[发明专利]由神经网络模型构建可压缩两介质流场界面条件的方法

说明书

本申请涉及流体力学模拟领域，具体公开了一种建模方法，建模方法应用于可压缩两介质流场模型，包括：将流场界面在时刻1的流场状态1输入至神经网络模型，神经网络模型用于输出和为两介质非线性方程f_L+f_R+△u＝0中函数f_L的预测值，为函数f_R的预测值，速度差△u＝u_R‑u_L；根据神经网络模型输出的结果，确定用于指示流场界面两侧在时刻1的界面条件；根据界面条件和流场状态1，确定流场界面时刻2下的流场状态2。本申请提供的方案可以准确构建可压缩两介质流场界面条件，适用于描述不同流体热力学特性的状态方程，避免了迭代求解过程，增大可压缩两介质流场模拟模型的求解效率和求解成功率。

技术领域

本申请涉及流体力学模拟的技术领域，特别是一种由神经网络模型构建可压缩两介质流场界面条件的方法。

背景技术

可压缩两介质流场界面运动产生的动力学特性对含液滴、气泡的高速流场的研究具有非常重要的意义。高置信度的数值模拟正在发挥越来越重要的作用。

由于界面两侧不同流体的物性参数差异很大，如果将模拟单介质流体的数值格式直接应用于模拟多介质流体问题，数值不稳定可能会出现。尤其当激波等高度非线性波与界面作用时，界面附近很容易出现非物理振荡，甚至使得计算难以进行。以虚拟流体方法为代表的锐界面方法将界面看成一类特殊的边界，基于两介质黎曼问题解在界面附近的虚拟流场构建边界条件，可以避免界面附近的数值不稳定，也容易推广到多维。

但是，气液界面附近状态方程及物性参数的多样性会导致两介质黎曼问题求解复杂。如果考虑黏性、表面张力、相变、化学反应等因素影响后，物质界面求解迭代过程可能更加繁琐和复杂，计算效率和稳定性仍然有待进一步改进。

发明内容

本申请提供一种由神经网络模型构建可压缩两介质流场界面条件的方法，目的是准确构建可压缩两介质流场界面条件，使求解过程中计算稳定，适用于描述不同流体热力学特性的状态方程，避免了迭代求解过程，增大可压缩两介质流场模拟模型的求解效率和求解成功率。通过可压缩两介质流场模拟模型模拟得到的模拟结果可以在实际应用能够具有较高的技术指导价值。

第一方面，提供了一种建模方法，所述建模方法应用于可压缩两介质流场模型，包括：

将流场界面在第一时刻的第一流场状态输入至神经网络模型，所述神经网络模型用于输出和为两介质非线性方程f_L+f_R+Δu＝0中函数f_L的预测值，为函数f_R的预测值，其中速度差Δu＝u_R-u_L，L表示第一侧流体，R表示第二侧流体，u表示流体速度；

根据所述神经网络模型输出的结果，确定第一界面条件，所述第一界面条件用于指示所述流场界面两侧在所述第一时刻的界面条件；

根据所述第一界面条件和所述第一流场状态，确定所述流场界面第二时刻下的第二流场状态。

与现有技术相比，本申请提供的方案至少包括以下有益技术效果：

1)本发明旨在设计一种嵌入物理约束的两介质黎曼问题预测代理模型，将基于大数据的机器学习技术应用于可压缩两介质流场界面条件的构建。这种代理模型不同于传统的公式表达，包含了大数据中的丰富流场信息，同时避免了复杂的迭代求解过程。该项技术能够有效模拟包含强激波或强间断的挑战性难题，改进传统方法的计算效率和稳定性，可以应用于各类可压缩两介质流体界面演变问题的流场仿真；

2)本发明提出的嵌入物理约束的神经网络构建方法，没有直接输出黎曼问题4个界面解的拟合结果，而是输出2个表征物理关系的函数值。这样在损失函数中可以将流场间断关系只表示成关于这2个函数值的约束条件，不仅使神经网络代理模型的结果更加符合物理要求，而且应用上非常简洁方便；