【技术实现步骤摘要】
本专利技术涉及实验流体力学。尤其涉及一种运动边界压力场重构方法、系统、设备及介质。
技术介绍
1、流场压力是流体动力学的基本物理量，直接影响飞机、舰船等航行器的升阻力。同时，流场压力与流动结构相互作用，也是导致流动噪声和结构振动的重要因素。流场内部瞬时压力分布的测量一直是实验流体力学的难点，目前主要方法是通过粒子图像测速(particle image velocimetry，piv)技术得到速度场后结合物理方程反推压力场。然而，对于鱼类游动、心室舒张收缩、气泡变形这类曲面动边界问题，传统压力重构方法难以准确计算这类曲面动边界的压力场。其原因在于实验测量存在较大的误差，主要体现在：第一，实验测量无法得到准确的边界形状和速度，也就无法得到准确的边界条件；第二，受空间分辨率的限制，piv无法准确解析壁面附近的流动；第三，传统的压力重构方法在运动边界处需要引入复杂的边界处理技术。如何得到准确的边界条件，减少运动边界下流场的压力重构误差，是亟需解决的问题。
技术实现思路
1、本专利技术提供一种运动边界压力场重构方法、系统、设备及介质。以解决传统压力重构方法难以准确计算曲面动边界的压力场的问题。
2、为实现上述目的，第一方面，本专利技术提供一种运动边界压力场重构方法，包括：获取运动边界流场数据，所述运动边界流场数据包括速度场和运动边界；
3、生成训练数据，所述训练数据包括速度监督数据、边界监督数据以及流动参数，其中，所述流动参数至少包括雷诺数、特征长度和特征速度；>
4、根据预设参数构建双神经网络模型，所述双神经网络模型包括边界网络和流场网络；
5、通过所述训练数据训练所述双神经网络；
6、输入待预测点的空间坐标，训练后的所述双神经网络对应输出该点的压力值以预测运动边界条件下的压力场和边界。
7、优选的，所述通过所述训练数据训练所述双神经网络，包括：
8、根据输入数据标签和批处理大小生成相应的批处理数据，所述批处理数据包括流场监督数据、边界监督数据、方程残差点、运动边界残差点以及固定边界条件；
9、计算动态权重系数α、β和γ；
10、计算各项损失函数和总损失函数，根据自动微分计算总损失函数关于待训练参数的梯度，其中所述流场网络的总损失函数由四项构成：
11、ltotal＝leqns+αlb.c.+βlfdat+γlbdat.
12、其中leqns表示navier-stokes方程的残差；lb.c.表示边界条件的损失；lfdat表示流场数据的损失；lbdat表示边界数据的损失；
13、采用深度学习优化算法更新待训练参数，所述优化算法包括但不限于adam算法以及随机梯度下降法；
14、重复上述训练过程，重新生成所述批处理数据并进行迭代训练，直到满足预设的训练次数或者相邻两次迭代的总损失函数之差小于10-6，则保存训练后的所述双神经网络。
15、优选的，所述计算动态权重系数α、β和γ，具体包括：设置动态权重系数α、β和γ去平衡各项的收敛速度，使得各项按相近的速率收敛，当第一次迭代时epoch＝0，权重系数设置为默认值1；其余迭代，动态权重系数按以下公式更新：
16、其中表示损失函数关于神经网络参数的梯度，通过自动微分计算得到；表示对绝对值取平均。
17、优选的，所述根据预设参数构建双神经网络模型，具体包括：
18、所述边界网络的输入为时间t和边界初始位置输出当为前时刻的边界其中，θb.c.代表边界网络的待训练参数，通过自动微分技术获得边界速度以得到完整的边界条件
19、所述流场网络采用物理神经网络，负责对流场的近似求解，(u,p)＝fflow(t,x；θflow).的输入为时间t和空间坐标x，输出是速度场u和压力场p，其中，θflow表示流场网络的待训练参数。
20、优选的，所述计算各项损失函数和总损失函数，包括：
21、通过自动微分技术计算出不可压navier-stokes方程的残差，边界网络fb.c.和流场网络lb.c.fflow在运动边界上的速度相等，则最小化边界条件的损失函数lb.c.：
22、其中nb.c.表示边界点的数量，‖·‖2表示二范数；
23、最小化总损失函数ltotal得到最优的网络参数。
24、为实现上述目的，第二方面，用于三维流场的重构，包括：包括：
25、数据获取模块，用于获取运动边界流场数据，所述运动边界流场数据包括速度场和运动边界；
26、训练数据生成模块，用于生成训练数据，所述训练数据包括速度监督数据、边界监督数据以及流动参数，其中，所述流动参数至少包括雷诺数、特征长度和特征速度；
27、模型构建模块，用于根据预设参数构建双神经网络模型，所述双神经网络模型包括边界网络和流场网络；
28、数据训练模块，用于通过所述训练数据训练所述双神经网络；
29、预测模块，用于输入待预测点的空间坐标，训练后的所述双神经网络对应输出该点的压力值以预测运动边界条件下的压力场和边界。
30、优选的，所述模型构建模块，具体用于：
31、根据输入数据标签和批处理大小生成相应的批处理数据，所述批处理数据包括流场监督数据、边界监督数据、方程残差点、运动边界残差点以及固定边界条件；
32、计算动态权重系数α、β和γ；
33、计算各项损失函数和总损失函数，根据自动微分计算总损失函数关于待训练参数的梯度，其中所述流场网络的总损失函数由四项构成：
34、ltotal＝leqns+αlb.c.+βlfdat+γlbdat.
