一种流体力学的运动参数预测方法、装置及存储介质

摘要

本申请提供了一种流体力学的运动参数预测方法、装置及存储介质，其中，该方法包括：获取目标移动对象在运动过程中的每个检测点的运动时间，以及与运动时间相对应的每个检测点的位置坐标；将获取到的每个检测点的运动时间以及与运动时间相对应的位置坐标输入至预先训练好的运动参数预测模型中，得到目标移动对象在运动过程中的运动参数预测值；其中，运动参数预测模型为融合先验信息的神经网络模型，先验信息用于描述所述目标移动对象在运动过程中的参数变化规则。这样，将先验信息耦合在神经网络模型中，通过少量样本即可完成对神经网络模型的训练，不仅可以有效提高模型的鲁棒性和泛化能力，还可以得到较高精度的计算结果。

说明书

技术领域

本申请涉及流体力学技术领域，具体而言，涉及一种流体力学的运动参数预测方法、装置及存储介质。

背景技术

计算流体力学是一门典型的交叉学科，它利用数值方法，并借助计算机模拟，来解决现实中的物理、生物以及化学问题。如通过计算机翼表面的压力确定机翼结构材料的强度。

现有技术中采用如下方式计算流体力学中的参数：对问题中连续的计算域进行建模，并使用网格线将计算域划分为有限个离散网格节点，选择合适的路径将微分方程及其定解条件转为网格节点上相应的代数方程组，使用计算机对离散的方程组进行求解，得到网格节点上流体速度以及压力等参数的近似解。但是计算域网格稀疏会导致计算结果精度差，网格过于稠密又会带来计算效率低的问题；由于网格的存在，数值方法只能得到网格节点处的速度和压力等参数的预测值，对于网格节点之间的位置只能通过其他方法获取，如插值，这可能会对计算结果的精度产生不利影响。

发明内容

有鉴于此，本申请的目的在于提供一种流体力学的运动参数预测方法、装置及存储介质，将先验信息耦合在神经网络模型中，通过少量样本即可完成对神经网络模型的训练，不仅可以有效提高模型的鲁棒性和泛化能力，还可以得到较高精度的计算结果。

第一方面，本申请提供了一种流体力学的运动参数预测方法，所述运动参数预测方法包括：

获取目标移动对象在运动过程中的每个检测点的运动时间，以及与所述运动时间相对应的每个检测点的位置坐标；

将获取到的每个检测点的运动时间以及与运动时间相对应的位置坐标输入至预先训练好的运动参数预测模型中，得到所述目标移动对象在运动过程中的运动参数预测值；其中，所述运动参数预测模型为融合先验信息的神经网络模型，所述先验信息用于描述所述目标移动对象在运动过程中的参数变化规则。

优选地，通过以下步骤训练所述运动参数预测模型：

获取移动对象样本在运动过程中的每个检测样本点的运动时间，以及与所述运动时间相对应的每个检测样本点的位置坐标，移动对象样本在先验信息方程中的运动参数先验值，以及移动对象样本在运动过程中的运动参数实际值；

基于误差反向传播算法，通过所述移动对象样本的每个检测样本点的运动时间以及与运动时间相对应的位置坐标，所述移动对象样本的运动参数先验值，以及所述移动对象样本的运动参数实际值对构建好的神经网络模型进行训练，以得到训练好的运动参数预测模型。

优选地，通过以下步骤训练所述神经网络模型：

将移动对象样本的每个检测样本点的运动时间，以及与所述运动时间相对应的每个检测样本点的位置坐标输入至所述神经网络模型中，得到移动对象样本在运动过程中的初始运动参数预测值；

基于移动对象样本的初始运动参数预测值和移动对象样本的运动参数实际值，确定均方差损失函数；

将移动对象样本的运动参数先验值替换为所述初始运动参数预测值，确定先验损失函数；

基于所述均方差损失函数和所述先验损失函数，确定所述运动参数预测模型的模型损失函数；

基于所述模型损失函数，对所述神经网络模型的参数进行更新，得到训练好的神经网络模型。

优选地，通过以下公式计算所述均方差损失函数：

其中，loss1表示所述均方差损失函数，N表示样本数量，y

优选地，所述将移动对象样本的运动参数先验值替换为所述初始运动参数预测值，确定先验损失函数，包括：

根据移动对象样本在运动过程中的参数变化规则，构建先验信息方程，其中，所述先验信息方程以移动对象样本的每个检测样本点的运动时间，以及与所述运动时间相对应的每个检测样本点的位置坐标为自变量，以移动对象样本的运动参数先验值为因变量；

