System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 基于机器学习的几何模型网格划分方法、装置、介质及设备制造方法及图纸_技高网

基于机器学习的几何模型网格划分方法、装置、介质及设备制造方法及图纸

技术编号:44547368 阅读:3 留言:0更新日期:2025-03-11 14:12
本发明专利技术公开了一种基于机器学习的几何模型网格划分方法、装置、介质及设备,属于计算机程序人工智能技术领域。该方法包括:获取待划分网格的几何模型;进行预处理,得到经过预处理的待划分网格的几何模型;输入至经过机器学习所得的网格划分预测模型,经过机器学习的网格划分预测模型对待划分网格的几何模型进行网格划分,得到几何模型的网格划分结果。该装置、介质及设备能够用于实现该方法。其提高了划分效率,减少了人工成本;自动调整网格划分策略,生成高质量网格;确保网格划分结果与实际模型的高度一致,避免了传统方法可能出现的误差和失真,为后续的有限元分析或其他数值计算提供了可靠的基础,提高了仿真结果的准确性和可信度。

【技术实现步骤摘要】

本专利技术涉及基于机器学习的几何模型网格划分方法、装置、介质及设备,属于计算机程序人工智能。


技术介绍

1、在网格划分领域,已有多种技术被提出和应用。这些技术涵盖了以下几个方面:(1)基于规则的网格划分技术:主要依赖于预设的规则和算法,通过数学计算来划分网格。它适用于简单模型的网格划分,但在处理复杂多变的求解域时,效率和准确性受限。(2)参数化网格划分技术:通过调整参数来控制网格的划分,需要专业人员对参数进行繁琐的调整,且对不同形状和尺寸的求解域,可能需要不同的参数设置。(3)自适应网格划分技术:尝试探索自适应划分网格,但缺乏足够的智能型和灵活性,难以应对各种复杂情况,且网格质量控制方面仍存在挑战。综上所述,现有技术虽然在一定程度上能够解决一些问题,但在处理复杂模型、提高划分效率和增强自适应能力等方面仍存在明显的局限性。


技术实现思路

1、有鉴于此,本专利技术提供了一种基于机器学习的几何模型网格划分方法、装置、介质及设备,提高了划分效率,减少了人工成本;自动调整网格划分策略,生成高质量网格;确保网格划分结果与实际模型的高度一致,避免了传统方法可能出现的误差和失真,为后续的有限元分析或其他数值计算提供了可靠的基础,提高了仿真结果的准确性和可信度,从而更加适于实用。

2、为了达到上述第一个目的,本专利技术提供的基于机器学习的几何模型网格划分方法的技术方案如下:

3、本专利技术提供的基于机器学习的几何模型网格划分方法包括以下步骤:

4、获取待划分网格的几何模型;

5、针对所述待划分网格的几何模型进行预处理,得到经过预处理的待划分网格的几何模型;

6、将所述预处理的待划分网格的几何模型输入至经过机器学习所得的网格划分预测模型,所述经过机器学习的网格划分预测模型对所述待划分网格的几何模型进行网格划分,得到所述几何模型的网格划分结果。

7、本专利技术提供的基于机器学习的几何模型网格划分方法还可采用以下技术措施进一步实现。

8、作为优选,将所述预处理的待划分网格的几何模型输入至经过机器学习所得的网格划分预测模型,所述经过机器学习的网格划分预测模型对所述待划分网格的几何模型进行网格划分,得到所述几何模型的网格划分结果的步骤之后,还包括以下步骤:

9、针对所述几何模型的网格划分结果,进行质量检查和/或仿真计算验证,得到所述几何模型的网格划分结果的质量检查和/或仿真计算验证结果;

10、根据所述几何模型的网格划分结果的质量检查和/或仿真计算验证结果,对所述几何模型的网格划分结果进行优化,得到优化后的所述几何模型的网格划分结果。

11、作为优选,所述经过机器学习所得的网格划分预测模型的构建方法包括以下步骤:

12、获取几何模型训练样本,其中,所述几何模型训练样本的网格划分结果已知;

13、将所述几何模型训练样本输入至设定的机器学习模型,使得所述设定的机器学习模型得到与所述几何模型训练样本一一对应的网格划分结果;

14、不断调整所述设定的机器学习模型的参数,使得所述几何模型经过所述设定的机器学习模型所得的网格划分结果均与所述几何模型训练样本一一对应,得到经过机器学习所得的网格划分预测模型。

15、作为优选,所述基于机器学习的几何模型网格划分方法还包括以下步骤:

16、每一个待划分网格的几何模型,以及,与所述待划分网格的几何模型相对应的网格划分结果均加入至所述训练样本。

17、作为优选,针对所述待划分网格的几何模型进行预处理,得到经过预处理的待划分网格的几何模型的步骤过程中,所述预处理包括特征提取、数据清洗与标准化化中的至少任一,其中,

18、所述特征提取过程提取的特征包括曲率、边界条件、应力集中区中的至少任一;

19、所述数据清洗与标准化处理包括对所述特征提取过程提取的特征的参数进行清洗与标准化处理,使得所述特征提取过程提取的特征的噪声和异常值被消除,确保数据的一致性和可比性。

20、作为优选,所述经过机器学习所得的网格划分预测模型的算法选自包括卷积神经网络算法、随机森林或支持向量机算法中的任一。

21、作为优选,根据所述几何模型的网格划分结果的质量检查和/或仿真计算验证结果,对所述几何模型的网格划分结果进行优化,得到优化后的所述几何模型的网格划分结果具体包括以下步骤:

22、预测最优网格划分策略,其中,网格均匀性指标可能定义为网格中所有单元大小的方差:

