基于LSTM神经网络的IISPH流体仿真计算方法技术

本发明专利技术提供了一种基于LSTM神经网络的IISPH流体仿真计算方法，属于IISPH流体仿真计算技术领域。本发明专利技术采用基于IISPH方法中某一帧前后的每个粒子的属性构造训练数据集，数据集包括粒子及周边光滑核半径内粒子群的位置、密度、中间密度和输入压强，以此数据集训练LSTM神经网络，利用训练后的模型用于IISPH框架中，替换原有压力加速度求解的模块，作为新的数据驱动，从而计算粒子下一帧的速度与位置。本发明专利技术在保证流体的不可压缩性计算结果的高精度情况下，能够有效解决现有方法中压力加速度求解效率低下的问题。速度求解效率低下的问题。速度求解效率低下的问题。

【技术实现步骤摘要】
基于LSTM神经网络的IISPH流体仿真计算方法


[0001]本专利技术属于IISPH流体仿真计算
，尤其涉及一种基于LSTM神经网络的IISPH流体仿真计算方法。

技术介绍

[0002]流体仿真一直以来是计算机图形学中的热门研究课题，如何真实、高效地进行流体效果的仿真计算，基于物理模型的仿真方法被大量提出。其中，国内外基本采用的方法是基于网格的欧拉方法和非网格拉格朗日方法，相比于欧拉法，拉格朗日法再流体细节的处理上更具有优势，因此被广泛使用。
[0003]光滑粒子流体动力学(SPH,Smoothed Particle Hydrodynamics)，是拉格朗日方法中应用最广泛的一种流体仿真方法，由于SPH方法存在多处不足，因此出现了很多改进方法。微可压SPH方法(Weakly Compressible SPH，WCSPH)，很好地解决了传统SPH方法的不可压缩性问题，但需要较小的时间步长来维持模拟的稳定性。预测校正SPH方法(Predictive Corrective Incompressible SPH，PCISPH)，相比于WCSPH方法，PCISPH时间步长更长，数值求解更稳定。局部泊松SPH方法(Local Poisson SPH，LPSPH)，根据WCSPH大密度误差和PCISPH全局求解泊松方程的大量耗时，通过减少求解泊松方程的时间，达到提高每一帧计算效率的目的。隐式不可压SPH方法(Implicit Incompressible SPH，IISPH)，通过离散化压力泊松方程，可以有效地改进大场景下的时间步长。无散度的SPH方法(Divergence
‑
Free SPH，DFSPH)，利用压强对密度进行2次调整，使流体实现不可压缩性。
[0004]上述流体仿真方法中，为保证流体的不可压缩性，对于单个时间步长内压力加速度的求解，并没有有效改善计算效率低下的问题，反而计算过程更加复杂，耗时更长。对于大场景需要模拟上亿数量的粒子时，仿真时长呈几何倍数上升。

