一种基于残差密集网络的多物理场仿真方法及系统技术方案

本发明专利技术公开了一种基于残差密集网络的多物理场仿真方法及系统，该方法包括：获取低网格密度物理场数据集与高网格密度物理场数据集；构建基于超分辨率拟合物理场映射神经网络模型；将高网格密度物理场数据集作为训练指标，基于低网格密度物理场数据集对所述超分辨率拟合物理场映射神经网络模型进行训练，基于所述训练后的超分辨率拟合物理场映射神经网络模型进行多物理场仿真实验。该系统包括：获取模块、构建模块、训练模块和应用模块。本发明专利技术能够通过构建超分辨率拟合物理场映射神经网络模型进行生成高网格密度样本，提高多物理场仿真分析的效率。本发明专利技术作为一种基于残差密集网络的多物理场仿真方法及系统，可广泛应用于多物理场仿真技术领域。多物理场仿真技术领域。多物理场仿真技术领域。

【技术实现步骤摘要】
一种基于残差密集网络的多物理场仿真方法及系统


[0001]本专利技术涉及多物理场仿真
，尤其涉及一种基于残差密集网络的多物理场仿真方法及系统。

技术介绍

[0002]数值计算，特别是有限元分析(FEA)，在科学研究中有着广泛的应用，机械领域尤其如此，例如结构性能评估和拓扑优化。有限元分析实际上是一种计算机技术，它把连续的物理系统离散化分成许多小部分，并对这些小部分进行组合求解。网格密度决定了连续系统离散化的精细度，所以网格密度是FEA中很重要的一个因素，同时，网格密度也影响了求解线性方程组所需的计算资源。这就导致了有限元分析在提高空间分辨率和提高计算效率之间存在着内在矛盾；
[0003]为了解决有限元在高网格密度下计算效率低下的问题，近年来出现了两种解决方案：自适应网格细化(AMR)、基于机器学习的物理场预测，AMR算法根据不同区域的重要性使用不同粗细的网格，从而用更少的网格得到更好的解，但是，AMR算法仍然需要多次迭代更新参数来确定哪些区域需要更精细的网格并提高数值精度，空间分辨率和计算效率之间仍然存在着权衡，AMR算法不能从根本上解决提高有限元空间分辨率与提高计算效率之间的冲突，基于机器学习的方法可以一次性预测物理场，避免多次迭代更新，利用数据驱动框架把输入物理条件转换成输出物理场，之前的工作已经把这种方法应用到医学和流体力学领域，并且取得了很好的效果，与传统有限元法相比，基于机器学习的模型计算效率提高了1
‑
2个数量级，这些研究进展显示了机器学习在解决空间分辨率和计算效率之间矛盾方面具有极大的潜力，但现有的基于机器学习的物理场预测技术无法直接利用神经网络学习多物理场所包含的物理规律映射，导致计算效率低下。

