[发明专利]一种基于多变量融合的流场关键时间步提取与重构方法

说明书

本发明公开了一种基于多变量融合的流场关键时间步提取与重构方法，所述流场关键时间步提取与重构方法包括：S1：非定常流场数据的获取和预处理；S2：针对步骤S1获得的非定常流场数据，完成基于数据融合的多变量物理流场关键时间步的提取；S3：对多变量非定常流场进行时空信息重构。通过本发明方法实现了快速准确的对多个时间步的流场进行关键时间步选取的目的。

技术领域

本发明属于计算流体力学领域，尤其涉及一种基于多变量融合的流场关键时间步提取与重构方法。

背景技术

随着计算流体力学(CFD)应用的精度需求不断提升，数值模拟的网格量不断增加，非定常流场模拟的时间间隔越来越精细，网格加密会导致流场空间信息复杂度增加，时间间隔变短会导致流场时间信息复杂度增加。时间和空间维度的复杂度增加必然会导致CFD数值计算产生的数据量不断增加，通常为TB级甚至PB级。同时，流场数据的时空复杂性提升，会导致时空特征难以辨认，也需要研究者耗费更多的时间人工抽取关键信息帮助认知流场中的复杂流动机理。如何自动抽取流场特征及关键时间步，将成为研究的热点，也是研究者面临的巨大挑战。

非定常流场往往包含时间维度，为精确求解非定常流场，往往需要设置较小的时间间隔，由于在计算过程中研究者不可能实时查看哪些时间步流场变化较大，因此一般保留所有时间步的流场，这导致流场存储需求不断提升。以并行分层自适应稳定瞬态分析为例，该算例使用超过60亿个网格单元来模拟垂直尾舵组件上的流，单个时间步流场存储已经超过2GB，1000个时间步的流场存储需要超过2TB空间。对于这种规模的数值模拟，不可能将所有时间步长的结果数据保存到存储系统中以进行流场分析，所以必须进行关键时间步的自动提取。观察发现，非定常流场计算结果中相邻流场的相似度往往比较高。流场关键时间步提取就是要尽可能保留流场发生变化的时间步，摒弃长时间未变化的时间步。在此过程中有几个问题需要解决：第一，单个流场网格量太大，如何通过降维或者压缩算法减少流场的表示；第二，如何自动捕捉流场发生变化的时间步。因此，在时变的大型非定常仿真中，如何选取关键的时间步长是一个难以解决的问题。

发明内容

本发明的目的在于，为克服现有技术缺陷，提供了一种基于多变量融合的流场关键时间步提取与重构方法，实现了快速准确的对多个时间步的流场进行关键时间步选取的目的。

本发明目的通过下述技术方案来实现：

一种基于多变量融合的流场关键时间步提取与重构方法，所述流场关键时间步提取与重构方法包括：S1：非定常流场数据的获取和预处理；S11：利用CFD数值模拟产生若干时间步长的流场数据，使用守恒形式的连续介质流动的控制方程纳维-斯托克斯(N-S)偏微分方程，获得各时间步的二维流场数据；S12：基于雅可比行列式的物理非均匀网格到计算平面的均匀网格转换，获得网格转换后的非定常流场计算数据；S2：针对步骤S1获得的非定常流场数据，完成基于数据融合的多变量物理流场关键时间步的提取；S21：构建自编码器网络模型，所述自编码器网络模型包括编码部分和解码部分，其中，编码部分被配置为实现高维流场的降维处理，解码部分被配置为对流场进行空间重构；S22：基于流场中的速度场(U,V)和压力场(P)，使用融合了物理变量U、V、P梯度信息的代价函数，完成自编码器网络模型的训练，其中，U表示x轴方向的速度，V表示y轴方向的速度，P表示压力；S23：基于步骤S22训练完成的自编码器网络模型对U、V、P三个变量进行降维处理，将高维流场转换为低维特征，得到时间步的低维流场特征；S24：将步骤S23得到的地为特征进行数据融合，对U、V、P按权重拼接，得到时间步流场的U、V、P三个视图的融合特征；S25：使用S24中得到的融合特征进行物理流场的关键时间步提取。

根据一个优选的实施方式，所述步骤S25具体包括：首先，对连续流场进行离散化；其次，计算流场任意两帧之间的互信息；最后，使用动态规划的方法进行关键时间步提取，得到指定数量的关键时间步流场。