技术实现思路

[0005]针对现有技术中的上述不足，本专利技术提供的一种基于LSTM神经网络的IISPH流体仿真计算方法，在保证流体不可压缩性计算结果的高精度情况下，能够有效解决现有方法中压力加速度求解效率低下的问题。
[0006]为了达到以上目的，本专利技术采用的技术方案为：
[0007]本方案提供一种基于LSTM神经网络的IISPH流体仿真计算方法，包括以下步骤：
[0008]S1、定义粒子场景文件，并利用IISPH流体仿真方法输出某一帧流体中粒子的属性值；
[0009]S2、利用粒子属性值构建训练集；
[0010]S3、搭建LSTM神经网络回归模型，并利用训练集学习流体仿真，对LSTM神经网络回归模型进行训练；
[0011]S4、利用训练好的LSTM神经网络回归模型替换原有粒子压力加速度的求解模块，并计算粒子下一帧的速度与位置，以进行连续的流体仿真。
[0012]进一步地，所述步骤S2包括以下步骤：
[0013]S201、设光滑核半径内领域粒子数目的最大阈值，并将数目不足的位置补0，以使粒子各属性值构造为一个长度固定的特征向量；
[0014]S202、利用所述特征向量构建训练集。
[0015]再进一步地，所述特征向量的表达式为：
[0016][0017]其中，β
i
表示在处的特征向量，x
i
表示粒子i的位置，x
j
表示粒子j的位置，表示粒子i的输入压强，表示粒子j的输入压强，表示粒子的中间密度，ρ
i
表示粒子i的密度，ρ
j
表示粒子j的密度，是粒子的位置。
[0018]再进一步地，所述步骤S3中LSTM神经网络回归模型的表达式为：
[0019][0020]其中，表示某一帧中第i个粒子的压力加速度，Reg(
·
)表示LSTM神经网络回归模型，β
i
表示粒子i的特征向量
[0021]再进一步地，所述步骤S4中粒子下一帧的速度与位置的表达式为：
[0022][0023][0024][0025]其中，v
i
(t)表示当前帧粒子i的速度，v
i
(t+Δt)表示下一帧中粒子i的速度，Δt表示两帧间的时间步长，表示粒子的中间速度，表示某一帧中第i个粒子的压力加速度，x
i
(t+Δt)表示下一帧中粒子i的位置，x
i
(t)表示当前帧中粒子i的位置。
[0026]本专利技术的有益效果是：
[0027](1)本专利技术根据IISPH一次流体仿真过程中输出某一帧各粒子的属性作为训练集，训练集包括当前粒子及周边光滑核半径内粒子的位置、密度、中间密度及输入压强，利用LSTM神经网络回归模型处理多变量数据的相关性，充分提取粒子各输入属性与输出压力加速度的关系特征，本专利技术在保证流体的不可压缩性和压力加速度精度情况下，有效提高计算速度，不需要计算当前粒子所受到的压力，直接进行压力加速的求解，计算下一帧粒子的速度与位置，减少消耗的计算资源，有效地提高模型预测的准确性。
[0028](2)本专利技术能提升流体仿真单个时间步长内计算效率，原始方法每迭代计算一次需要遍历当前所有粒子，随着迭代次数增多会增加计算消耗，通过本专利技术中的回归模型仅需遍历一次当前所有粒子即可完成压力项计算，更新粒子属性。同时，本专利技术通过更新粒子位置，以进行下一帧流体仿真。
附图说明
[0029]图1为本专利技术的方法流程图。
[0030]图2为本实施中LSTM神经网络回归模型结构示意图。
[0031]图3为本实施例中某一帧液体仿真效果图。
具体实施方式
[0032]下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。
[0033]实施例
[0034]如图1所示，本专利技术提供了一种基于LSTM神经网络的IISPH流体仿真计算方法，其实现方法如下：
[0035]S1、定义粒子场景文件，并利用IISPH流体仿真方法输出某一帧流体中粒子的属性值；
[0036]在IISPH算法中，t+Δt粒子速度可以表示为：
[0037][0038]其中，v
i
(t+Δt)表示下一帧粒子i的速度，Δt表示帧与帧之间的时间步长，m
i
表示粒子i的质量，F
iadv
(t)表示除了压力以为的其他力，如重力、粘力等，F
ip
(t)表示需要求取的压力。与PCISPH、LPSPH等方法类似，IISPH方法首先根据除压力外的其他作用力F
iad本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM神经网络的IISPH流体仿真计算方法，其特征在于，包括以下步骤：S1、定义粒子场景文件，并利用IISPH流体仿真方法输出某一帧流体中粒子的属性值；S2、利用粒子属性值构建训练集；S3、搭建LSTM神经网络回归模型，并利用训练集学习流体仿真，对LSTM神经网络回归模型进行训练；S4、利用训练好的LSTM神经网络回归模型替换原有粒子压力加速度的求解模块，并计算粒子下一帧的速度与位置，以进行连续的流体仿真。2.根据权利要求1所述的基于LSTM神经网络的IISPH流体仿真计算方法，其特征在于，所述步骤S2包括以下步骤：S201、设光滑核半径内领域粒子数目的最大阈值，并将数目不足的位置补0，以使粒子各属性值构造为一个长度固定的特征向量；S202、利用所述特征向量构建训练集。3.根据权利要求2所述的基于LSTM神经网络的IISPH流体仿真计算方法，其特征在于，所述特征向量的表达式为：其中，β
i
表示在处的特征向量，x
i
表示粒子i的位置，x
j
表示粒子j的位置，表示粒子i的输入压强，表示粒子j的...

【专利技术属性】
技术研发人员：顾鲍超，甘建红，苏锋，王胤，赵志勇，袁学斌，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：