一种基于图神经网络的物理材料动态仿真方法技术

本发明专利技术涉及一种基于图神经网络的物理材料动态仿真方法，其特征在于，包括：S101、获取某一物理材料的粒子动态变化过程，将粒子在时空中的动态变化过程分割成T个时间快照；S102、将S101中所产生的T个时间快照构造成T个子图；S103、对S102所生成的T个子图进行特征嵌入，获取每个子图中所有粒子的特征向量；S104、基于S103所生成的所有粒子特征向量，使用一种循环神经网络，捕获粒子状态变化的时间特性。本发明专利技术通过构造子图并利用图卷积网络和图注意网络从局部和全局的角度提取物理粒子的局部特征和全局特征，然后通过将这两种特征聚合成一个特征，使得提取的特征信息更加全面，为仿真预测提供更准确的信息保障。预测提供更准确的信息保障。预测提供更准确的信息保障。

【技术实现步骤摘要】
一种基于图神经网络的物理材料动态仿真方法


[0001]本专利技术涉及一种基于图神经网络的物理材料动态仿真方法。

技术介绍

[0002]物理材料仿真在计算机图形学领域一直是研究热点。随着技术的发展，人们开始追求具有更高真实感、更宏伟的仿真场景，以及实时高效的物理材料仿真实时渲染效果。同时随着国内影视行业、数字孪生行业、游戏行业的飞速发展，各大互联网科技企业在对物理材料仿真系统的需求日益的旺盛。在数字孪生场景的开发中，物理材料仿真系统的挑选与使用将会显著影响整个项目的开发进度。国内开发团队大多采用Unity引擎或Unreal引擎开发仿真应用，实有必要开发出满足国内需求的物理材料仿真系统，以更好地服务于国内物理材料仿真应用开发行业。
[0003]在物理材料仿真中，对各种复杂的物理材料的仿真一直是至关重要的，传统的仿真技术拥有模拟流动、湍流、热传递和反应等广泛物理现象的能力，在工业上的应用包括从流过飞机机翼的气流到炉膛内的燃烧，从鼓泡塔到钻井平台，从血液流动到半导体生产，以及从无尘室设计到污水处理装置等等。
[0004]作为新兴的技术，深度学习在物理材料仿真中也大有应用潜力，可以通过直接从观察到的数据中训练仿真模拟器。而一般的深度学习算法无法对仿真过程中庞大的状态空间的动态变化进行处理。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种基于图神经网络的物理材料动态仿真方法。
[0006]一种基于图神经网络的物理材料动态仿真方法，特殊之处在于，包括：
[0007]S101、获取某一物理材料的粒子动态变化过程，将粒子在时空中的动态变化过程分割成T个时间快照，每个时间快照都由粒子组成；
[0008]S102、将S101中所产生的T个时间快照构造成T个子图，所述子图由节点和无向边组成；
[0009]S103、对S102所生成的T个子图进行特征嵌入，获取每个子图中的所有粒子的特征向量；
[0010]S104、基于S103所生成的T个子图的所有粒子特征向量，使用一种循环神经网络，捕获粒子状态变化的时间特性。
[0011]进一步地，所述S101中，通过SPH光滑粒子流体动力学方法、MPM物质点法和PDB基于位置的仿真方法对某一物理材料的粒子动态变化过程进行获取。
[0012]进一步地，所述S102中，通过图结构生成方法将T个时间快照构造成T个子图，具体过程为：
[0013]通过在粒子之间添加连边，生成图结构数据；子图表示为G
t
＝{V
t
，E
t
，H
t
}，其中V
t
是每个子图中M个节点的集合，E
t
是每个子图中边集合，H
t
＝ {h
1t
，h
2t
，
…
，h
Nt
}∈R
M
×
N
表示子图
节点集合的特征矩阵，每个节点V
it
∈V
t
都有其对应的D维特征向量h
it
；
[0014]所述的添加连边的具体处理过程包括：
[0015]a.根据每个粒子的坐标(x，y，z)，确定粒子在三维空间中的具体位置；
[0016]b.自定义一个三维空间连接半径r；
[0017]c.计算子图中所有粒子对之间的距离；
[0018]d.对于某一个确定的粒子，根据三维空间连接半径，连接在其连接半径内的所有粒子。
[0019]进一步地，所述S103中，所述特征嵌入是指分别使用图卷积神经网络和图注意力神经网络从局部的角度和全局的角度捕捉粒子之间的局部相似性和全局相似性，利用消息传递机制获取粒子的基于注意力的局部特征和基于卷积的全局特征，并通过一个聚合函数将局部特征和全局特征进行聚合，最终生成一个包含局部信息和全局信息的粒子特征；
