[发明专利]绕流物体和工况改变时流场特征量的快速预测方法

说明书

本发明公开了一种绕流物体和工况改变时流场特征量的快速预测方法，该方法包括：生成深度学习网络输入数据，该生成方法适用于任何二维或三维几何模型；基于该输入数据及流场初始条件和工况条件，构建用于流场预测的深度学习网络结构；对该深度学习网络进行训练，以得到流场预测模型；该方法实现了深度学习对任意的复杂几何物体进行流场预测的要求，并且可以同时考虑到不同工况条件的影响，使深度学习在流场方面的广泛应用成为了可能；并且可以应用于流固耦合系统降阶模型的建立等场合中。

技术领域

本发明属于流场计算及深度学习领域，特别涉及绕流物体和工况改变时流场特征量的快速预测方法。

背景技术

传统应用CFD(Computational Fluid Dynamics，计算流体力学)的流场计算需要耗费大量的时间及计算资源。在绕流物体改变、计算工况改变等情况下，均需要重新进行复杂而费时的CFD计算，这不仅消耗了大量的计算资源，同时也造成了效率低下。实际上，流场作为一个系统，是有其自身特性的，每次重新进行CFD计算的做法忽略了这一点。深度学习具有自主挖掘并学习系统特性、快速预测的能力。因此，使用深度学习方法进行流场预测是一种不仅可行，且具有广泛应用前景的方法。

目前已发展的相关深度学习方法仅能对圆等少数几种简单几何形体在特定的工况条件下，所产生的绕流流场特征作出预测。其网络输入无法明确地表示出所研究绕流物体的几何信息，且有很多冗余数据；也不能将绕流物体的特征与工况同时考虑。因此，传统的深度学习流场预测方法有很大的局限性，适用范围很有限，对于超出训练数据范围的预测准确性很低。

因此，发展一种具有广泛适用范围，能同时针对不同绕流物体及不同工况进行流场预测的、具有较高鲁棒性的通用深度学习流场预测方法，是必要、并具有广泛需求的。

发明内容

为了克服现有深度学习方法在流场预测技术中所存在的问题，本发明提出一种绕流物体和工况改变时流场特征量的快速预测方法，该方法实现了深度学习对复杂几何物体进行流场特征量预测的通用化要求，并且可以同时考虑不同工况的影响，使深度学习在流场预测方面的广泛应用成为了可能。

为了达到上述目的，本发明采用如下技术方案：

绕流物体和工况改变时流场特征量的快速预测方法，包括生成深度学习网络输入数据以及针对该输入数据建立用于流场预测的深度学习模型结构；具体方法如下：

步骤1：生成深度学习网络输入数据：

1)采用Laplace形式的偏微分方程生成流场网格

对绕流物体周围预设范围内的区域，采用不带源项的Laplace方程生成流场网格；该预设范围的确定原则是：完全将绕流物体包括在内；并保证生成的网格线中，靠近该范围边界的网格线曲率为0或在10^-6量级以下；另外，应遵循计算流体力学过程中的要求，使网格点尽量密集，目的是保证不失真地离散绕流物体边界和所生成的内部网格线；

2)采用各网格点曲率值作为深度学习网络输入数据

建立与网格区域对应的单通道多维矩阵(二维问题为单通道二维矩阵)，其中每个元素对应一个唯一的网格点，元素在单通道多维矩阵中的索引值等于对应网格点在整个网格区域内的索引值；单通道多维矩阵中各元素数据采用如下方式获得：计算此元素对应的网格点处各网格线曲率，并取其中最大与最小值的乘积作为该元素数据(对于二维问题直接将两个网格线曲率相乘即可)；将所得单通道多维矩阵作为深度学习网络的输入数据；

步骤2：针对步骤1生成的输入数据，建立用于流场预测的深度学习模型结构：

1)建立多层卷积神经网络与深度神经网络组成的复合神经网络结构