[发明专利]绕流物体和工况改变时流场特征量的快速预测方法

摘要

本发明公开了一种绕流物体和工况改变时流场特征量的快速预测方法，该方法包括：生成深度学习网络输入数据，该生成方法适用于任何二维或三维几何模型；基于该输入数据及流场初始条件和工况条件，构建用于流场预测的深度学习网络结构；对该深度学习网络进行训练，以得到流场预测模型；该方法实现了深度学习对任意的复杂几何物体进行流场预测的要求，并且可以同时考虑到不同工况条件的影响，使深度学习在流场方面的广泛应用成为了可能；并且可以应用于流固耦合系统降阶模型的建立等场合中。

主权项

1.绕流物体和工况改变时流场特征量的快速预测方法，其特征在于：包括生成深度学习网络输入数据以及针对该输入数据建立用于流场预测的深度学习模型结构；具体方法如下：步骤1：生成深度学习网络输入数据：1)采用Laplace形式的偏微分方程生成流场网格对绕流物体周围预设范围内的区域，采用不带源项的Laplace方程生成流场网格；该预设范围的确定原则是：完全将绕流物体包括在内；并保证生成的网格线中，靠近该范围边界的网格线曲率为0或在10‑6量级以下；另外，应遵循计算流体力学过程中的要求，使网格点尽量密集，目的是保证不失真地离散绕流物体边界和所生成的内部网格线；2)采用各网格点曲率值作为深度学习网络输入数据建立与网格区域对应的单通道多维矩阵，其中每个元素对应一个唯一的网格点，元素在单通道多维矩阵中的索引值等于对应网格点在整个网格区域内的索引值；单通道多维矩阵中各元素数据采用如下方式获得：计算此元素对应的网格点处各网格线曲率，并取其中最大与最小值的乘积作为该元素数据；将所得单通道多维矩阵作为深度学习网络的输入数据；步骤2：针对步骤1生成的输入数据，建立用于流场预测的深度学习模型结构：1)建立多层卷积神经网络与深度神经网络组成的复合神经网络结构整个深度学习网络分两个层级：第一层级采用多层卷积神经网络，其输入为通过步骤1得到的输入数据，该层级网络不设置全连接层，采用最后一个卷积层的输出作为第一个层级的输出；第二层级采用深度神经网络结构，其输入为来流速度和粘性系数以及工况条件，并将第一层级的输出直接作为第二层级的隐含层；第二层级采用完整的深度神经网络结构，其输出作为整个深度学习网络的输出；2)对复合神经网络的训练对多层卷积神经网络与深度神经网络内部进行训练，两层级间通过数据传递实现对接；具体为，首先对第二层级，即深度神经网络采用一次训练方法更新各参数值，然后将第二层级中第一层级的输出所对应的隐含层的更新量传递给第一层级，再对第一层级采用一次训练方法；两层级均采用一次训练方法后作为一次完整的学习过程，反复进行上述学习过程，直到满足深度学习网络的训练终止条件。