用于流体流动预测的组合可微分偏微分方程求解器和图形神经网络的系统和方法技术方案

用于流体流动预测的组合可微分偏微分方程求解器和图形神经网络的系统和方法。一种计算机实现的方法包括接收包括第一节点集合的粗网格输入，其中粗网格被输入到具有物理参数的计算流体动力学求解器以获得粗网格解，接收具有第二节点集合的细网格输入，其中第二节点集合包括比第一节点集合多的节点，将细网格输入与物理参数级联，并通过图形卷积层运行所述级联以获得细网格隐藏层，对粗网格解进行上采样以获得包括与第二节点集合相同数量的节点的粗网格上采样，并至少响应于粗网格上采样而输出预测。输出预测。输出预测。

【技术实现步骤摘要】
用于流体流动预测的组合可微分偏微分方程求解器和图形神经网络的系统和方法


[0001]本公开涉及利用计算流体动力学（CFD）和CFD求解器的系统。

技术介绍

[0002]求解大型复杂的偏微分方程（PDE）、诸如计算流体动力学（CFD）中出现的偏微分方程是计算昂贵的过程。这促进了对深度学习方案的使用来近似PDE解，而从这些方案预测的模拟结果通常没有良好地推广到新的场景。

技术实现思路

[0003]根据一个实施例，一种系统，其包括处理器，所述处理器被编程为接收包括第一节点集合的粗网格输入，其中粗网格被输入到具有物理参数的计算流体动力学求解器以获得粗网格解，接收第二节点集合的细网格输入，其中第二节点集合包括比第一节点集合更多的节点，将细网格输入与物理参数级联（concatenate），并通过图形卷积层运行所述级联以获得细网格隐藏层，对粗网格解进行上采样以获得包括与第二节点集合相同数量的节点的粗网格上采样，将细网格隐藏层与粗网格上采样级联，并响应于细网格隐藏层和粗网格上采样的级联而输出预测。
[0004]根据第二实施例，一种计算机实现的方法包括接收包括第一节点集合的粗网格输入，其中粗网格被输入到具有物理参数的计算流体动力学求解器以获得粗网格解，接收具有第二节点集合的细网格输入，其中第二节点集合包括比第一节点集合更多的节点，将细网格输入与物理参数级联，并通过图形卷积层运行所述级联以获得细网格隐藏层，对粗网格解进行上采样以获得包括与第二节点集合相同数量的节点的粗网格上采样，并至少响应于粗网格上采样而输出预测。
[0005]根据第三实施例，一种系统包括：处理器，被编程为接收包括第一节点集合的粗网格输入，其中粗网格被输入到具有物理参数的计算流体动力学求解器以获得粗网格解，接收第二节点集合的细网格输入，其中第二节点集合包括比第一节点集合更多的节点，对粗网格解进行上采样以获得包括与第二节点集合相同数量的节点的粗网格上采样，并响应于细网格输入和粗网格上采样而输出预测。
附图说明
[0006]图1公开了用于训练神经网络的系统100。
[0007]图2公开了用于训练神经网络的计算机实现的方法200。
[0008]图3公开了网格的示例。
[0009]图4示出了优化节点的结果的示例图形。
具体实施方式
[0010]本文中描述了本公开的实施例。然而，将理解，公开的实施例仅仅是示例，并且其他实施例可以采取各种形式和替代形式。各图不一定是按比例的；一些特征可以被放大或最小化以示出特定组件的细节。因此，本文中公开的具体结构和功能细节不应被解释为限制性的，而仅仅是作为用于教导本领域技术人员以各种方式采用实施例的代表性基础。如本领域普通技术人员将理解的，参考任一图所图示和描述的各种特征可以与一个或多个其他图中图示的特征相组合，以产生未被明确图示或描述的实施例。图示的特征的组合提供了典型应用的代表性实施例。然而，对于特定的应用或实现，可能期望与本公开的教导一致的特征的各种组合和修改。
[0011]本公开讨论了一种混合（图形）神经网络，其将传统的图形卷积网络与网络本身内部的嵌入式可微分流体动力学模拟器相组合。通过将实际的CFD模拟器（运行在问题的更粗分辨率表示上）与图形网络相组合，我们示出了，我们可以既良好地推广到新的情形又受益于神经网络CFD预测的显著加速，同时还显著优于单独的粗CFD模拟。
