[发明专利]计算流体动力学加速方法、装置、设备以及存储介质

说明书

本公开提供了一种计算流体动力学加速方法、装置、设备、存储介质以及程序产品，涉及人工智能领域，具体涉及深度学习技术。变分贝叶斯神经网络训练方法的实施方式包括：将计算流体动力学CFD的偏微分方程在t时刻的真实解输入至变分贝叶斯神经网络，得到在t时刻的插值系数向量；基于在t时刻的插值系数向量计算在t时刻的k阶偏导数；基于在t时刻的k阶偏导数求解CFD的偏微分方程在t+Δt时刻的预测解；基于在t+Δt时刻的预测解和在t+Δt时刻的真实解计算损失；基于损失调整变分贝叶斯神经网络的参数。该实施方式训练出变分贝叶斯神经网络能够用于学习CFD计算中的插值系数向量，并且基于先验知识减少需要的高精度训练集，从而达到小数据量下加速CFD计算的效果。

技术领域

本公开涉及人工智能领域，具体涉及深度学习技术。

背景技术

FCC(Fluid Catalytic Cracking，流化催化裂化)工艺是石油炼制中的重要转化工艺，用于生产汽油、柴油、轻质烯烃等重要化工原料。FCC反应过程的CFD(ComputationalFluid Dynamics，计算流体动力学)模拟有助于理解FCC反应器中流动和反应行为，辅助设计和优化FCC工艺设备，最终指导工业生产和实现虚拟调控和放大。

然而，CFD模拟虽然能较好地揭示工业FCC提升管反应器内的流动和反应行为，但是缺乏采用同一方法实现从小试到工业反应器模拟放大的实例，从侧面反映了当前的FCC理论模型和模拟技术还远未达到可以代替实验的水平。

发明内容

本公开实施例提出了一种计算流体动力学加速方法、装置、设备、存储介质以及程序产品。

第一方面，本公开实施例提出了一种变分贝叶斯神经网络训练方法，包括：将计算流体动力学CFD的偏微分方程在t时刻的真实解输入至变分贝叶斯神经网络，得到在t时刻的插值系数向量；基于在t时刻的插值系数向量计算在t时刻的k阶偏导数；基于在t时刻的k阶偏导数求解CFD的偏微分方程在t+Δt时刻的预测解；基于在t+Δt时刻的预测解和在t+Δt时刻的真实解计算损失；基于损失调整变分贝叶斯神经网络的参数。

第二方面，本公开实施例提出了一种计算流体动力学加速方法，包括：利用变分贝叶斯神经网络学习在当前时刻的插值系数向量，其中，变分贝叶斯神经网络是采用如第一方面中任一实现方式描述的方法训练得到的；基于在当前时刻的插值系数向量计算在当前时刻的k阶偏导数；基于在当前时刻的k阶偏导数求解计算流体动力学CFD的偏微分方程。

第三方面，本公开实施例提出了一种变分贝叶斯神经网络训练装置，包括：第一输入模块，被配置成将计算流体动力学CFD的偏微分方程在t时刻的真实解输入至变分贝叶斯神经网络，得到在t时刻的插值系数向量；第一计算模块，被配置成基于在t时刻的插值系数向量计算在t时刻的k阶偏导数；求解模块，被配置成基于在t时刻的k阶偏导数求解CFD的偏微分方程在t+Δt时刻的预测解；第二计算模块，被配置成基于在t+Δt时刻的预测解和在t+Δt时刻的真实解计算损失；调整模块，被配置成基于损失调整变分贝叶斯神经网络的参数。

第四方面，本公开实施例提出了一种计算流体动力学加速装置，包括：学习模块，被配置成利用变分贝叶斯神经网络学习在当前时刻的插值系数向量，其中，变分贝叶斯神经网络是采用如第三方面中任一实现方式描述的装置训练得到的；计算模块，被配置成基于在当前时刻的插值系数向量计算在当前时刻的k阶偏导数；求解模块，被配置成基于在当前时刻的k阶偏导数求解计算流体动力学CFD的偏微分方程。

第五方面，本公开实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面和第二方面中任一实现方式描述的方法。

第六方面，本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面和第二方面中任一实现方式描述的方法。