技术实现思路

[0004]为了解决上述技术问题，本专利技术的目的是提供一种基于残差密集网络的多物理场仿真方法及系统，能够通过引入残差密集块构建超分辨率拟合物理场映射神经网络模型进行生成高网格密度样本，提高多物理场仿真分析的效率。
[0005]本专利技术所采用的第一技术方案是：一种基于残差密集网络的多物理场仿真方法，包括以下步骤：
[0006]获取低网格密度物理场数据集与高网格密度物理场数据集，所述低网格密度物理场数据集为低网格密度物理场图像，所述高网格密度物理场数据集为高网格密度物理场图像；
[0007]引入全局残差结构与级联式残差密集块结构，构建基于超分辨率拟合物理场映射神经网络模型；
[0008]将高网格密度物理场数据集作为训练指标，基于低网格密度物理场数据集对所述超分辨率拟合物理场映射神经网络模型进行训练，得到训练后的超分辨率拟合物理场映射
神经网络模型；
[0009]基于所述训练后的超分辨率拟合物理场映射神经网络模型进行多物理场仿真实验。
[0010]进一步，所述获取低网格密度物理场数据集与高网格密度物理场数据集这一步骤，其具体包括：
[0011]获取各项同性线性弹性材料；
[0012]对各项同性线性弹性材料左边界进行施加规定约束处理后再进行加热处理，构造热力场和应力场的多场耦合的同性线性弹性材料物理场；
[0013]结合平面应变问题的本构方程，通过有限元分析软件对同性线性弹性材料物理场进行仿真计算，得到低网格密度物理场数据集与高网格密度物理场数据集。
[0014]进一步，所述平面应变问题的本构方程包括几何方程、平衡方程、广义胡克定律方程和热应变方程，其中：
[0015]所述几何方程的表达式为：
[0016][0017]所述平衡方程的表达式为：
[0018]α
ij,j
+g
i
＝0
[0019]所述广义胡克定律方程的表达式为：
[0020][0021]所述热应变方程的表达式为：
[0022]ε
yh
＝γ(T)(T
‑
T0)
[0023]上式中，δ
i
表示x
i
轴上的位移，α
ij
和ε
ij
分别表示x
i
表面上x
j
方向的应力和应变，g
i
表示x
i
方向的体积力分量，E表示杨氏模量，δ表示泊松比，γ表示材料的热膨胀系数，T表示材料当前温度，T0表示环境温度。
[0024]进一步，所述构建的基于超分辨率拟合物理场映射神经网络模型的结构包括第一卷积层、全局残差结构、第二卷积层、多个残差密集块、第三卷积层、子像素卷积层和第四卷积层，其中，所述多个残差密集块之间为级联连接，所述残差密集块包括卷积层、非线性映射层和串联层。
[0025]进一步，所述将高网格密度物理场数据集作为训练指标，基于低网格密度物理场数据集对所述超分辨率拟合物理场映射神经网络模型进行训练，得到训练后的超分辨率拟合物理场映射神经网络模型这一步骤，其具体包括：
[0026]将低网格密度物理场数据集输入至所述超分辨率拟合物理场映射神经网络模型进行训练，得到训练结果；
[0027]将高网格密度物理场数据集作为训练指标，引入平均绝对误差函数作为损失函数，通过MRSE指标比对训练结果与训练指标的差异值；
[0028]根据差异值自动调整所述超分辨率拟合物理场映射神经网络模型的参数并反向
传播不断迭代更新网络模型的权重参数，直至所述差异值小于预设阈值，输出训练后的超分辨率拟合物理场映射神经网络模型。
[0029]进一步，所述将低网格密度物理场数据集输入至所述超分辨率拟合物理场映射神经网络模型进行训练，得到训练结果这一步骤，其具体包括：
[0030]将低网格密度物理场数据集输入至所述超分辨率拟合物理场映射神经网络模型；
[0031]基于第一卷积层、全局残差结构中的旁路结构和第二卷积层对输入的低网格密度物理场数据集进行特征提取处理，得到低网格密度物理场的浅层特征；
[0032]基于多个残差密集块对输入的低网格密度物理场数据集进行特征提取处理，得到低网格密度物理场的深层特征；
[0033]将多个残差密集块输出的低网格密度物理场的深层特征进行拼接处理，得到拼接后的低网格密度物理场的深层特征；
[0034]基于第三卷积层对拼接后的低网格密度物理场的深层特征进行降低维度，得到降低维度后的低网格密度物理场的深层特征；
[0035]将低网格密度物理场的浅层特征与降低维度后的低网格密度物理场的深层特征进行融合处理，得到低网格密度物理场的融合特征；
[0036]基于子像素卷积层和第四卷积层对低网格密度物理场的融合特征进行上采样处理，将低网格密度物理场的融合特征进行重新排列，输出训练结果。
[0037]进一步，所述基于多个残差密集块对输入的低网格密度物理场数据集进行特征提取处理，得到低网格密度物理场的深层特征这一步骤，其具体包括：
[0038]基于残差密集块的卷积层，用于提取深层特征；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于残差密集网络的多物理场仿真方法，其特征在于，包括以下步骤：获取低网格密度物理场数据集与高网格密度物理场数据集，所述低网格密度物理场数据集为低网格密度物理场图像，所述高网格密度物理场数据集为高网格密度物理场图像；引入全局残差结构与级联式残差密集块结构，构建基于超分辨率拟合物理场映射神经网络模型；将高网格密度物理场数据集作为训练指标，基于低网格密度物理场数据集对所述超分辨率拟合物理场映射神经网络模型进行训练，得到训练后的超分辨率拟合物理场映射神经网络模型；基于所述训练后的超分辨率拟合物理场映射神经网络模型进行多物理场仿真实验。2.根据权利要求1所述一种基于残差密集网络的多物理场仿真方法，其特征在于，所述获取低网格密度物理场数据集与高网格密度物理场数据集这一步骤，其具体包括：获取各项同性线性弹性材料；对各项同性线性弹性材料左边界进行施加规定约束处理后再进行加热处理，构造热力场和应力场的多场耦合的同性线性弹性材料物理场；结合平面应变问题的本构方程，通过有限元分析软件对同性线性弹性材料物理场进行仿真计算，得到低网格密度物理场数据集与高网格密度物理场数据集。3.根据权利要求2所述一种基于残差密集网络的多物理场仿真方法，其特征在于，所述平面应变问题的本构方程包括几何方程、平衡方程、广义胡克定律方程和热应变方程，其中：所述几何方程的表达式为：所述平衡方程的表达式为：α
ij,j
+g
i
＝0所述广义胡克定律方程的表达式为：所述热应变方程的表达式为：ε
th
＝γ(T)(T
‑
T0)上式中，δ
i
表示x
i
轴上的位移，α
ij
和ε
ij
分别表示x
i
表面上x
j
方向的应力和应变，g
i
表示x
i
方向的体积力分量，E表示杨氏模量，δ表示泊松比，γ表示材料的热膨胀系数，T表示材料当前温度，T0表示环境温度。4.根据权利要求3所述一种基于残差密集网络的多物理场仿真方法，其特征在于，所述构建的基于超分辨率拟合物理场映射神经网络模型的结构包括第一卷积层、全局残差结构、第二卷积层、多个残差密集块、第三卷积层、子像素卷积层和第四卷积层，其中，所述多个残差密集块之间为级联连接，所述残差密集块包括卷积层、非线性映射层和串联层。5.根据权利要求4所述一种基于残差密集网络的多物理场仿真方法，其特征在于，所述
将高网格密度物理场数据集作为训练指标，基于低网格密度物理场数据集对所述超分辨率拟合物理场映射神经网络模型进行训练，得到训练后的超分辨率拟合物理场映射神经网络模型这一步骤，其具体包括：将...

【专利技术属性】
技术研发人员：阳爱民，梁昊宇，方佳俊，侯利恒，白期风，何俊亨，
申请(专利权)人：广船国际有限公司，
类型：发明
国别省市：