[0020]具体的，所述的图卷积神经网络，公式为:
[0021][0022]其中，l是单位矩阵，是的度矩阵，H
t+1
＝{h
1t+1
，h
2t+1
，
…
，h
Nt+1
}∈R
M
×
N
，表示子图节点集合t+1时刻的的特征矩阵；
[0023]具体的，所述的图注意力神经网络，公式为:
[0024][0025]其中，Q
(t)
是查询矩阵，K
(t)
是密钥矩阵表示，D
(t)
是值矩阵。H
(t+1)
和H
(t)
是第t+1时刻和第t时刻的粒子特征矩，密钥矩阵和值矩阵，用于特征转换和信息交换。
[0026]具体的，所述的聚合函数，公式如下：
[0027][0028]进一步地，所述S104中，循环神经网络的公式为：
[0029][0030][0031][0032]其中，权重和偏置都是模型的参数。通过将之前时刻的粒子状态和之后时刻的粒子状态拼接来预测当前时刻的粒子状态H
t
。
[0033]本专利技术的一种基于图神经网络的物理材料动态仿真方法，通过将物理材料的动态变化过程构造成一个个子图，并提出一种新型的动态图神经网络方法，利用图卷积网络和图注意网络，从局部的角度和全局的角度提取物理粒子的局部特征和全局特征，然后通过一个聚合函数将这两种特征聚合成一个特征，使得提取的特征信息更加全面，为仿真预测提供更准确的信息保障。最后在仿真预测中通过一种循环神经网络实现对某一时刻下的物理粒子状态的仿真预测，该循环神经网络，不仅仅学习某一时刻前的物理粒子的特征信息，
还学习某一时刻后的物理粒子特征信息，使得仿真预测效果具有极高的精确度。
附图说明
[0034]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0035]图1为本专利技术所提供的一种基于图神经网络的物理材料动态仿真方法流程示意图。
具体实施方式
[0036]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0037]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0038]本实施例以流体仿真为例，提出一种基于图神经网络的物理材料动态仿真方法，如图1所示，方法步骤包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的物理材料动态仿真方法，其特征在于，S101、获取某一物理材料的粒子动态变化过程，将粒子在时空中的动态变化过程分割成T个时间快照，每个时间快照都由粒子组成；S102、将S101中所产生的T个时间快照构造成T个子图，所述子图由节点和无向边组成；S103、对S102所生成的T个子图进行特征嵌入，获取每个子图中所有粒子的特征向量；S104、基于S103所生成的所有粒子特征向量，使用一种循环神经网络，捕获粒子状态变化的时间特性。2.如权利要求1所述的一种基于图神经网络的物理材料动态仿真方法，其特征在于，所述S101中，通过SPH光滑粒子流体动力学方法、MPM物质点法和PDB基于位置的仿真方法对某一物理材料的粒子动态变化过程进行获取。3.如权利要求1所述的一种基于图神经网络的物理材料动态仿真方法，其特征在于，所述S102中，通过图结构生成方法将T个时间快照构造成T个子图，具体过程为：通过在粒子之间添加连边，生成图结构数据；子图表示为G
t
＝{V
t
，E
t
，H
t
}，其中V
t
是每个子图中M个节点的集合，E
t
是每个子图中边集合，H
t
＝{h
1t
，h
2t
，
…
，h
Nt
}∈R
M
×
N
表示子图节点集合的特征矩阵，每个节点V
it
∈V
t
都有其对应的D维特征向量h
it
。4.如权利要求3所述的一种基于图神经网络的物理材料动态仿真方法，其特征在于，所述在粒子之间添加连边的具体处理过程包括：a.根据每个粒子的坐标(x，y，z)，确定粒子在三维空间中的具体位置；b.自定义一个三维空间连接半径r；c.计算子图中所有粒子对之间的...

【专利技术属性】
技术研发人员：刘兆伟，李冉冉，王莹洁，马元庆，徐金东，王涛，杨栋，
申请(专利权)人：烟台大学，
类型：发明
国别省市：