[发明专利]一种基于改进的Unet++网络的水下航行器流场结果预测方法

权利要求书

1.一种基于改进的Unet++网络的水下航行器流场结果预测方法，其特征在于，

步骤1：构建多组水下航行器模型进仿真参数，将每组参数依次通过水下航行器模型进行流体动力学仿真得到每组水下航行器模型进仿真参数对应的流场结果，根据每组水下航行器模型进仿真参数对应的流场结果得到每组水下航行器模型进仿真参数对应的流场结果云图，进一步结合多组水下航行器模型进仿真参数构建网络模型训练数据集；

步骤2：构建改进的Unet++网络模型，将步骤1网络模型训练数据集中每个样本中预处理后水下航行器模型进仿真参数依次输入至改进的Unet++网络，进一步通过改进的Unet++网络模型预测得到每组预处理后水下航行器模型进仿真参数对应的预测流场结果，并结合网络模型训练数据集中每个样本中预处理后流场结果数据建立损失函数模型，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：使得到的预测模型进行多标签流场回归预测，输入新的未知工况标签，即可快速预测新标签组合下的的水下航行器的流场分布；

步骤1所述多组水下航行器模型进仿真参数为：

X_i＝(a_i,b_i,c_i)

i∈[1,m]

其中，m表示水下航行器模型进仿真参数的组的数量，X_i表示第i组水下航行器模型进仿真参数，a_i表示第i组水下航行器模型进仿真参数中入口速度，b_i表示第i组水下航行器模型进仿真参数中加速度，c_i表示第i组水下航行器模型进仿真参数中仿真时间；

步骤1所述每组水下航行器模型进仿真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进仿真参数的组的数量，data_i表示第i组水下航行器模型进仿真参数对应的流场结果；

步骤1所述根据每组水下航行器模型进仿真参数对应的流场结果使用流场后处理软件处理得到每组水下航行器模型进仿真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组水下航行器模型进仿真参数对应的流场结果云图；

将X_i,Φ_i分别进行标准化和归一化处理，得到步骤1所述网络模型训练数据集为：

Y*_i＝(X*_i,Φ*_i)，i∈[1,m]

其中，m表示网络模型训练数据集中样本的数量，Y*_i表示网络模型训练数据集中第i个样本，X*_i表示网络模型训练数据集中第i个样本中预处理后水下航行器模型进仿真参数，Φ*_i为网络模型训练数据集中第i个样本中预处理后流场结果；

步骤2所述改进的Unet++网络模型为：

改进的Unet++模型网络由下采样模块、上采样模块、跳层连接模块依次级联组成；

所述下采样模块由下采样卷积模块、下采样残差模块依次堆叠级联构成；

所述下采样卷积模块由多个下采样卷积层、降维批量归一化层、ReLU激活层依次堆叠级联；

所述上采样模块由上采样卷积模块、上采样残差模块依次级联构成；

所述上采样卷积模块由多个上采样卷积层、降维批量归一化层、ReLU激活层依次堆叠级联；

所述上采样残差模组与下采样残差模组均由多个Ghost残差块依次堆叠级联；

所述Ghost残差块由残差卷积层、残差批量归一化层、ReLU激活层按照传统残差块的堆叠方式构成；

所述上采样模块将步骤1网络模型训练数据集中每个样本进行特征提取，获得网络模型训练数据集中每个样本的多通道特征；

所述下采样模块将网络模型训练数据集中每个样本的多通道特征进行反卷积运算恢复得到与输入的图像尺寸相同的输出预测图像；

所述跳层连接模块除将下采样模块除每层输出的特征通道与上采样的对称层进行跳层连接外，网络层每次下采样后也同时依次上采样至原网络输入层特征图维度，得到的每层同纬度的特征图与上采样层对称网络层进行融合；

步骤2所述构建损失函数模型为：

其中，m为数据总个数，为网络模型训练数据集中第i个样本中预处理后水下航行器模型进仿真参数对应的预测流场结果，Φ*_i为网络模型训练数据集中第i个样本中预处理后流场结果；

步骤2所述进一步通过优化训练得到优化后改进的Unet++网络模型为：

使用Adam算法进行优化训练，得到优化后改进的Unet++网络模型。