[发明专利]一种基于图卷积的流场重构方法

说明书

本发明公开了一种基于图卷积的流场重构方法，该方法通过对研究流体域进行网格划分，将流体域的基础信息转化为图结构数据，采用图卷积提取基础信息与研究流场(如温度、压力、速度和涡量等)之间的映射关系，完成从基础信息获得各项流场的任务。该方法的优势在于，一方面，该方法快速重构内部流场，提高重构效率，降低经济成本，方便人员操作；另一个方面，该方法通过将网格数据处理为图结构数据的形式，摆脱流场重构对于格数据的依赖，同时突破了流场重构的应用场景，可以同时实现在结构化网格以及非结构化网格的流场重构，且不受研究物体几何形状的限制，相比于其他重构方法有极大的优势。

技术领域

本发明属于流动换热技术领域，具体涉及一种基于图卷积的流场重构方法。

背景技术

传统实验以及工业检测中，通常采用一系列的测量设备进行基础数据的检测。以热电偶、压力应变片等为代表的接触式测量工具仅可通过一台设备获得单点信息，若要获得全局信息需要在测量物体表面分布大量的测量设备，且无法测量流体域内部信息。以红外辐射、光学测量为代表的非接触式测量工具，可以完成一台设备获得区域信息的任务，但测得区域信息同样受限于表面。为了解决这一问题，大量的新型测量技术涌现。其中，以超声波为代表的测量技术通过合理的多设备分布可以实现研究对象内部流场的测量需求，但是该类设备价格昂贵，在复杂环境或几何条件下重构效果较差。

近几年来，随着深度学习方法在各种工程领域的推广与发展，越来越多的研究开始关注卷积神经网络在流场重构上的应用。卷积神经网络擅长从大量基础数据中高度提炼特征，可以实现端到端的流场重构任务。虽然，卷积神经网络可以大幅度减少流场重构中的人工干预，完成从已知信息到全局流场的映射，但是卷积神经网络要求所研究流域信息必须为格点数据并处理成可直接使用的流场矩阵。然而实际操作中，大部分的研究流域几何形状复杂，通常需要采用非结构化网格进行分割，难以处理为格点矩阵。

发明内容

本发明的目的在于提供了一种基于图卷积的流场重构方法，该方法不依赖于格点数据格式，通过将流体域的基础信息转化为图结构数据，采用图卷积提取基础信息与研究特征(如温度、压力、速度和涡量等)之间的映射关系，完成从基础信息重构全局流场的任务。

本发明采用如下技术方案来实现的：

一种基于图卷积的流场重构方法，包括以下步骤：

1)建立研究模型，划分网格：

建立研究对象的计算模型，根据数值或实验需求划分网格，并记录网格信息；针对每一种计算模型，均可获得一套网格信息，每套网格信息包括各网格节点的位置信息L_m,l和网格划分方式A_m,m；其中，m＝1,2,3...,M，M为该计算模型的网格节点总数，根据计算模型网格划分的不同而不同；l＝1,2,...,L，依次表示计算模型的位置变量，而L为该计算模型的已知变量总数；

2)设定边界条件：

设定研究对象在每套计算模型下的边界条件，根据实际情况设计不同的工况；边界条件分为两类：边界条件若是直接设定某一个区域的流场信息，将其记录为初始流场F⁰_m,k，其中k＝1,2,3...,K，依次表示研究对象的流场变量，而K为该研究对象的流场变量总数；边界条件若是间接限定某一个区域的流场信息，则通过边界自编码器将间接边界条件B′_m,h映射为间接流场B_m,h，其中h＝1,2,3...,H，依次表示研究对象的间接边界条件变量，而H为该研究对象的间接边界条件变量总数；

3)获得全局流场信息：

根据步骤1)和步骤2)建立的计算模型，通过数值计算或者实验获得该计算模型的全局流场信息Y_m,k，其中k＝1,2,3...,K，依次表示研究对象的流场变量，而K为该研究对象的流场变量总数；

4)整合并处理数据：