一种基于深度学习的水下圆柱体扰流分区流场预测方法技术

本发明专利技术涉及一种基于深度学习的水下圆柱体扰流分区流场预测方法。首先通过Fluent软件获取大量水下圆柱体扰流流场数据；利用空间聚类算法进行空间分区，得到若干个同质子区域；其次对数据进行预处理，并把数据分为训练集和测试集，对同质子区域的任意点目标进行时间序列建模；最后根据各部分流场特性对同质子区域基于长短时记忆网络(LSTM)构建预测模型。从而应用于水下圆柱体扰流流场预测。相比于传统全流场共用一套神经网络，本申请提出基于和来流速度比较划分，将水下圆柱体扰流流场分为四个区域，根据每个区域的数据特点和数据量分别进行模型建立。以期达到更好的预测效果。以期达到更好的预测效果。以期达到更好的预测效果。

【技术实现步骤摘要】
一种基于深度学习的水下圆柱体扰流分区流场预测方法


[0001]本专利技术属于流体力学领域和神经网络应用，涉及一种基于深度学习的水下圆柱体扰流分区流场预测方法。

技术介绍

[0002]流体绕圆柱流动时，过流断面收缩，流程沿程增加，压强沿程减小，由于粘性力的存在，就会在柱体周围发生边界层的分离，形成圆柱扰流。水下圆柱体扰流问题在工程实际中也很常见，如水流对桥梁、海上钻井平台支柱、海上运输管线等的作用中，风对塔设备、化工塔设备、高空电缆等的作用中，都具有重要的工程应用背景。因此，对水下圆柱扰流流场进行深入研究，对其流动机理进行分析，不仅具有理论意义，还有明显的社会经济效益。
[0003]传统的流体力学数据分析获取流场速度场和压力场的手段是实验测量与计算流体力学(CFD)。现场测量实验成本较高，每次实验得到的可利用数据量较少，结果泛化能力弱。CFD是利用计算机和数值方法求解满足定解方程的流体动力学方程以获得流动规律和解决流动问题的专门学科。CFD非常依赖网格质量，同时需要消耗大量的计算资源和时间。
[0004]近年来深度学习技术广泛的应用于各个领域，如图像识别、语音识别、游戏领域等。深度学习是基于人工神经网络的机器学习算法，受特征提取和数据维度问题的驱使和人脑深层结构的启发，深度神经网络模型逐渐发展起来。区别于传统的机器学习算法，深度学习在样本数据量的需求方面，需要更广泛的样本数据，达到使用更少的人工标注和更高的准确率的目的。早期的神经网络只有输入和输出层两层，无法处理复杂的逻辑，限制了其应用性，而深度神经网络通过在输入和输出层之间添加隐藏层，通过改变隐藏层的层数和神经元个数，理论上可以近似表示任何函数。图1为深度神经网络结构示意图。
[0005]循环神经网络作为深度学习的重要分支，最主要的应用场景是通过保存历史信息来帮助当前的决策，在处理时间序列的数据方面有很大的优势。长短时记忆网络(Long short
‑
term memory,LSTM)是一种特殊的循环体结构。LSTM靠一些“门”结构让信息有选择性地影响循环神经网络中每个时刻的状态。所谓“门”的结构就是使用sigmoid神经网络和一个按位做乘法的操作，这两个操作合在一起就是一个“门”的结构。之所以该结构叫做“门”是因为使用sigmoid作为激活函数的全连接神经网络层会输出一个0到1之间的数值，描述当前输入有多少信息量可以通过这个结构。于是这个结构的功能就类似于一扇门，当“门”打开时(sigmoid神经网络层输出为1时)，全部信息都可以通过；当“门”关上时(sigmoid神经网络层输出为0时)，任何信息都无法通过。图2为使用单层全连接神经网络作为循环体的循环神经网络结构图。
[0006]为了使循环神经网络更有效的保存长期记忆，输入门和遗忘门至关重要，它们是LSTM的核心。遗忘门的作用是让循环神经网络忘记之前没有用的信息，遗忘门会根据当前的输入x
t
和上一时刻输出h
t
‑1决定哪一部分记忆需要被遗忘。假设状态c的维度为n，遗忘门会根据当前的输入x
t
和上一时刻的输出h
t
‑1计算一个维度为n的向量f＝sigmoid(W1x+W2h)，它在每一个维度的值都在(0,1)范围内。再将上一个时刻的状态c
t
‑1与f向量按位相乘，那么
f取值接近0的维度信息就会被忘记，而f取值接近于1的维度上的信息就会被保留。
[0007]在循环神经网络“忘记”了部分之前状态好，它还需要从当前的输入补充最新的记忆。这个过程就是输入门完成的。输入门会根据x
t
和h
t
‑1决定哪些信息加入到状态c
t
‑1中生成新的状态c
t
。通过输入门和遗忘门，LSTM结构可以更加有效地决定哪些信息应该被遗忘，哪些信息应该被保留。图3为LSTM单元结构示意图。具体LSTM每个“门”的公式定义如下：
[0008]输入值：z＝tanh(W
z
[h
t
‑1,x
t
])
[0009]输入门：i＝sigmoid(W
i
[h
t
‑1,x
t
])
[0010]遗忘门：f＝sigmoid(W
f
[h
t
‑1,x
t
])
[0011]输出门：o＝sigmoid(W0[h
t
‑1,x
t
])
[0012]新状态：c
t
＝f
·
c
t
‑1+i
·
z
[0013]输出：h
t
＝o
·
tanhc
t
[0014]图4用流程图的形式表示了以上公式。

