[发明专利]一种基于深度卷积自编码器的流场特征提取方法

说明书

本发明提出一种基于深度卷积自编码器的流场特征提取方法。所述方法具体包括：步骤一：获得流场数据，根据流场数据构建数据集；步骤二：搭建深度卷积自编码器模型；步骤三：将数据集随机按比例划分为训练集、验证集和测试集；利用训练集对深度卷积自编码器模型进行训练，利用验证集对深度卷积自编码器模型进行验证；步骤四：利用测试集对验证后的深度卷积自编码器模型进行测试，对比输入和输出流场差异。相比于POD等线性方法，本发明所述方法能够将流场压缩到更低的维度，流场重构精度也优于POD方法。

技术领域

本发明属于桥梁风工程技术领域，特别是涉及一种基于深度卷积自编码器的流场特征提取方法。

背景技术

获取具有高时间分辨率和高空间分辨率的流场特征对于深入理解非定常流动的物理机制和有效捕捉相干结构至关重要。目前，对于流场的特征提取常采用本征正交分解(POD)等线性方法，将流场投影到POD模态空间，同时获得时间系数，此时用只与空间相关的模态和只与时间相关的时间系数的线性组合即可描述整个流场。对于简单流动来说，可利用前几阶能量较高的模态对流场的主要特征进行重构，但对于复杂流动，如湍流，则需要大量模态才能确保流场的重构精度。这种局限性限制了本征正交分解方法对各种流场的适用范围，不能捕捉到流场的非线性特征。

发明内容

本发明目的是为了解决现有的技术问题，提出了一种基于深度卷积自编码器的流场特征提取方法。本发明所述方法是一种非线性降维方法，能够捕捉流场的非线性特征，将流场压缩到更低的维度。

本发明是通过以下技术方案实现的，本发明提出一种基于深度卷积自编码器的流场特征提取方法，所述方法具体包括：

步骤一：获得流场数据，根据流场数据构建数据集；

步骤二：搭建深度卷积自编码器模型；

步骤三：将数据集随机按比例划分为训练集、验证集和测试集；利用训练集对深度卷积自编码器模型进行训练，利用验证集对深度卷积自编码器模型进行验证；

步骤四：利用测试集对验证后的深度卷积自编码器模型进行测试，对比输入和输出流场差异。

进一步地，在步骤一中，采用数值模拟方式和风洞试验方式获取流场数据；数值模拟采用OpenFOAM开源计算流体软件计算；风洞试验采用粒子图像测速技术测量流场。

进一步地，数值模拟的工况为雷诺数Re＝200和Re＝500的不可压缩圆柱绕流，采用Smagorinsky-Lilly湍流模型，压力速度耦合方程求解采用PISO求解器；风洞试验的工况为雷诺数Re＝2.7×10⁴，PIV采样频率为10Hz。

进一步地，在步骤三中，按6：2：2的比例将数据集划分为训练集、验证集和测试集。

进一步地，所述深度卷积自编码器模型采用对称结构，编码器由三个卷积层加三个池化层组成，解码器由三个上采样层加三个卷积层以及中间的隐向量层组成；上采样层选用最邻近插值替代反卷积层。

进一步地，卷积核大小均选取为3×3，池化层选用平均池化，所有的激活函数均采用ReLU函数，如式(1)：

f(x)＝max(0,x)                      (1)

卷积层的操作过程如式(2)：

式中,为第l层的输出,σ为激活函数，K为卷积核的数量，H为卷积核尺寸，w为权重，b为偏置。

进一步地，将训练集和验证集的流场图像输入深度卷积自编码器模型中，通过编码器运算得到隐向量q，然后通过解码器运算得到输出构建模型的损失函数：