嵌入物理约束的3D CNN在流场预测中的应用

摘要

近年来,随着机器学习技术的蓬勃发展,结合神经网络方法对流动进行建模为计算流体力学的发展提供了新的思路。但现有的神经网络建模仍具有一定的不足,基于多层感知机的神经网络计算效率较低,基于普通二维卷积神经网路较难获取时序相关的信息。于是提出了嵌入物理约束的三维卷积神经网络模型对此进行改善。研究所嵌入的物理约束包括传质方程、连续性方程和纳维-斯托克斯(Navier Stokes)方程组。模型以DNS浓度场数据作为输入,使用嵌入物理约束的损失函数对网络进行训练优化,输出速度场和压力场的预测数据。经过模型评估和结果对比,所提出的最优化模型在二维圆柱绕流算例数据上的性能良好。在U场,V场,P场的预测结果与模拟结果的MSE分别为0.005,0.009,0.006。SSIM分别为0.977,0.813,0.692。PSNR分别为71.7dB,68.7dB,70.7dB。对比MLP模型时间效率上提升了40%。