【技术实现步骤摘要】
本专利技术属于深度学习和物理方程求解的交叉领域，尤其涉及一种基于物理场残差学习的流场仿真方法、系统、介质及设备。
技术介绍
1、流场数值仿真在各种工程任务中有广泛的应用。例如，在航空航天工业中被用于研究和优化飞机、火箭等气动设计，以提高飞行效率和安全性。在汽车工业中，可以用于研究和优化车辆的气动性能，提高燃油效率和驾驶稳定性。尽管流场系统可以通过一些偏微分方程如纳维-斯托克斯方程（navier-stokes equation）精确描述，但偏微分方程的求解却面临着众多挑战，这限制了许多工程应用的进一步发展。对于纳维-斯托克斯方程，我们很难得到一个简单的解析解，因此必须依赖复杂的数值模拟进行求解，例如有限元、有限差分等方法。由于这些方法依赖超细粒度的时空网格划分，通常需要消耗大量的计算资源，因此无法应用于对实时性要求较高的系统。近年来，受到深度学习方法的影响，出现了一系列基于深度学习的流场仿真方法。相比传统方法，这些基于深度学习的方法有很多优点，例如不依赖细粒度的网格划分，推理速度快。这使得它们可以在一些对计算速度需求较高的任务中发挥重要作用。
2、在基于深度学习的流场仿真方法中，一类重要的方法是数据驱动的流场仿真方法。这类方法的特点是不依赖于精准的物理规律，而仅仅需要一部分目标系统的演化数据。这些演化数据可以来自于基于物理规律的仿真，也可以来自于在真实场景中的采集，因此这类系统具有更好的灵活性和适应性，并可以自动修正真实场景和理论方程之间的系统误差。这类方法的一个重要的代表工作是傅里叶算子神经网络（fno），其通过快速
3、此后一系列工作针对不同问题设计了更先进的算子神经网络。其中，ffno在傅里叶算子神经网络（fno）的基础上，将原本的多个维度耦合的傅里叶变换转化为了各维度分解的傅里叶变换，然后融合不同维度的频域特征得到完整的频域特征。通过频域特征建模的按维度分解，显著减少了傅里叶算子神经网络的参数量，从而大大降低了傅里叶算子神经网络的优化难度，使更深层的神经网络更容易被训练，最终极大地提升了傅里叶神经算子的预测精度。另一些重要的工作如gnot使用线性注意力机制构建偏微分方程的代理模型，并通过交叉注意力机制将不同的输入函数（如区域形状、边界条件）等信息输入网络，从而实现多种边界条件和区域形状的有效泛化。此外，magnet通过隐神经网络表示（implicitneural representation）建模显式的物理场，并在隐空间学习物理场的演化过程，其隐空间表示仅依赖若干离散的采样点，因此可以便于建模不规则区域形状的物理场演化流场轨迹。
4、尽管现有的算子神经网络已经具备了基于少量数据快速建模物理规律的能力，其泛化能力却依然十分有限，在数据量极少和数据偏差严重的情况下，现有的算子神经网络容易受到训练数据分布偏见的影响，无法建模正确的物理演化机理，难以泛化到一些与训练数据分布存在偏差的物理流场轨迹。
技术实现思路
1、本专利技术的目的在于解决现有技术中存在的问题，并提供一种基于物理场残差学习的流场仿真方法、系统、介质及设备。
2、为了实现上述专利技术目的，本专利技术具体采用如下技术方案：
3、第一方面，本专利技术提供了一种基于物理场残差学习的流场仿真方法，包括以下步骤：
4、s1、针对待求解的偏微分方程，获取输入函数以及对输入函数求解后得到的输出函数真值，并根据输入函数以及输出函数真值构建训练数据集；
5、s2、获取物理流场轨迹检索数据库，通过计算相似度的方式为训练数据集中的每条输入函数从物理流场轨迹检索数据库中匹配预设数量的相似流场轨迹，从所有相似流场轨迹中随机选择一个作为与每条输入函数对应的辅助流场轨迹，其中，每条相似流场轨迹对应一个相似度得分，每条辅助流场轨迹均由辅助输入函数和辅助输出函数真值组成；
6、s3、将训练数据集中的每条输入函数和与每条输入函数对应的辅助流场轨迹、以及与每条辅助流场轨迹对应的相似度得分作为一组残差训练数据对并构建残差训练数据集；将残差算子神经网络模型在残差训练数据集上进行训练，并将输出函数真值作为标签，在训练过程的每个迭代轮次中，用于训练的每个输入函数都需要重新获取对应的辅助流场轨迹，形成新的残差训练数据对，用于残差算子神经网络模型下个迭代轮次的训练；
7、s4、通过计算相似度的方式为待求解的输入函数从物理流场轨迹检索数据库中匹配唯一一个相似度得分最高的相似流场轨迹作为推理辅助流场轨迹，将待求解的输入函数、推理辅助流场轨迹以及与推理辅助流场轨迹对应的相似度得分一起输入到经过训练的残差算子神经网络模型中，得到预测的物理流场轨迹残差，将预测的物理流场轨迹残差与推理辅助流场轨迹的输出函数真值相加，得到待求解输入函数的数值解并作为流场仿真结果。
