【技术实现步骤摘要】
本专利技术涉及计算机机器学习领域，具体地，涉及一种面向流体模拟的视觉半仿真系统。
技术介绍
1、随着计算机图形学、数值计算和机器学习等领域的不断发展，流体仿真作为一种重要的计算机模拟技术，广泛应用于各个领域，如游戏开发、工程设计和科学研究等。流体仿真的目标是模拟真实世界中的流体行为，例如液体和气体的运动、相互作用和形态变化。
2、目前，现有的流体仿真方法主要基于基本的物理原理和数学方程，如navier-stokes方程，通过数值方法求解来模拟流体的行为。虽然这些方法在某些情况下能够提供高度真实的结果，但其存在以下缺陷：
3、计算复杂度高：物理原理的流体仿真方法通常涉及求解复杂的偏微分方程，如navier-stokes方程。这些方程在实际计算中可能需要大量的计算资源和时间，尤其在需要高分辨率或大规模仿真时，计算复杂度会急剧增加。由于计算复杂度高，基于物理原理的流体仿真方法往往难以实现实时性要求。在需要快速响应的应用领域，如游戏或虚拟现实，这种方法可能无法满足实时性的要求。
4、边界条件和数值稳定性：物理原理的流体仿真方法在设置边界条件和保持数值稳定性方面可能面临挑战。不正确的边界条件或数值不稳定性可能导致仿真结果的不准确性或不稳定性。
5、难以优化：由于物理原理的方程通常具有非线性和耦合性质，优化算法和技术在这些方法中的应用可能相对困难，导致优化过程复杂且耗时。
6、现有的流体仿真方法还提出了一种基于机器学习的确定性流体仿真模型，其存在以下缺陷：
7、数据需求
8、误差累积：机器学习模型在预测过程中可能会累积误差，导致长时间仿真下结果的偏离现实。
9、泛化能力有限：确定性的模型比较依赖准确的物理属性作为模型的输入，难以适应复杂多变的场景，也难以模拟复杂流体行为或多相流等情况，在这种情况下往往近似效果不佳。同时这些实现基本是基于计算机仿真生成的数据，缺少现实场景中的实验，有一定的局限性。
技术实现思路
1、针对现有技术中的缺陷，本专利技术的目的是提供一种面向流体模拟的视觉半仿真系统。
2、根据本专利技术的一个方面，提供一种面向流体模拟的视觉半仿真系统，包括流体动态推理模块和数据处理模块；
3、其中，所述流体动态推理模块利用机器学习模型，通过学习和分析流体粒子在不同条件下的运动和相互作用，构建出流体粒子概率式模型预测流体粒子的位置，进行流体仿真；
4、其中，所述数据处理模块处理和管理流体仿真相关的数据，支持所述流体动态推理模块的正常运行。
5、优选地，所述流体动态推理模块，包括：
6、流体粒子概率式模型预训练子模块，基于流体粒子数据集训练流体粒子概率式模型，该模型能够推理并输出未来一个时间步的隐变量，并输出下一时间步的流体粒子分布；
7、神经渲染子模块，基于流体粒子数据集训练神经渲染器，该神经渲染器输入为所述流体粒子概率式模型预训练子模块输出的流体粒子分布，输出该流体粒子分布对应的渲染图像；
8、视觉图像后验子模块，视觉图像后验子模块，将所述流体粒子概率式模型预训练子模块和所述神经渲染子模块结合，基于视觉图像的监督，优化所述隐变量分布，使流体粒子概率式模型的输出准确适应到场景中。
9、优选地，所述流体粒子概率式模型预训练子模块中，
10、使用连续卷积对流体粒子数据集提取特征；
11、对提取的特征，使用相邻特征的加权聚合以平滑且连续的方式预测粒子特征；
12、使用两个独立的门控循环单元，总结所有特征并推断潜在特征的分布，其公式为：
13、先验：
14、后验：zt～gruξ(cconv(zt-1,xt))
15、其中，先验和后验隐变量和zt来自不同的高斯分布，均初始化为0，xt-1为t时刻前的状态，xt为t时刻当前状态，zt-1为t时刻前隐变量，为预测隐变量，ψ为物理先验学习网络，ξ为未来的粒子状态后验估计网络；
16、该子模块下的粒子转移子单元tθ采用连续卷积，从推断出的隐变量分布中采样隐变量zt作为输入，将t时刻前的状态xt-1和未来的相应隐变量zt进行预测，得到下一时间步的粒子位置其公式为：
17、
18、优选地，所述神经渲染子模块训练一个mlp网络，记为将组合输入(ex,ed)和x映射到体积密度σ和颜色c；
19、其渲染机制公式表示为：
20、ex和ed分别表示视角独立编码和视角相关编码，x与神经辐射场中的定义相同，表示采样点。
21、优选地，最终的渲染结果在神经辐射场中用c(r)表示，表示像素颜色，最终渲染器模块训练时优化的损失函数表示为：
22、
23、其中，r(p)是从相机位置p采用的光线的集合，表示渲染像素的颜色。
24、优选地，在所述视觉图像后验子模块中，隐变量被定义为高斯分布用于稳定训练，即将具有可训练参数的高斯分布n附加到每个粒子i，在每个时间步，对粒子的高斯分布进行采样，得到基于视觉场景的后验高斯分布并随着时间的推移重复此过程。
