[发明专利]一种基于改进Unet网络的水下机构跨尺度流场特征预测方法

说明书

本发明提出了一种基于改进Unet网络的水下机构跨尺度流场特征预测方法，该方法包括构建批次训练集样本数据集；基于该批次训练集样本数据集构建用于水下机构跨尺度流场特征预测的改进的Unet网络；结合每批次训练集样本数据集对应的真实标签构建损失函数模型，对该Unet网络进行训练，以得到水下机构跨尺度流场特征预测模型；本发明提出改进的Unet预测模型，通过深度特征提取、特征增强融合，实现跨尺度流场变化预测，提高了预测精度，解决了传统时序方法精确度较低的问题；且可通过在线学习各工况流场数据集以增强模型预测能力，基于少量样本训练实现未知时刻流场秒级高质量时序预测输出。

技术领域

本发明涉及流体力学仿真与人工智能结合的领域，尤其涉及一种基于改进Unet网络的水下机构跨尺度流场特征预测方法。

背景技术

随着人类对海洋资源和生物的不断开发，各种水下机构的角色越来越重要，尤其是潜艇和AUV(水下自主航行器)等水下机构具有重要的科研意义和军事意义。计算流体动力学(CFD)的发展为人们研究各种水下机构的性能到来了方便。然而对于复杂的水下结构，依然存在建模耗时，计算成本较高的问题。

人工智能方法的不断发展为流体力学等学科为基础的工程问题提供新的解决思路，基于深度学习的流场预测技术越来越引起人们的重视。目前人工智能与流场计算结合方面已经取得了一些成果，例如有研究人员提出了使用卷积神经网络的方法进行时间序列回归预测，但这种方式需要大量的数据集进行训练，生成图像不清晰，存在很大的预测精度问题；也有研究人员提出了卷积神经网络结合长短期记忆网络来实现流场时序预测，但其方法同样存在很大的预测图像清晰度问题，且无法实现流场图像跨尺度级别预测。

发明内容

本发明的目的在于克服现有技术的缺点和不足，提供一种基于改进Unet网络的水下机构跨尺度流场特征预测方法，实时获得水下机构的运动位置和流场时序结果的跨尺度预测，并解决了目前技术预测流场图像不清晰的的问题，实测结果表明本文方法实现了水下机构流场特征跨尺度精准时序预测，mse误差较现有技术降低了两个数量级。

为实现上述目的，本发明所采用的技术方案为一种基于改进Unet网络的水下机构跨尺度流场特征预测方法，具体包括以下步骤：

步骤1：将多个时刻水下航行器模型参数依次通过FLUENT软件进行仿真，得到每个时刻水下航行器模型参数对应的流场结果，将每个时刻水下航行器模型参数对应的流场结果使用流场后处理软件处理得到每个时刻水下航行器模型参数对应的流场结果云图，将每个时刻水下航行器模型参数对应的流场结果云图依次进行标准化处理、归一化处理得到每个时刻水下航行器模型参数对应的预处理后云图，将连续多个时刻水下航行器模型参数对应的预处理后云图划分为批次训练集样本数据集，并将每批次训练集样本数据集中最后一个训练集样本作为每批次训练集样本数据集对应的真实标签；

步骤2：构建改进的深度Unet网络模型，将每批次训练集样本数据集中前k个训练集样本依次输入至改进的深度Unet网络模型，进一步通过网络模型训练预测得到下一时刻的预测结果，并结合每批次训练集样本数据集对应的真实标签构建损失函数模型，进一步通过优化训练得到优化后改进的Unet网络模型；

步骤3：使用步骤2中得到的预测模型进行时序结果预测，输入待测试集中连续的k张时序流场结果，即可预测下一时刻流场图像。

作为优选，步骤1所述每个时刻水下航行器模型参数对应的流场结果为：

Data_i

i∈[1,m]

其中，m表示水下航行器模型参数时刻的总数量，data_i表示第i个时刻水下航行器模型参数对应的流场结果；

步骤1所述将每个时刻水下航行器模型参数对应的流场结果使用流场后处理软件处理得到每个时刻水下航行器模型参数对应的流场结果云图，具体为：

Φ_i

i∈[1,m]

其中，Φ_i表示第i个时刻水下航行器模型参数对应的流场结果云图，m表示水下航行器模型参数的总数量；