对所述待评测流体力学神经网络模型进行训练、推理和评测，获取多个评测指标，确定各所述评测指标对应的评测指标值；

33、第五模块，用于针对各所述流体力学问题对应的所述样本数据集，根据各所述待评测流体力学神经网络模型对应的各所述评测指标值和各所述评测指标对应的权重占比，确定各所述待评测流体力学神经网络模型对应的目标评测总值，根据各所述待评测流体力学神经网络模型对应的目标评测总值，从多个所述待评测流体力学神经网络模型中确定所述流体力学问题对应的最优流体力学神经网络模型。

34、另一方面，本技术实施例提出了一种电子设备，所述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，所述处理器执行所述计算机程序时实现前面所述的流体力学神经网络模型评测方法。

35、另一方面，本技术实施例提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前面所述的流体力学神经网络模型评测方法。

36、本技术实施例至少包括以下有益效果：本技术提供的一种流体力学神经网络模型评测方法、装置、电子设备及介质，其通过各流体力学问题对应的样本数据集对各待评测流体力学神经网络模型进行训练和评测，获得各样本数据集下各待评测流体力学神经网络模型对应的目标评测总值，根据各待评测流体力学神经网络模型对应的目标评测总值，从多个待评测流体力学神经网络模型中确定流体力学问题对应的最优流体力学神经网络模型。本技术能够实现流体力学神经网络模型评测，评估各种流体力学神经网络模型在多种流体动力学问题上的性能、精度和通用性，提高流体力学神经模型评估的科学性、系统性和准确性。