[发明专利]一种基于深度学习的湍流模型生成方法

权利要求书

1.一种基于深度学习的湍流模型生成方法，其特征在于：数据预处理，由高精度仿真得到相应的原始数据，原始数据特征包括：某个坐标点的9个速度梯度，以及由常规方法建立起来的额外输运方程进而得到的上述坐标点的2个额外参数；上述9个速度梯度和2个额外参数作为可输入的特征，客观上具备独立性；6个Reynolds应力为最终要得到的值；将其分为两组，分别为3个正应力和3个切应力；经过无量纲化，采用z-score中心化方法：将11个输入特征都减去均值后除以其方差，使得其中心为0，且数值的量级也有了适当的缩减；之后神经网络模型便可以正常收敛，输出的6个Reynolds应力，并未进行预处理操作，保留了其原本的值，作为目标训练值使用；

输入的特征将被输入多个深度神经网络中进行预测，并且输入注意力网络，所述注意力网络使用Softmax输出，将多个深度神经网络的输出值进行加权整合，最终得到输出结果；针对不同湍流状态的特点，使用多个不同的深度神经网络进行训练和预测不同的湍流状态，并使用注意力网络来预测这些深度神经网络的结合参数；

使用训练集Reynolds应力值的大小来区分不同的湍流状态，将网络分为两部分，一部分预测正应力，另一部分预测切应力，将上述正应力和切应力的绝对值之和，集四等分，并使用不同的深度神经网络去在每个等分的数据集上进行训练，使得每个独立的深度神经网络可在此部分数据中有相对不错的预测精度；得到四个高精度深度神经网络后，在整体训练集上使用训练注意力网络，其输出为四个深度神经网络的输出的权值，并使用Softmax输出层进行结合；此过程中将四个独立的深度神经网络权值进行固定，只训练注意力网络内部的权值，由此可得到具有完整预测能力的湍流模型。

2.如上述权利要求1所述的基于深度学习的湍流模型生成方法，其特征在于：将训练整体网络中的所有参数，进行内部权值的微调，进一步提高整体的预测精度；并将正应力和切应力的输出进行拼接，输出完整的6个Reynolds应力的值。