基于知识增强卷积神经网络的非定常结构绕流快速预测方法技术

本发明专利技术公开了基于知识增强卷积神经网络的非定常结构绕流快速预测方法，所述非定常结构绕流快速预测方法基于迁移学习、知识增强学习。本发明专利技术可以实现对绕不同结构断面的非定常流动进行快速准确的预测，为结构气动力设计提供一种新工具，本发明专利技术对现有的训练方法进行改进，基于迁移学习，提出了一种新的训练方法，在相似的精度上，将CNN训练速度提高了约50％；其次，本发明专利技术基于知识增强学习，提出了一种新的损失函数用以训练CNN，将预测精度提高约60％；此外，本发明专利技术还对CNN的数据离散方式做出了改进，使其更适合于工程使用，提出的离散方式将结构表面压力的预测精度提高约50％。结构表面压力的预测精度提高约50％。结构表面压力的预测精度提高约50％。

【技术实现步骤摘要】
基于知识增强卷积神经网络的非定常结构绕流快速预测方法


[0001]本专利技术属于非定常结构的绕流预测
，具体涉及基于知识增强卷积神经网络的非定常结构绕流快速预测方法。

技术介绍

[0002]建筑与桥梁作为基本居住工作环境、交通工程中的关键枢纽，在经济与社会发展中起着至关重要的作用。随着工业和建造业的发展，现代建筑逐渐朝着层数多、现代桥梁逐渐朝着跨度大的方向发展，随之降低的结构刚度使得建筑与桥梁的风致敏感性大大增加，气动力性能逐渐成为建筑与桥梁设计中最重要的约束因素之一。与此同时，建筑断面、桥梁主梁断面的结构形式也在不断创新。这两种趋势使得传统的对结构物的气动特性的线性考虑不再能够满足设计需求。随着实验技术的发展和计算机性能的增强，通过实验或计算流体力学(computational fluid dynamics，CFD)方法，可以很好地捕捉到复杂的结构非线性气动特性。然而，实验方法对人力、物力的消耗不容小觑，CFD仿真也需要昂贵的计算资源和时间成本。而在结构的设计过程中，为了找到最佳气动性能的断面，往往需要对一系列断面进行大量反复的实验和计算。这些缺点使得整个设计过程繁琐、耗时、成本高，同时极大地限制了工程师们对设计空间的探索。
[0003]近年来，代理模型以其高效、经济的特点逐渐进入了工程师们的视野。通过在几何形状和复杂的非线性气动性能之间定义简化的数学关系，代理模型能够对设计目标性能进行初步的评估，以减少所需的数值模拟次数，从而减轻设计过程中的计算负担。
[0004]然而，传统的代理模型只适用于设计变量与响应变量数量少且互不耦合的设计情况，随着变量数量增多与随之变得复杂的关系，代理模型将变得难于设计，精度也将有所降低。更为重要的是，传统代理模型只能反映输入输出特性，无法反映流场内部信息，难以用于高精度流动控制或气动外形设计。
[0005]近年来，随着计算机性能和数据科学的飞速发展，深度学习等新算法的出现为代理模型的发展提供了新的契机。已有学者尝试基于深度学习方法提出适用于机翼断面设计、汽车外形设计的代理模型。而在土木工程领域，基于深度学习的代理模型研究相对有所滞后。因此，关于将其移植到土木工程领域是否可行的研究显得需求迫切。
[0006]在众多经典的深度学习结构中，卷积神经网络(Convolution Neural Network，CNN)以其对高维数据的高效处理能力受到广泛关注。除此之外，得益于其特有的参数结构，CNN还可以处理具有强时间/空间相关性的数据。随着硬件性能的增长，CNN不仅在原始的图像分类领域有所改善，在图像的逐像素预测(Per
‑
pixel predict)方面也取得了进展。逐像素预测型CNN的强大性能也引起了流体力学专家的关注，因为流场数据有强时/空相关性，并可表示成逐帧的类似图片数据形式，而这正是CNN最擅长的数据类型之一。
[0007]目前，已有基于卷积神经网络的绕钝体定常流预测，通过对绕不同钝体形状定常流进行训练，该方法能成功预测绕未训练过的钝体形状绕流。然而，结构设计的关键在于对(前提)绕不同断面形状的非定常流动进行预测，这对估计结构的气动力性能至关重要。已
有学者尝试采用CNN对绕某单一断面的非定常流动进行预测。但此类方法难以推广到对不同断面的非定常流预测上。截至目前，还未有基于卷积神经网络的能够对不同断面形状的非定常流进行预测的方法。
[0008]其次，在其他学者的工作中还观察到了另一个现象，即大多数的误差和误差的最大值都位于主梁断面的边缘，而这正是空气动力学设计过程中最关注的区域。通常认为，相对于边界层区域陡峭的数值梯度而言，制备数据集时采用的采样分辨率过低是这些区域中误差相对较高的原因。采用更高的采样分辨率能够有效提高精度，但同时也不得不使数据维度提高，影响训练效率。
[0009]此外，将深度学习应用于工程领域还有一大障碍：相比于深度学习原有的应用领域而言，在工程领域制备数据集的代价更加高昂；而当数据量不够时，深度学习方法往往表现得不够鲁棒。
[0010]基于上述缺陷，本专利技术提供一种基于知识增强卷积神经网络的非定常结构绕流快速预测方法可以实现对绕不同结构断面的非定常流动进行快速准确的预测，为结构气动力设计提供一种新工具，本专利技术对现有的训练方法进行改进，基于迁移学习，提出了一种新的训练方法，在相似的精度上，将CNN训练速度提高了约50％。其次，本专利技术基于知识增强学习，提出了一种新的损失函数用以训练CNN，将预测精度提高约60％。此外，本专利技术还对CNN的数据离散方式做出了改进，使其更适合于工程使用，提出的离散方式将结构表面压力的预测精度提高约50％。

