【技术实现步骤摘要】
本专利技术涉及湍流流场超分辨率重建领域，特别涉及一种基于深度学习的湍流流场超分辨率重建方法及系统。
技术介绍
1、海洋湍流是由不同尺度、振幅和相干度构成的复杂多尺度系统。这种多尺度结构，尤其是高精度小尺度结构，对于探究湍流流场原理至关重要。现阶段，研究人员主要通过两种方式采集湍流场数据，一种是使用高性能计算机集群通过直接数值模拟(directnumerical simulation，dns)的方法获取仿真数据，另一种是通过粒子图像速度测量技术(particle image velocity measurement，piv)采集实际湍流数据。受限于设备精度以及成本等问题，这两种方法获取的湍流流场数据的空间分辨率受到极大的限制。因此，设计一种低成本的湍流流场的超分辨率重建方法，以提高湍流流场的空间分辨率，重建流场的精细结构，对于研究人员进一步探究湍流演化相关机制意义重大。
2、在早期，研究人员通常使用基于数学的插值算法对湍流流场进行重建。尽管这些插值算法处理速度快，适用范围广，但它们均忽略了湍流流场的边缘特征，难以重建湍流的高频细节。
3、近年来，深度学习技术的发展使得对湍流超分辨率重建方法的探索取得了积极的进展。一些研究者尝试使用基于卷积神经网络(convolutional neural networks，cnn)的深度学习技术对湍流流场进行超分辨率重建，并据此提出了scnn等框架。scnn框架由多个卷积层和一个上采样模块串联组成。其中，卷积层负责提取湍流流场中的特征信息，上采样模块负责利用提取的信息完成湍
4、同时，另一部分研究者们注意到transformer在单图像超分辨率领域中的应用，并尝试将其迁移到对湍流流场的超分辨率重建工作上来，并基于此，提出了基于ipt架构的srtt模型。srtt模型以ipt骨干网络作为主体结构，整体由特征提取块、编码器、解码器和上采样块四部分构成。低分辨率的湍流流场数据经过预处理后，依次经过四个模块的处理，最终重建出高分辨率湍流流场数据。相较于传统的基于卷积神经网络的框架，该模型能够有效的提取湍流流场中的长程相关性，提高模型的全局建模能力。但是，srtt模型的计算复杂度随着输入数据分辨率的增大而急速上升，这制约了模型对较大湍流流场的重建能力。尽管srtt选择将数据帧进行切分成多个子图分别进行计算，但这种切分会使得模型难以提取到子图边缘的有效信息，进而导致在子图边缘位置出现错误的重建结果，产生边界伪影。另外，srtt模型等基于传统transformer的深度学习湍流重建模型面临着模型收敛难度大，大数据依赖性高的问题。这是因为它们使用了多头全局自注意力机制和大量的编码器与解码器。此类设计导致它们的参数矩阵异常庞大，并且随着输入数据分辨率的增加而急速膨胀，进而提高了模型的训练难度和数据依赖性。
5、同时，无论是scnn代表的基于cnn的重建方案，还是srtt代表的传统transformer的重建方案，在它们运行时，随着模型深度的不断增加，大量有效特征被分散在不同的空间和通道中，如果不尽快提取这些特征，它们便会被忽略。因此，建立一种有效的机制，尽快将这些分散的特征进行提取非常重要。
技术实现思路
1、本专利技术的目的在于提出一种湍流流场超分辨率重建方法，该方法针对湍流的多尺度特性，融合cnn优秀的局部特征提取能力和transformer强大的全局建模能力，可以高效的、充分的提取湍流流场的非线性深层特征，有效的实现湍流流场超分辨率重建任务。
2、本专利技术所采用的技术解决方案是：
3、一种湍流流场超分辨率重建方法，包括以下步骤：
4、a、构建数据集；
5、获取需要进行超分辨率重建的湍流数据帧，并进行数据预处理，得到预处理后的数据切片；
6、b、构建重建模型，将预处理后的数据切片输入重建模型，得到重建后的数据切片；
7、重建模型包括浅层特征提取模块、深层特征提取模块和湍流高分辨率重建模块；浅层特征提取模块与深层特征提取模块连接，深层特征提取模块与湍流高分辨率重建模块连接，浅层特征提取模块还通过长跳连接与湍流高分辨率重建模块连接；
8、预处理后的数据切片在重建模型中的处理流程如下：
9、b1、预处理后的数据切片首先送入浅层特征提取模块中，经过浅层特征提取模块处理，初步提取湍流场的浅层特征，得到第一特征图；
10、b2、将第一特征图送入深层特征提取模块进行处理，提取湍流场中的各种潜在非线性深层特征，得到包含深层特征的第二特征图；
11、b3、将第一特征图和/或第二特征图输入到湍流高分辨率重建模块中，重建出符合湍流物理性质的高精度高分辨率湍流数据切片；
12、c、将重建后的数据切片进行融合，以获得完整的重建后的高分辨率数据帧。
13、本专利技术还提供一种用于实现如上所述的湍流流场超分辨率重建方法的湍流流场超分辨率重建系统，该系统包括：
14、数据获取与处理模块，用于获取需要进行超分辨率重建的湍流数据帧，并进行数据预处理，得到预处理后的数据切片；
15、重建模型，用于对预处理后的数据切片进行处理，得到重建后的数据切片；
16、以及数据融合模块，用于将重建后的数据切片进行融合，以获得完整的重建后的高分辨率数据帧；
17、所述重建模型包括浅层特征提取模块、深层特征提取模块和湍流高分辨率重建模块；浅层特征提取模块与深层特征提取模块连接，深层特征提取模块与湍流高分辨率重建模块连接，浅层特征提取模块还通过长跳连接与湍流高分辨率重建模块连接。
18、此外，在上述湍流流场超分辨率重建方法的基础上，本专利技术还提出了一种计算机设备，该计算机设备包括存储器和一个或多个处理器。
19、所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，用于实现上述湍流流场超分辨率重建方法的步骤。
20、此外，在上述湍流流场超分辨率重建方法的基础上，本专利技术还提出了一种计算机可读存储介质，其上存储有程序。
21、该程序被处理器执行时，用于实现上述湍流流场超分辨率重建方法的步骤。
22、本专利技术的有益技术效果如下：
23、(1)本专利技术提出了一种湍流流场超分辨率重建方法，该方法在超分辨率重建湍流物理特性方面效果更加优秀，即该方法能够更清晰、更准确的重建湍流小尺度结本文档来自技高网...