[0012]下面公开了一种混合方案，其将用于快速预测的（图形）神经网络的益处与工业级CFD模拟器的物理真实性相组合。该系统可以包括图形卷积网络（GCN），其直接对典型的CFD模拟任务中使用的非均匀网格进行操作。GCN的使用可能是重要的，因为所有真实的CFD求解器都在这些非结构化网格上操作，而不是直接在规则栅格上操作，所述规则栅格通常可以用在卷积网络上来近似CFD模拟。第二，所述系统可以嵌入（可微分的）CFD求解器，在粗得多的分辨率上操作，直接进入GCN本身。尽管通常被视为黑盒，但现代CFD模拟器本身可以被用作深度网络中的（高成本）“层”。使用研究充分的伴随方法，现代求解器可以计算模拟输出量相对于输入网格的梯度。这允许系统将快速CFD模拟（由于在小得多的网格上操作而变得快速）集成到网络本身中，并允许我们全部以端到端的方式将GCN和网格输入联合训练成模拟引擎。组合方案可能比单独的粗CFD模拟表现得显著更好（例如，网络可能能够提供与简单地运行更快的模拟来开始相比更高的保真度结果），并且比纯基于图形网络的方案好得多地推广到新颖情形。所述方案可以比在原始大小网格本身上运行CFD模拟显著更快。与在没有深度学习的情况下而使用的CFD求解器相比，下面示出的各种实施例的公开内容更准确并且更快地执行模拟，这是因为CFD求解器正在更粗的网格上操作。相对于没有并入CFD求解器的深度学习方案，该方法也更能够推广到新的情形。
[0013]图1示出了用于训练神经网络的系统100。系统100可以包括用于访问神经网络的训练数据192的输入接口。例如，如图1中所图示，输入接口可以由数据存储接口180构成，数据存储接口180可以从数据存储装置190访问训练数据192。例如，数据存储接口180可以是存储器接口或永久存储接口30，例如硬盘或SSD接口，但也可以是个域网、局域网或广域网接口，诸如蓝牙、Zigbee或Wi
‑
Fi接口或以太网或光纤接口。数据存储装置190可以是系统100的内部数据存储装置，诸如硬盘驱动器或SSD，但也可以是外部数据存储装置，例如网络可访问的数据存储装置。
[0014]在一些实施例中，数据存储装置190可以进一步包括神经网络的未训练版本的数据表示194，该数据表示194可以由系统100从数据存储装置190访问。然而，将领会，未训练神经网络的训练数据192和数据表示194也可以各自例如经由数据存储装置5接口180的不同子系统从不同的数据存储装置访问。每个子系统可以具有如上针对数据存储接口180所
述的类型。在其他实施例中，未训练神经网络的数据表示194可以由系统100在神经网络的设计参数的基础上在内部生成，并且因此可以不明确地存储在数据存储装置190上。系统100可以进一步包括处理器子系统160，处理器子系统160可以被配置为在系统100的操作期间，提供迭代函数作为待训练的神经网络的层堆叠的代替物。这里，被代替的层堆叠的相应层可以具有相互共享的权重，并且可以接收前一层的输出作为输入，或者对于层堆叠的第一层，接收初始激活和层堆叠的输入的一部分。处理器子系统160可以进一步被配置为使用训练数据192迭代地训练神经网络。这里，处理器子系统160的训练迭代可以包括前向传播部分和后向传播部分。处理器子系统160可以被配置为除了其他操作之外还通过如下操作来执行前向传播部分：定义可以执行的前向传播部分；确定迭代函数的平衡点，迭代函数在该平衡点处收敛到固定点，其中确定平衡点包括使用数值寻根算法来找到迭代函数减去其输入的根解；以及通过提供平衡点作为神经网络中的层堆叠的输出的代替物。系统100可以进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种系统，包括：处理器，被编程为：接收包括第一节点集合的粗网格输入，其中粗网格被输入到具有物理参数的计算流体动力学（CFD）求解器以获得粗网格解；接收第二节点集合的细网格输入，其中第二节点集合包括比第一节点集合更多的节点；将细网格输入与物理参数级联，并通过图形卷积层运行所述级联以获得细网格隐藏层；对粗网格解进行上采样，以获得包括与第二节点集合相同数量的节点的粗网格上采样；将细网格隐藏层与粗网格上采样级联；响应于细网格隐藏层和粗网格上采样的级联而输出预测。2.根据权利要求1所述的系统，其中CFD求解器是神经网络的一层。3.根据权利要求1所述的系统，其中粗网格输入和细网格输入均是混合三角形网格或四边形网格。4.根据权利要求1所述的系统，其中粗网格输入和细网格输入均是四边形网格。5.根据权利要求1所述的系统，其中通过沿着对角线划分每个四边形元素，将粗网格转换成三角形网格。6.根据权利要求1所述的系统，其中细网格输入在与粗网格解级联之前被输入到图形卷积网络层。7.根据权利要求1所述的系统，其中物理参数包括迎角和马赫数两者。8.根据权利要求1所述的系统，其中粗网格输入包括第一节点集合。9.根据权利要求1所述的系统，其中处理器进一步被编程为将所述预测与后向传递序列中的基础真值进行比较。10.根据权利要求1所述的系统，其中粗网格解包括每个节点的压力。11.一种计算机实现的方法，包括：接收包括第一节点集合的粗网格输入，其中粗网格被输入到具有物理参数的计算流体动力学求解器以获得粗网格解；接收第二节点集合的细网格输入，其中第二节点集合包括比第一节点集合更多的节点；...

【专利技术属性】
技术研发人员：F，
申请(专利权)人：罗伯特，
类型：发明
国别省市：