[发明专利]一种基于离散不变性网格卷积算子的流场建模方法

说明书

本发明公开了一种基于离散不变性网格卷积算子的流场建模方法，首先构建研究对象的几何样本数据库；再进行网格划分，生成非均匀结构化网格；将网格导入CFD求解器进行流场求解；计算目标节点的一阶邻域节点特征作为图特征，计算表征几何的特征作为节点特征；然后堆叠多层离散不变性网格卷积算子构建深度卷积神经网络；以流场变量作为深度卷积神经网络输出，训练深度卷积神经网络至收敛。本发明能够提取空间结构信息，具有表征能力强、计算成本小和易扩展的特点。

技术领域

本发明属于流体力学技术领域，具体涉及一种流场建模方法。

背景技术

在流体力学领域，流场信息高效准确的获取，对于气动优化、流动控制和不确定性量化等应用至关重要。流场是典型的高维度、多尺度、非线性系统，使得传统机器学习技术在流场建模方面存在局限性。浅层神经网络难以表征复杂系统的动力学行为，同时全连接架构无法提取结构化空间信息，且对计算资源消耗极大。为了降低系统的复杂度，提高计算效率，数据降维方法在流场建模领域得到广泛研究。但是，数据降维方法存在难以应用于多尺度、瞬态和间断过程，以及在发生移动、缩放及旋转变换时无法保证不变性的显著不足。此外，数据降维方法仅能建立全阶状态的降维嵌入，未建立高维数据流形空间与低维表示空间的相互映射，缺乏双向的显示映射函数关系。

随着深度学习方法和计算机软/硬件的不断发展，以卷积神经网络(Convolutional Neural Networks,CNNs)为代表的深度学习方法，以其局部连接和权重共享的特性，能够提取空间结构信息，具备强大的非线性映射能力，在流场建模领域得到极大关注，展现出广阔的应用前景。但是，由于标准卷积算子仅能处理均匀分布的像素化数据，因此已有工作大都采用将非均匀流场投影到均匀笛卡尔网格的数据预处理方法。像素化处理会造成几何信息缺失，无法表征近壁区流场，甚至在几何内部生成非物理解。此外，CNNs依赖于离散化，数据集需要预处理为统一格式，且训练之后的模型在不同分辨率之间难以泛化。在人工智能领域，为了处理非欧式结构数据，图卷积神经网络(Graph ConvolutionalNetworks,GCNs)得到了快速发展。但是，GCNs对算力和内存都有极高的要求，且多层GCNs的过平滑问题导致对复杂系统的表征能力有限，从而限制了GCNs在流场建模领域的应用。

发明内容

为了克服现有技术的不足，本发明提供了一种基于离散不变性网格卷积算子的流场建模方法，首先构建研究对象的几何样本数据库；再进行网格划分，生成非均匀结构化网格；将网格导入CFD求解器进行流场求解；计算目标节点的一阶邻域节点特征作为图特征，计算表征几何的特征作为节点特征；然后堆叠多层离散不变性网格卷积算子构建深度卷积神经网络；以流场变量作为深度卷积神经网络输出，训练深度卷积神经网络至收敛。本发明能够提取空间结构信息，具有表征能力强、计算成本小和易扩展的特点。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1：采用CAD软件构建研究对象的几何样本数据库；

步骤2：采用网格划分软件对研究对象的几何模型进行网格划分，生成非均匀结构化网格；

步骤3：将步骤2生成的非均匀结构化网格导入CFD求解器进行流场求解，得到流场变量；

步骤4：在非均匀结构化网格节点上根据网格结构计算目标节点的一阶邻域节点特征作为图特征；

步骤5：在网格节点上根据几何信息计算表征几何的特征作为节点特征；

步骤6：将图特征输入神经网络计算目标节点的权重，并用权重更新目标节点特征；

步骤7：将更新之后的目标节点特征通过卷积算子，在邻域内再更新目标节点特征；

步骤8：把步骤6和步骤7的两步更新计算称为离散不变性网格卷积算子，堆叠多层离散不变性网格卷积算子构建深度卷积神经网络；