[发明专利]一种基于神经网络的流场旋涡检测方法

说明书

本发明一种基于神经网络的流场旋涡检测方法，先对流场内所有物理网格点打标签，标记其是否属于旋涡区域，得到标签数据，对涡量场进行网格转换，将物理网格中的网格点一一映射到计算网格的网格点，抛弃物理坐标信息，得到计算网格下的涡量场。根据计算网格下的的涡量场，将每个网格上的涡量值减去涡量场的均值后除以标准差，得到归一化后的涡量场；对得到的归一化后的涡量场和标签数据同时随机采样，采样后对区域内的网格点对应的标签进行判断，构建神经网络，使用随机采样得到的带标签局部涡量场数据训练该神经网络，固定神经网络参数，得到固定参数的神经网络；利用第五步得到的固定参数的神经网络，对待检测涡区的流场进行涡区检测。

技术领域

本发明涉及一种基于神经网络的流场旋涡检测方法，属于流场物体检测技术领域。

背景技术

旋涡是流体在流动过程产生的一种螺旋状形态，常见的旋涡包括飞机机翼后的涡、龙卷风等。旋涡在工程中发挥重要的作用，在流体力学界被认为是流体运动中的肌腱，飞机飞行时，旋涡往往产生在机翼后方，旋涡的发生会减少飞机的升力，造成飞机失速，产生消极作用；在流体混合的过程中，旋涡能够加速流体的混合，发挥着积极的作用；旋涡还与气动噪声的产生和消除有着密切的联系。计算流体力学(CFD)通过计算机和数值方法来求解流体力学的控制方程，对流体力学问题进行模拟和分析，CFD是迭代计算的，因此一次计算会产生数以万计的流场。流场是指运动流体所占有的空间区域，包括速度场、压力场、密度场等多个不同的物理变量场。流场往往通过网格点划分，本发明中所说的流场内的点就是指流场内的网格点，CFD计算就是通过对初始场进行计算，不断迭代，产生多个中间流场，模拟出流场的变化。CFD一次计算会产生海量的流场数据，流场内产生旋涡的位置很重要，因此需要对所有流场数据进行判断其是否包含旋涡。

目前尚无现有技术针对流场进行涡结构检测，现有技术只有针对图像领域的物体检测，由于流场与图像完全不同，因此无法直接适用于流场旋涡检测。

关于现有技术中已有的涡检测方法包括全局检测方法、局部检测方法、机器学习方法和深度学习方法。全局方法误检和漏检较少，结果较为可信，但是耗时较长，计算流体力学计算过程往往会产生海量的流场，如果用全局方法一一检测，时间太长，无法接受；局部方法简单快速，易于实现，但存在大量的误检和漏检，结果不可靠；机器学习算法高效精确，但通用性不高，泛化性较差，可扩展性太弱；基于深度学习的方法很少，已有的方法结合全局和局部的优势，针对流场内每个点逐一进行判断其是否属于涡区域，但这些方法得到的结果精度比全局方法低，速度比局部方法慢，只是对两种方法性能的折中。已有的深度学习方法具有以下缺点：(1)针对流场内的点进行逐一判断，这会导致数据的重复计算；(2)检测时间与流场内网格点数目成正比；(3)深度学习模型中使用了全连接层，导致网络参数太多，深度神经网络计算一次的时间较长；(4)预处理时，需要将不规则的物理网格转换为规则的计算网格，使用的输入是计算网格下的速度场，丢失了物理网格的特性。

发明内容

本发明解决的技术问题为：克服现有技术不足，提供一种基于神经网络的流场旋涡检测方法，解决流场内涡结构的自动快速检测问题，实现流场内旋涡的高效精确检测。

本发明解决的技术方案为：一种基于分割网络的流场旋涡检测方法，步骤如下：

第一步：对流场内所有物理网格点打标签，标记其是否属于旋涡区域，若属于则标记为1，否则标记为0，得到标签数据，即标记后的物理网格点；

第二步：根据第一步的流场确定出涡量场，对涡量场进行网格转换，将物理网格中的网格点一一映射到计算网格的网格点，抛弃物理坐标信息，得到计算网格下的涡量场。流场的物理网格和计算网格如图3(a)、(b)所示。

第三步，根据第二步得到的计算网格下的的涡量场，计算该涡量场的均值和标准差；将每个网格上的涡量值减去涡量场的均值后除以标准差，再进行归一化操作，得到归一化后的涡量场；