技术实现思路

[0015]要解决的技术问题
[0016]为了避免现有技术的不足之处，本专利技术提出一种基于深度学习的水下圆柱体扰流分区流场预测方法，目标是实现给出前序时间变量，即可基于深度学习预测后续时间对应非定常流场。以非定常流场数值仿真结果作为训练样本，分别建立LSTM神经网络，实现流场预测。技术流程如图16所示。
[0017]技术方案
[0018]流体绕圆柱流动时，过流断面收缩，流程沿程增加，压强沿程减小，由于粘性力的存在，就会在柱体周围发生边界层的分离，形成圆柱扰流。水下圆柱体扰流问题在工程实际中也很常见，如水流对桥梁、海上钻井平台支柱、海上运输管线等的作用中，风对塔设备、化工塔设备、高空电缆等的作用中，都具有重要的工程应用背景。因此，对水下圆柱扰流流场进行深入研究，对其流动机理进行分析，不仅具有理论意义，还有明显的社会经济效益。
[0019]一种基于深度学习的水下圆柱体分区流场预测方法，其特征在于步骤如下：
[0020]步骤1：采用ICEM软件对水下圆柱体几何形状进行建模，生成非结构化计算网格；然后将网格文件导入Fluent软件，设定来流速度V和监控点，选择湍流的计算模型和，进行数据模拟；得到时间长度为T的各监控点的速度和压力；
[0021]以神经网络的输入x为前n个时刻的v，标签y是该样本在n+1时刻中对应的v，用前n个时刻的速度x＝{v1,v2,v3...v
n
}预测后一时刻的速度y＝{v
n+1
}；
[0022]步骤2：利用空间聚类算法将步骤1的水下流场数据行空间分区，得到若干同质子区域；在区域中构建基于长短时记忆网络的时间序列预测模型；
[0023]所述同质子区域为：
[0024](1)减速流区域
[0025](2)两侧附在结构表面的边界层区域
[0026](3)两侧的剪切和加速流区域
[0027](4)尾流的下游分离流区域；
[0028]步骤3、建立LSTM预测模型：使用Tens本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的水下圆柱体分区流场预测方法，其特征在于步骤如下：步骤1：采用ICEM软件对水下圆柱体几何形状进行建模，生成非结构化计算网格；然后将网格文件导入Fluent软件，设定来流速度V和监控点，选择湍流的计算模型和，进行数据模拟；得到时间长度为T的各监控点的速度和压力；以神经网络的输入x为前n个时刻的v，标签y是该样本在n+1时刻中对应的v，用前n个时刻的速度x＝{v1，v2，v3...v
n
}预测后一时刻的速度y＝{v
n+1
}；步骤2：利用空间聚类算法将步骤1的水下流场数据行空间分区，得到若干同质子区域；在区域中构建基于长短时记忆网络的时间序列预测模型；所述同质子区域为：(1)减速流区域(2)两侧附在结构表面的边界层区域(3)两侧的剪切和加速流区域(4)尾流的下游分离流区域；步骤3、建立LSTM预测模型：使用TensorFlow深度学习框架进行搭建，包括两层LSTM神经网络，连接一层全连接神经网络；步骤4：将数据划分为训练集和测试集，80％数据为训练集，20％为测试集；在数据输入神经网络之前，使用scikit
‑
learn库中的MinMaxScaler预处理类实现数据集的归一化，将数据调整到0到1的范围，避免由LSTM对输入数据的规模的高敏感造成的误差；步骤5、模型预测：设定epochs和batch，并根据训练样本对所构建的LSTM模型进行训练；在fit()函数中设置validation_data参数，记录训练集和测试集的损失；对超参数、激活函数优化得到最优的深度网络结构；步骤6、反归一化：将预测结果和测试集数据组合然后进行比例反转invert the scaling，同时将测试集的预期值也进行比例转...

【专利技术属性】
技术研发人员：黄桥高，何幸，潘光，邱铖铖，施瑶，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：