35、其中leqns表示navier-stokes方程的残差；lb.c.表示边界条件的损失；lfdat表示流场数据的损失；lbdat表示边界数据的损失；
36、采用深度学习优化算法更新待训练参数，所述优化算法包括但不限于adam算法以及随机梯度下降法；
37、重复上述训练过程，重新生成所述批处理数据并进行迭代训练，直到满足预设的训练次数或者相邻两次迭代的总损失函数之差小于10-6，则保存训练后的所述双神经网络。
38、优选的，所述计算动态权重系数α、β和γ，具体包括：设置动态权重系数α、β和γ去平衡各项的收敛速度，使得各项按相近的速率收敛，当第一次迭代时epoch＝0，权重系数设置为默认值1；其余迭代，动态权重系数按以下公式更新：
39、其中表示损失函数关于神经网络参数的梯度，通过自动微分计算得到；表示对绝对值取平均。
40、优选的，所述模型构建模块，具体用于：
41、所述边界网络的输入为时间t和边界初始位置输出当为前时刻的边界其中，θb.c.代表边界网络的待训练参数，通过自动微分技术获得边界速度以得到完整的边界条件
42、所述流场网络采用物理神本文档来自技高网...
【技术保护点】
1.一种运动边界压力场重构方法，其特征在于，包括：
2.根据权利要求1所述的一种运动边界压力场重构方法，其特征在于，所述通过所述训练数据训练所述双神经网络，包括：
3.根据权利要求2所述的一种运动边界压力场重构方法，其特征在于，所述计算动态权重系数α、β和γ，具体包括：设置动态权重系数α、β和γ去平衡各项的收敛速度，使得各项按相近的速率收敛，当第一次迭代时epoch＝0，权重系数设置为默认值1；其余迭代，动态权重系数按以下公式更新：
4.根据权利要求2所述的一种运动边界压力场重构方法，其特征在于，所述根据预设参数构建双神经网络模型，具体包括：
5.根据权利要求1所述的一种运动边界压力场重构方法，其特征在于，
6.一种运动边界压力场重构系统，其特征在于，包括：
7.根据权利要求6所述的一种运动边界压力场重构系统，其特征在于，所述模型构建模块，具体用于：
8.根据权利要求6所述的一种运动边界压力场重构系统，其特征在于：所述计算动态权重系数α、β和γ，具体包括：设置动态权重系数α、β和γ去平衡各项的收敛
9.根据权利要求6所述的一种运动边界压力场重构系统，其特征在于，所述模型构建模块，具体用于：
10.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的一种运动边界压力场重构方法。
11.一种计算机可读存储介质，其特征在于：存储介质中存储有指令，所述指令运行时执行如权利要求1-5中任一项所述的一种运动边界压力场重构方法。
...【技术特征摘要】
1.一种运动边界压力场重构方法，其特征在于，包括：
2.根据权利要求1所述的一种运动边界压力场重构方法，其特征在于，所述通过所述训练数据训练所述双神经网络，包括：
3.根据权利要求2所述的一种运动边界压力场重构方法，其特征在于，所述计算动态权重系数α、β和γ，具体包括：设置动态权重系数α、β和γ去平衡各项的收敛速度，使得各项按相近的速率收敛，当第一次迭代时epoch＝0，权重系数设置为默认值1；其余迭代，动态权重系数按以下公式更新：
4.根据权利要求2所述的一种运动边界压力场重构方法，其特征在于，所述根据预设参数构建双神经网络模型，具体包括：
5.根据权利要求1所述的一种运动边界压力场重构方法，其特征在于，
6.一种运动边界压力场重构系统，其特征在于，包括：
7.根据权利要求6所述的一种运动边界压力场重构系统，...
【专利技术属性】
技术研发人员：何心怡，王洪平，王士召，
申请(专利权)人：中国科学院力学研究所，
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。