【技术保护点】
1.一种湍流流场超分辨率重建方法，其特征在于包括以下步骤：
2.根据权利要求1所述的一种湍流流场超分辨率重建方法，其特征在于，步骤a中：使用约翰霍普金斯大学开源湍流数据库作为数据源，从该数据库的各向同性湍流数据库和湍流管道流数据库中随机抽取数据帧以构建数据集；
3.根据权利要求1所述的一种湍流流场超分辨率重建方法，其特征在于，步骤b1中：浅层特征提取模块包括一个卷积核为3×3，步长为1的卷积层，浅层特征提取模块用于初步提取湍流场中的浅层特征，将湍流场从三维空间映射到更高维度的特征空间；
4.根据权利要求1所述的一种湍流流场超分辨率重建方法，其特征在于，步骤b2中：深层特征提取模块包括若干个多尺度MSTB块和一个卷积核为3×3，步长为1的卷积层；其中，MSTB块用于提取湍流流场中的各种非线性深层特征，卷积层用于对前面若干个MSTB块提取到的深层特征进行细化融合；
5.根据权利要求4所述的一种湍流流场超分辨率重建方法，其特征在于：每个MSTB块依次包括一个局部特征提取模块，若干个串行的混合注意力模块，一个卷积核为3×3、步长为1的第一卷
6.根据权利要求5所述的一种湍流流场超分辨率重建方法，其特征在于：输入MSTB块的特征图首先被送入局部特征提取模块中，局部特征提取模块包括卷积层、ReLU激活函数模块、挤压-激励模块；其中，卷积层用于充分提取湍流的局部空间特征，挤压-激励模块用于捕获通道特征；
7.根据权利要求1所述的一种湍流流场超分辨率重建方法，其特征在于，步骤b3中：
8.根据权利要求1所述的一种湍流流场超分辨率重建方法，其特征在于，步骤b中：还包括对重建模型进行训练的步骤；训练的过程中，使用均方误差作为损失函数，总损失的计算公式为：
9.根据权利要求1所述的一种湍流流场超分辨率重建方法，其特征在于，步骤c中：首先将所有同属于一张数据帧的数据切片按照其相对位置进行排列；对于不存在重叠区域的位置，数据切片的值即为该点的值；对于数据切片边缘的重叠位置，使用均值融合算法计算融合后对应点位的值；均值融合算法计算公式为：
10.一种用于实现如权利要求1-9任一项所述的湍流流场超分辨率重建方法的系统，其特征在于，该系统包括：
...【技术特征摘要】
1.一种湍流流场超分辨率重建方法，其特征在于包括以下步骤：
2.根据权利要求1所述的一种湍流流场超分辨率重建方法，其特征在于，步骤a中：使用约翰霍普金斯大学开源湍流数据库作为数据源，从该数据库的各向同性湍流数据库和湍流管道流数据库中随机抽取数据帧以构建数据集；
3.根据权利要求1所述的一种湍流流场超分辨率重建方法，其特征在于，步骤b1中：浅层特征提取模块包括一个卷积核为3×3，步长为1的卷积层，浅层特征提取模块用于初步提取湍流场中的浅层特征，将湍流场从三维空间映射到更高维度的特征空间；
4.根据权利要求1所述的一种湍流流场超分辨率重建方法，其特征在于，步骤b2中：深层特征提取模块包括若干个多尺度mstb块和一个卷积核为3×3，步长为1的卷积层；其中，mstb块用于提取湍流流场中的各种非线性深层特征，卷积层用于对前面若干个mstb块提取到的深层特征进行细化融合；
5.根据权利要求4所述的一种湍流流场超分辨率重建方法，其特征在于：每个mstb块依次包括一个局部特征提取模块，若干个串行的混合注意力模块，一个卷积核为3×3、步长为1的第一卷积层，一个relu激活函数模块，...
【专利技术属性】
技术研发人员：张玉飞，刘秀燕，周炜，亓琦，邓兆鹏，
申请(专利权)人：青岛理工大学，
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。