25、优选地，所述流体粒子概率式模型的训练过程，包括：
26、固定粒子转移子单元tθ以及神经渲染器的参数；
27、通过缩小神经渲染器采样的高斯分布与生成的高斯分布的距离来对当前视觉场景进行粒子属性拟合，采用粒子转移子单元tθ进行流体粒子动态的推理；
28、设计训练的损失函数为：
29、
30、其中，r(p)是从相机位置p采用的光线的集合，表示渲染器输出的像素颜色，具体实现中为rgb三通道，c(r,t)表示视觉后验即真实图片的像素颜色，β为超参数，表示经过视觉后验训练的粒子模型推理得到的粒子分布，表示预训练的概率粒子模型输出的粒子分布，表示计算两个分布的kl散度；
31、通过所述损失函数微调物理先验学习网络ψ，将其嵌入到流体粒子概率式模型中，直接用于推理具有相同流体属性但不同初始状态的新动态场景。
32、优选地，仿真数据生成子模块，该模块生成流体粒子数据集，提供给流体动态推理模块，作为流体粒子概率式模型预训练子模块的输入；
33、真实流体数据采集子模块，该模块采集流体的真实动态和静态图像数据，提供给增强流体动态推理模块，用于提高机器学习模型的适应性；
34、数据可视化子模块，该模块基于真实流体数据采集子模块采集数据，验证流体动态推理模块的流体粒子概率式模型流体仿真结果的准确性和可靠性。
35、优选地，所述仿真数据生成子模块，基于流体动力学的基本控制方程，模拟流体中粒子的运动和相互作用，通过在不同场景中运行模拟，生成包含流体粒子运动信息的仿真数据；
36、在粒子运动数据生成后，将这些本文档来自技高网...
【技术保护点】
1.一种面向流体模拟的视觉半仿真系统，其特征在于，包括流体动态推理模块和数据处理模块；
2.根据权利要求1所述的一种面向流体模拟的视觉半仿真系统，其特征在于，所述流体动态推理模块，包括：
3.根据权利要求2所述的一种面向流体模拟的视觉半仿真系统，其特征在于，所述流体粒子概率式模型预训练子模块中，
4.根据权利要求2所述的一种面向流体模拟的视觉半仿真系统，其特征在于，
5.根据权利要求4所述的一种面向流体模拟的视觉半仿真系统，其特征在于，最终的渲染结果在神经辐射场中用C(r)表示，表示像素颜色，最终渲染器模块训练时优化的损失函数表示为：
6.根据权利要求4所述的一种面向流体模拟的视觉半仿真系统，其特征在于，在所述视觉图像后验子模块中，隐变量被定义为高斯分布用于稳定训练，即将具有可训练参数的高斯分布N附加到每个粒子i，在每个时间步，对粒子的高斯分布进行采样，得到基于视觉场景的后验高斯分布并随着时间的推移重复此过程。
7.根据权利要求6所述的一种面向流体模拟的视觉半仿真系统，其特征在于，所述流体粒子概率式模型的训练
8.根据权利要求1所述的一种面向流体模拟的视觉半仿真系统，其特征在于，所述数据处理模块，包括：
9.根据权利要求8所述的一种面向流体模拟的视觉半仿真系统，其特征在于，所述仿真数据生成子模块，基于流体动力学的基本控制方程，模拟流体中粒子的运动和相互作用，通过在不同场景中运行模拟，生成包含流体粒子运动信息的仿真数据；
10.根据权利要求8所述的一种面向流体模拟的视觉半仿真系统，其特征在于，所述数据可视化子模块，将流体粒子概率式模型的输出数据和真实流体数据采集子模块采集的实验数据进行对比，保留流体粒子各个时刻的位置、速度信息，并将其转换为符合可视化要求的数据存储格式，在可视化界面中演示粒子动态。
...【技术特征摘要】
1.一种面向流体模拟的视觉半仿真系统，其特征在于，包括流体动态推理模块和数据处理模块；
2.根据权利要求1所述的一种面向流体模拟的视觉半仿真系统，其特征在于，所述流体动态推理模块，包括：
3.根据权利要求2所述的一种面向流体模拟的视觉半仿真系统，其特征在于，所述流体粒子概率式模型预训练子模块中，
4.根据权利要求2所述的一种面向流体模拟的视觉半仿真系统，其特征在于，
5.根据权利要求4所述的一种面向流体模拟的视觉半仿真系统，其特征在于，最终的渲染结果在神经辐射场中用c(r)表示，表示像素颜色，最终渲染器模块训练时优化的损失函数表示为：
6.根据权利要求4所述的一种面向流体模拟的视觉半仿真系统，其特征在于，在所述视觉图像后验子模块中，隐变量被定义为高斯分布用于稳定训练，即将具有可训练参数的高斯分布n附加到每个粒子i，在每个时间步，对粒子的高斯分布进行采...
【专利技术属性】
技术研发人员：袁浩宸，杨小康，王韫博，邓画予，朱祥明，官善琰，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。