8、在上述方案基础上，各步骤可以采用如下优选的具体方式实现。
9、作为优选，步骤s1中，构建训练数据集的具体过程如下：
10、s11、从服从高斯分布的物理场中随机采样预设数量的输入函数；
11、s12、使用数值仿真方法求解每条输入函数，每条输入函数对应得到一个输出函数真值，将输入函数和对应的输出函数真值作为一组训练数据对并构建训练数据集。
12、作为优选，步骤s2中，将所述训练数据集作为物理流场轨迹检索数据库，其中，物理流场轨迹检索数据库中的每条流场轨迹对应一组训练数据对。
13、作为优选，步骤s2中，获取相似流场轨迹的具体过程如下：计算训练数据集中每条输入函数与物理流场轨迹检索数据库中每条流场轨迹之间的相似度得分，并对相似度得分进行排序，选出排序后相似度得分最高的k条流场轨迹作为相似流场轨迹。
14、作为优选，通过余弦相似度评估训练数据集中每条输入函数与物理流场轨迹检索数据库中每条流场轨迹之间的相似度，得到相似度得分。
15、作为优选，步骤s4中，所述残差算子神经网络模型在训练时，将残差训练数据集中的每条输入函数和与每条输入函数对应的辅助流场轨迹、以及与每条辅助流场轨迹对应的相似度得分作为残差算子神经网络模型的输入，由残差算子神经网络模型输出物理流场轨迹残差的预测结果，将物理流场轨迹残差的预测结果与辅助输出函数真值相加，得到输出函数的预测结果，将输出函数的预测结果和输出函数真值之间的l2距离作为残差损失，基于最小化残差损失优化残差算子神经网络模型参数。
16、作为优选，步骤s4中，所述残差算子神经网络模型的结构与算子神经网络模型neural operator的结构相同。
17、第二方面，本专利技术提供了一种基于物理场残差学习的流场仿真系统，包括：...
【技术保护点】
1.一种基于物理场残差学习的流场仿真方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于物理场残差学习的流场仿真方法，其特征在于，步骤S1中，构建训练数据集的具体过程如下：
3.如权利要求1所述的基于物理场残差学习的流场仿真方法，其特征在于，步骤S2中，将所述训练数据集作为物理流场轨迹检索数据库，其中，物理流场轨迹检索数据库中的每条流场轨迹对应一组训练数据对。
4.如权利要求1所述的基于物理场残差学习的流场仿真方法，其特征在于，步骤S2中，获取相似流场轨迹的具体过程如下：计算训练数据集中每条输入函数与物理流场轨迹检索数据库中每条流场轨迹之间的相似度得分，并对相似度得分进行排序，选出排序后相似度得分最高的K条流场轨迹作为相似流场轨迹。
5.如权利要求4所述的基于物理场残差学习的流场仿真方法，其特征在于，通过余弦相似度评估训练数据集中每条输入函数与物理流场轨迹检索数据库中每条流场轨迹之间的相似度，得到相似度得分。
6.如权利要求1所述的基于物理场残差学习的流场仿真方法，其特征在于，步骤S4中，所述残差算子神经网络模型
7.如权利要求1所述的基于物理场残差学习的流场仿真方法，其特征在于，步骤S4中，所述残差算子神经网络模型的结构与算子神经网络模型Neural Operator的结构相同。
8.一种基于物理场残差学习的流场仿真系统，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1~7任一所述的基于物理场残差学习的流场仿真方法。
10.一种计算机电子设备，其特征在于，包括存储器和处理器；
...【技术特征摘要】
1.一种基于物理场残差学习的流场仿真方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于物理场残差学习的流场仿真方法，其特征在于，步骤s1中，构建训练数据集的具体过程如下：
3.如权利要求1所述的基于物理场残差学习的流场仿真方法，其特征在于，步骤s2中，将所述训练数据集作为物理流场轨迹检索数据库，其中，物理流场轨迹检索数据库中的每条流场轨迹对应一组训练数据对。
4.如权利要求1所述的基于物理场残差学习的流场仿真方法，其特征在于，步骤s2中，获取相似流场轨迹的具体过程如下：计算训练数据集中每条输入函数与物理流场轨迹检索数据库中每条流场轨迹之间的相似度得分，并对相似度得分进行排序，选出排序后相似度得分最高的k条流场轨迹作为相似流场轨迹。
5.如权利要求4所述的基于物理场残差学习的流场仿真方法，其特征在于，通过余弦相似度评估训练数据集中每条输入函数与物理流场轨迹检索数据库中每条流场轨迹之间的相似度，得到相似度得分。
6.如权利要求1所述的基于物理场残差学习的流场仿真方法，其...
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。