[发明专利]基于机器学习的流场数据计算方法和装置

说明书

本申请涉及一种基于机器学习的流场数据计算方法和装置。所述方法包括：利用NS方程求解器生成模拟对象在第一时间步的第一流场数据和第二时间步的第二流场数据；将第一流场数据输入预先设置的神经网络，利用神经网络的输出值和第二流场数据的差值进行反向训练，确定神经网络的网络结构参数，在流场数据计算时，将当前时间步的待计算流场数据输入所述网络结构参数对应的神经网络，得到待计算流场数据的流场修正数据，将流场修正数据输入NS方程求解器，得到待计算流场数据对应的待计算时间步的流场数据。采用本方法能够加速NS方程求解器的计算速度。

技术领域

本申请涉及计算流体力学技术领域，特别是涉及一种基于机器学习的流场数据计算方法和装置。

背景技术

计算流体力学能够获得丰富的流场数据，是研究流体力学的重要手段。但是高精度的NS方程求解器收敛速度慢，需要大量的计算资源。这些缺点导致了较长的研究周期和较高的经济成本，限制了计算流体力学的工程应用。

一般情况下加快NS方程数值计算的方法可以分为物两种。第一种方法是通过采用更多的计算资源来缩短算例计算时间，比如多线程并行运算和GPU运算，但这种方法并没有减少求解NS方程的计算量，甚至会带来额外的计算量。第二种方法是通过优化求解器算法来减少计算量，进而缩短计算时间，比如多重网格技术。但是目前相关优化算法的发展比较缓慢且普适性有限。因此亟待提出一种减少NS方程数据计算量的方法。

发明内容

基于此，有必要针对上述技术问题，提供一种能够减少求解NS方程计算量的基于机器学习的流场数据计算方法和装置。

一种基于机器学习的流场数据计算方法，所述方法包括：

利用NS方程求解器生成模拟对象在第一时间步的第一流场数据和第二时间步的第二流场数据；其中，第一时间步小于第二时间步；

将所述第一流场数据输入预先设置的神经网络，利用所述神经网络的输出值和所述第二流场数据的差值进行反向训练，确定所述神经网络的网络结构参数；

在流场数据计算时，将当前时间步的待计算流场数据输入所述网络结构参数对应的神经网络，得到待计算流场数据的流场修正数据；

将所述流场修正数据输入所述NS方程求解器，得到待计算流场数据对应的待计算时间步的流场数据。

在其中一个实施例中，还包括：判断待计算流场数据对应的待计算时间步的流场数据的残差是否满足预设的收敛条件；若是，则将待计算流场数据对应的流场数据作为流场数据计算结果。

在其中一个实施例中，还包括：若待计算流场数据对应的待计算时间步的流场数据的残差不满足预设的收敛条件；判断所述待计算流场数据与待计算流场数据对应的待计算时间步的流场数据的误差是否小于预先设置的所述神经网络的预测误差；若是，则将当前时间步进行时间迭代，不再使用神经网络的预测功能，仅利用NS方程求解器计算得到流场数据计算结果。

在其中一个实施例中，还包括：若所述待计算流场数据与待计算流场数据对应的待计算时间步的流场数据的误差大于预先设置的所述神经网络的预测误差；则将当前时间步进行时间迭代，将迭代得到的待计算流场数据输入所述神经网络进行修正。

一种基于机器学习的流场数据计算装置，所述装置包括：

数据生成模块，用于利用NS方程求解器生成模拟对象在第一时间步的第一流场数据和第二时间步的第二流场数据；其中，第一时间步小于第二时间步；

模型训练模块，用于将所述第一流场数据输入预先设置的神经网络，利用所述神经网络的输出值和所述第二流场数据的差值进行反向训练，确定所述神经网络的网络结构参数；

数据修正模块，用于在流场数据计算时，将当前时间步的待计算流场数据输入所述网络结构参数对应的神经网络，得到待计算流场数据的流场修正数据；