[发明专利]多内孔零件的基于神经网络的二维结构网格自动分解方法

说明书

本发明公开了多内孔零件的基于神经网络的二维结构网格自动分解方法。现有分块结构化网格生成中人工环节的引入将大大降低网格生成效率。本发明首先制作用于神经网络学习二维区域分解的样本集，通过样本集中各网格点的位置信息以及各标架的标架向量标注信息训练神经网络模型；然后对待划分结构网格的多内孔零件的预测样本数据进行神经网络预测，利用神经网络预测的标架向量标注信息对预测样本数据进行处理，得到最终的区域分解数据；最后利用映射法生成待划分结构网格的多内孔零件的四边形网格。本发明能实现针对新模型的快速自动区域分解，对多内孔零件的快速、准确仿真分析具有重要意义。

技术领域

本发明涉及数值模拟领域前处理中的分块结构化四边形网格生成的区域分解过程，具体涉及一种多内孔零件的基于神经网络的二维结构网格自动分解方法。

背景技术

数值仿真分析中常用的网格类型有结构网格、非结构网格、嵌套网格、直角网格和混合网格等，各类网格各有优劣。在二维问题中，结构网格由规则排列的四边形单元构成，其由于具有求解精度高和所需单元数目少等特点，在各类仿真分析中备受青睐。然而，相对其它类型的网格，结构网格具有很强的拓扑约束；针对复杂几何模型，生成一套高质量的结构网格是一项非常费时且困难的工作。通过将模型区域分解为多个子域，并在各子域中生成结构化网格，而各子域之间的拓扑不要求保持结构化特性，将得到分块结构化网格，这将在一定程度上降低网格生成难度，也能避免产生完全结构化网格中可能出现的扭曲单元。正因如此，在实际工程中，分块结构化网格比完全结构化网格应用范围更广。当前，对于复杂模型的分块结构化网格生成，仍然需要依靠人工先对模型进行区域分解，再自动生成各子域的结构化网格，人工环节的引入将大大降低网格生成效率。例如，对多内孔零件设计上的局部变动，需要对模型区域重新分解，以生成网格。

以神经网络为代表的人工智能方法在工程实践中取得了很大的成功，如卷积神经网络被广泛应用于计算机视觉领域中,在模型处理方面有非常出色的表现。如能借助当前快速发展的人工智能技术，在已有数据基础上，通过计算机自主学习快速实现复杂模型的自动区域分解，将大大提高网格生成效率。

发明内容

本发明的目的是针对现有分块结构化网格生成需要引入人工区域分解的缺点，提供一种多内孔零件的基于神经网络的二维结构网格自动分解方法，通过对大量已有的适用于分块结构化四边形网格生成的多内孔零件区域分解数据进行学习，训练神经网格识别多内孔零件区域内部的结构特征，并实现针对相似拓扑的多内孔零件的快速自动区域分解。

本发明采用的技术方案是：

本发明多内孔零件的基于神经网络的二维结构网格自动分解方法，具体如下：

步骤1、制作用于神经网络学习二维区域分解的样本集，具体如下：

1.1选取只有局部变动的10个以上多内孔零件，针对每个多内孔零件制作一个用于神经网络学习二维区域分解的训练样本数据；该训练样本数据的每个样本点包含的特征为标架向量、标架向量所在网格点的位置信息、标架向量所在网格点与最近边界的距离、标架向量所在网格点与最近奇异点的距离和标架向量标注信息。训练样本数据的制作过程为：

首先将多内孔零件离散为三角化网格并约束三角网格顶点数量在2020-2050个之间；然后，生成刻画多内孔零件区域内部结构的标架场(采用现有成熟技术，每个标架由四个单位向量构成，可由正交的两个单位向量表示)，并基于该标架场生成适用于分块结构化四边形网格生成的区域分解数据(采用现有成熟技术)，即由奇异线构成的奇异结构。接着，对位于三角化网格每一个网格点上的标架向量做出如下标注信息：对于位于奇异线流经的网格点上的标架向量，将与奇异线流向一致的标架向量标注为1、与奇异线流向不一致的标架向量标注为0；对于奇异线未流经的网格点上的标架向量则全标注为0。最后，确定各标架向量所在网格点的位置信息、各标架向量所在网格点与最近边界的距离和各标架向量所在网格点与最近奇异点的距离，从而得到每个样本点包含的特征，最终根据所有样本点得到训练样本数据。