技术实现思路

[0011]针对上述
技术介绍
所提出的问题，本专利技术的目的是：旨在提供基于知识增强卷积神经网络的非定常结构绕流快速预测方法。
[0012]为实现上述技术目的，本专利技术采用的技术方案如下：
[0013]基于知识增强卷积神经网络的非定常结构绕流快速预测方法，所述非定常结构绕流快速预测方法基于迁移学习、知识增强学习；
[0014]所述非定常结构绕流快速预测方法包括下述步骤：
[0015]S1.以一种常用的结构物断面形式为标准断面，基于标准断面产生一系列变体，即不同的断面形状；将生成的一系列断面形状用SDF(Signed Distance Function，有向距离场)表示；确定初始条件，基于生成的一系列断面形状完成CFD非定常模拟，制备CNN训练所需的数据，并将数据按15：3：5的比例分为训练集、验证集和测试集；
[0016]S2.利用非均匀网格插值，将断面形状的SDF表示、初始条件流场、CFD模拟的非定常流场离散为同一分辨率；
[0017]S3.将离散后的SDF表示、初始条件流场作为CNN的输入，离散后的CFD模拟的第一帧非定常流场作为输出，使用训练集训练CNN模型MP的第一阶段模型M1，将训练后的M1记作t1模型；
[0018]S4.训练结束后，基于迁移学习中的特征表示迁移学习，将t1的中间产物作为第一帧流场的特征，并作为CNN第二阶段模型M2的输入，以离散后的CFD模拟的第二帧非定常流场作为输出，使用训练集训练M2，使用验证集监督M2的训练，避免M2过拟合；其中，基于迁移学习中的参数迁移学习，第二阶段模型中的部分参数将直接从t1中复制而来，并不再参与
对M2的训练，以此减少训练时间；将由第二帧流场训练的M2记作t2模型；
[0019]S5.将t2的第一层产物作为第二帧流场的特征，再次作为M2的输入，以离散后的CFD模拟的第三帧非定常流场作为输出，使用训练集训练M2，使用验证集监督M2的训练，避免M2过拟合，仍保持部分参数不参与训练；将由第三帧流场训练的M2记作t3模型；
[0020]S6.循环步骤S5，直到非定常流场中各帧训练完毕，即依次以tn
‑
1的第一层产物作为上一帧流场n
‑
1的特征，作为M2的输入，以离散后的CFD模拟的第n帧非定常本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于知识增强卷积神经网络的非定常结构绕流快速预测方法，其特征在于：所述非定常结构绕流快速预测方法基于迁移学习、知识增强学习；所述非定常结构绕流快速预测方法包括下述步骤：S1.以一种常用的结构物断面形式为标准断面，基于标准断面产生一系列变体，即不同的断面形状；将生成的一系列断面形状用SDF(Signed Distance Function，有向距离场)表示；确定初始条件，基于生成的一系列断面形状完成CFD非定常模拟，制备CNN训练所需的数据，并将数据按15：3：5的比例分为训练集、验证集和测试集；S2.利用非均匀网格插值，将断面形状的SDF表示、初始条件流场、CFD模拟的非定常流场离散为同一分辨率；S3.将离散后的SDF表示、初始条件流场作为CNN的输入，离散后的CFD模拟的第一帧非定常流场作为输出，使用训练集训练CNN模型MP的第一阶段模型M1，将训练后的M1记作t1模型；S4.训练结束后，基于迁移学习中的特征表示迁移学习，将t1的中间产物作为第一帧流场的特征，并作为CNN第二阶段模型M2的输入，以离散后的CFD模拟的第二帧非定常流场作为输出，使用训练集训练M2，使用验证集监督M2的训练，避免M2过拟合；其中，基于迁移学习中的参数迁移学习，第二阶段模型中的部分参数将直接从t1中复制而来，并不再参与对M2的训练，以此减少训练时间；将由第二帧流场训练的M2记作t2模型；S5.将t2的第一层产物作为第二帧流场的特征，再次作为M2的输入，以离散后的CFD模拟的第三帧非定常流场作为输出，使用训练集训练M2，使用验证集监督M2的训练，避免M2过拟合，仍保持部分参数不参与训练；将由第三帧流场训练的M2记作t3模型；S6.循环步骤S5，直到非定常流场中各帧训练完毕，即依次以tn
‑
1的第一层产物作为上一帧流场n
‑
1的特征，作为M2的输入，以离散后的CFD模拟的第n帧非定常流场作为输出，使用训练集训练M2，使用验证集监督M2的训练，避免M2过拟合，保持部分参数不参与训练，将由第n帧流场训练的第二阶段模型记作tn模型；S7.使用t1对测试集中的样本预测测试集样本的第一帧流场，将各样本的SDF表示、初始条件作为输入，送入t1，保存各测试样本输入t1后产生的中间产物作为各样本的特征；S8.将各特征输入t2，预测各测试样本的第二帧流场，并保存输入t2后第一层的产物作为第二帧流场的特征；S9.循环步骤S8，即依次将上一帧流场n
‑
1的特征，输入tn，预测第n帧流场，直至非定常流场中各帧预测完毕。2.根据权利...

【专利技术属性】
技术研发人员：吴腾，李志鹏，周美华，郑晓萌，
申请(专利权)人：浙江安建智慧应急科技有限公司，
类型：发明
国别省市：