[发明专利]复杂模型进行数字化建模的实现方法、装置和电子设备

说明书

本发明公开了一种针对复杂模型进行数字化建模的实现方法、装置和设备。所述方法包括：获取实体对象的复杂模型；对复杂模型进行等间距切割并获取剖面图集合，将其各张剖面图像解码为像素矩阵，组成第一像素矩阵集合；利用WGAN生成与所述第一像素矩阵集合关联的第二像素矩阵集合，并编码为与剖面图集合类似的新的图像集合；在新的图像集合中按照预设筛选条件选取一定数量筛选图像，向剖面图集合任意相邻的剖面图像之间均等间距插入筛选图像，形成新的剖面图集合并将其各图像解码为新的像素矩阵，形成第三像素矩阵集合，建立复杂模型的数学模型。

技术领域

本发明涉及数字化建模及其仿真分析领域，特别是指一种针对复杂模型的基于WGAN(Wasserstein generative adversarial networks，Wasserstein生成式对抗网络)的快速进行CAD/CAE(Computer aided design/computer aided engineering，计算机辅助设计/计算机辅助工程)一体化数字化建模的实现方法、装置和电子设备。

背景技术

在产品研发过程中，几何形状设计与物理分析方法属于完全不同的工程领域。现存的CAGD(Computer-aided geometry design，计算机辅助几何设计)系统往往忽视产品物理特征在模型分析过程中的作用，使得CAD建模和CAE分析是两个独立的阶段。为实现CAD/CAE的无缝接合，IGA(Isogeometric analysis，等几何分析)等数值算法应运而生，然而对于实际的工程模型，从根本上来讲，IGA等数值算法并没有实现真正意义上的CAD/CAE一体化，如何建立适合分析的CAE模型始终是CAE社区的一大关注点。

自1974年，Werbos第一次提出适合多层网络的学习算法以来，神经网络呈现持续发展状态，尤其近些年，其发展速度更是令人惊讶。生成式对抗网络(Generativeadversarial networks，GAN)，是神经网络中的一种无监督网络模型，是近年来最具前景的模型之一，但是GAN存在着训练困难、生成器(Generator)和判别器(Discriminator)的损失函数无法指示训练进程、生成样本缺乏多样性等问题，相比之下，WGAN成功做到以下几点：1.彻底解决GAN训练不稳定的问题，不再需要小心平衡生成器和判别器的训练程度；2.基本解决了模型易崩溃的问题，确保了生成样本的多样性；3.训练过程中有一个像交叉熵、准确率这样的数值来指示训练的进程，这个数值越小代表WGAN训练得越好，代表生成器产生的图像质量越高。本发明通过利用WGAN的对抗学习能力，为复杂的工程模型建立适合分析的CAE模型，帮助实现CAD/CAE的一体化建模。

发明内容

有鉴于此，本发明的目的在于提出一种针对复杂模型进行数字化建模的实现方法、装置和设备，从“三维到二维到三维”的思路出发，依据多张现有的三维模型的等间距剖面图，利用WGAN生成的图像对现有的剖面图之间插图，构建一个免去几何清理等额外操作的、结构简化的、适合分析的CAE模型。

基于上述目的，第一方面，本发明提供了一种针对复杂模型进行数字化建模的实现方法，该方法包括以下步骤：

获取需要分析的实体对象的复杂模型并存储到计算机；

对所述复杂模型进行等间距切割并获取剖面图集合；

将所述剖面图集合中的各张剖面图像解码为像素矩阵，生成第一像素矩阵集合；

利用WGAN生成与所述第一像素矩阵集合关联的第二像素矩阵集合；将所述第二像素矩阵集合编码为与所述剖面图集合对应的新的图像集合；

在所述新的图像集合中按照预设筛选条件选取出至少一个筛选图像，向所述剖面图集合中任意相邻的所述剖面图像之间均插入至少一个所述筛选图像，形成新的剖面图集合；所述新的剖面图集合中各元素的间距相等；