23、

24、其中,si是第i个网格单元的大小,ss是所有网格单元大小的平均值,n是网格单元的总数;

25、动态调整网格密度,其中,调整网格密度的调整算法为:

26、newdensity=olddensity×(1-α×gradientdensity)

27、其中,newdensity是调整后的网格密度,olddensity是当前的网格密度,α是学习率,gradientdensity是优化目标函数关于网格密度的梯度。

28、选择与所述待划分网格的几何模型相适应的网格类型。

29、为了达到上述第二个目的,本专利技术提供的基于机器学习的几何模型网格划分装置的技术方案如下:

30、本专利技术提供的基于机器学习的几何模型网格划分装置包括:

31、待划分的几何模型获取模块,用于获取待划分网格的几何模型;

32、数据预处理模块,用于针对所述待划分网格的几何模型进行预处理,得到经过预处理的待划分网格的几何模型;

33、经过机器学习所得的网格划分预测模型,用于将所述预处理的待划分网格的几何模型输入至其中,其对所述待划分网格的几何模型进行网格划分,得到所述几何模型的网格划分结果。

34、为了达到上述第三个目的,本专利技术提供的计算机可读存储介质的技术方案如下:

35、本专利技术提供的计算机可读存储介质上存储有基于机器学习的几何模型网格划分程序,所述基于机器学习的几何模型网格划分程序在被处理器执行时,实现本专利技术提供的基于机器学习的几何模型网格划分方法的步骤。

36、为了达到上述第四个目的,本专利技术提供的电子设备的技术方案如下:

37、本专利技术提供的电子设备包括存储器和处理器,所述存储器上存储有基于机器学习的几何模型网格划分程序,所述基于机器学习的几何模型网格划分程序在被所述处理器执行时,实现本专利技术提供的基于机器学习的几何模型网格划分方法的步骤。

38、本专利技术提供一种基于机器学习的几何模型网格划分方法、装置、介质及设备。首先,该方法具有卓越的高效性,传统的网格划分往往耗时费力,需要大量的人工干预,而机器学习的方法则能够自动地进行网格划分,大大提高了划分效率,减少了人工成本。其次,该方法具备出色的自适应性,它能够根据模型的几何形状和复杂度,自动调整网格划分策略,生成高质量网格。这种自适应性使得该方法能够应对各本文档来自技高网...

【技术保护点】

1.一种基于机器学习的几何模型网格划分方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的基于机器学习的几何模型网格划分方法,其特征在于,将所述预处理的待划分网格的几何模型输入至经过机器学习所得的网格划分预测模型,所述经过机器学习的网格划分预测模型对所述待划分网格的几何模型进行网格划分,得到所述几何模型的网格划分结果的步骤之后,还包括以下步骤:

3.根据权利要求1所述的基于机器学习的几何模型网格划分方法,其特征在于,所述经过机器学习所得的网格划分预测模型的构建方法包括以下步骤:

4.根据权利要求3所述的基于机器学习的几何模型网格划分方法,其特征在于,还包括以下步骤:

5.根据权利要求1所述的基于机器学习的几何模型网格划分方法,其特征在于,针对所述待划分网格的几何模型进行预处理,得到经过预处理的待划分网格的几何模型的步骤过程中,所述预处理包括特征提取、数据清洗与标准化化中的至少任一,其中,

6.根据权利要求1或3所述的基于机器学习的几何模型网格划分方法,其特征在于,所述经过机器学习所得的网格划分预测模型的算法选自包括卷积神经网络算法、随机森林或支持向量机算法中的任一。

7.根据权利要求2所述的基于机器学习的几何模型网格划分方法,其特征在于,根据所述几何模型的网格划分结果的质量检查和/或仿真计算验证结果,对所述几何模型的网格划分结果进行优化,得到优化后的所述几何模型的网格划分结果具体包括以下步骤:

8.一种基于机器学习的几何模型网格划分装置,其特征在于,包括:

9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于机器学习的几何模型网格划分程序,所述基于机器学习的几何模型网格划分程序在被处理器执行时,实现权利要求1-7中任一所述的基于机器学习的几何模型网格划分方法的步骤。

10.一种电子设备,其特征在于,包括存储器和处理器,所述存储器上存储有基于机器学习的几何模型网格划分程序,所述基于机器学习的几何模型网格划分程序在被所述处理器执行时,实现权利要求1-7中任一所述的基于机器学习的几何模型网格划分方法的步骤。

...

【技术特征摘要】

1.一种基于机器学习的几何模型网格划分方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的基于机器学习的几何模型网格划分方法,其特征在于,将所述预处理的待划分网格的几何模型输入至经过机器学习所得的网格划分预测模型,所述经过机器学习的网格划分预测模型对所述待划分网格的几何模型进行网格划分,得到所述几何模型的网格划分结果的步骤之后,还包括以下步骤:

3.根据权利要求1所述的基于机器学习的几何模型网格划分方法,其特征在于,所述经过机器学习所得的网格划分预测模型的构建方法包括以下步骤:

4.根据权利要求3所述的基于机器学习的几何模型网格划分方法,其特征在于,还包括以下步骤:

5.根据权利要求1所述的基于机器学习的几何模型网格划分方法,其特征在于,针对所述待划分网格的几何模型进行预处理,得到经过预处理的待划分网格的几何模型的步骤过程中,所述预处理包括特征提取、数据清洗与标准化化中的至少任一,其中,

6.根据权利要求1或3所述的基于机器学习的几何模型网格划分方法,其特...

【专利技术属性】
技术研发人员:汉京礼赵钦宋庆舟李金超姜品伊温小龙
申请(专利权)人:北京神舟航天软件技术股份有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1