将所述先验信息方程中的因变量替换成所述初始运动参数预测值，得到辅助函数；

通过所述辅助函数确定先验损失函数。

优选地，通过以下公式计算先验损失函数：

其中，loss2表示所述先验损失函数，N表示样本数量，h

优选地，所述先验信息方程为纳维-斯托克斯方程。

第二方面，本申请还提供了一种流体力学的运动参数预测装置，所述运动参数预测装置包括：

参数获取模块，用于获取目标移动对象在运动过程中的每个检测点的运动时间，以及与所述运动时间相对应的每个检测点的位置坐标；

模型应用模块，用于将获取到的每个检测点的运动时间以及与运动时间相对应的位置坐标输入至预先训练好的运动参数预测模型中，得到所述目标移动对象在运动过程中的运动参数预测值；其中，所述运动参数预测模型为融合先验信息的神经网络模型，所述先验信息用于描述所述目标移动对象在运动过程中的参数变化规则。

第三方面，本申请还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的流体力学的运动参数预测方法的步骤。

第四方面，本申请还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的流体力学的运动参数预测方法的步骤。

本申请提供了一种流体力学的运动参数预测方法、装置及存储介质，其中，所述运动参数预测方法包括：获取目标移动对象在运动过程中的每个检测点的运动时间，以及与所述运动时间相对应的每个检测点的位置坐标；将获取到的每个检测点的运动时间以及与运动时间相对应的位置坐标输入至预先训练好的运动参数预测模型中，得到所述目标移动对象在运动过程中的运动参数预测值；其中，所述运动参数预测模型为融合先验信息的神经网络模型，所述先验信息用于描述所述目标移动对象在运动过程中的参数变化规则。

与现有技术中通过对计算域进行网格划分，对方程进行离散化处理来预测流体力学的运动参数的方法相比，本申请将先验信息耦合在神经网络模型中，通过少量样本即可完成对神经网络模型的训练，不仅可以有效提高模型的鲁棒性和泛化能力，还可以得到较高精度的计算结果。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例所提供的一种流体力学的运动参数预测方法的流程图；

图2为本申请实施例所提供的一种训练神经网络模型的方法流程图；

图3为本申请实施例所提供的一种训练神经网络模型的流程架构图；

图4为本申请实施例所提供的一种构建辅助函数的流程示意图；

图5为本申请实施例所提供的一种流体力学的运动参数预测装置的结构示意图；

图6为本申请实施例所提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。

首先，对本申请可适用的应用场景进行介绍。本申请可应用于流体力学，主要研究流体本身的静止状态和运动状态以及流体和固体界壁间有相对运动时的相互作用和流动规律。其中，描述流体运动的纳维-斯托克斯方程(Navier-Stokes equations，N-S)就是一类经典的非线性偏微分方程。即在生产生活以及工业领域中，许多问题都可以归结为一个非线性系统过程，而问题的求解实质就是对系统的非线性控制方程进行求解，非线性控制方程是用于描述自变量与因变量之间的非线性映射关系的方程，在多数系统中，控制方程以非线性偏微分方程的形式存在。该方程在气象科学，流体机械，空气动力学等方面都有着十分广泛的应用，它刻画了时间空间内，流体的速度和压力等状态量的变化规则。因此开展对N-S方程求解的研究，可以帮助我们理解流体运动的原理和规律，并在一定条件下对流体的速度和压力进行有效预测。比如通过计算机翼表面力的大小来确定机翼的材料强度等。

现有技术中，由于实际问题的N-S方程十分复杂，其解析解至今无法获得，在计算流体力学领域(Computational Fluid Dynamics，CFD)多使用数值方法对该方程进行近似求解，进而对流体力学问题进行分析模拟。数值方法主要利用了离散化的思想，离散化主要包括计算域的离散化以及方程的离散化，根据方程离散方式的不同可以分为有限差分法和有限体积法等。

计算域的离散化是指对问题中连续的计算域进行建模，并使用网格线将计算域划分为有限的离散网格节点，方程的离散化是指选择合适的路径将微分方程及其定解条件转为网格节点上相应的代数方程组。离散化完成后，就可以使用计算机对离散的方程组进行求解，得到网格节点上流体速度压力等状态量的近似解。

但是，目前CFD中使用的数值方法存在以下缺点：

对于具有复杂几何外形的流体流动问题，需要耗费大量时间对几何体进行建模，增加了人工成本；计算域网格的划分对计算的效率和结果的精度具有较大的影响，网格稀疏的情况下会导致结果的精度差，网格过于稠密又会带来计算效率低的问题；由于网格的存在，数值方法只能得到网格节点处的速度和压力等状态量的预测值，对于网格节点之间的位置只能通过其他方法获取，如插值法，这可能会对计算结果的精度带来不利影响；不同的方程离散化方法只对不同的问题有效，在实际问题中，算法的适用性较差。

基于此，本申请实施例提供了一种流体力学的运动参数预测方法、装置及存储介质，利用深度学习强大的非线性建模能力，解决了在不需要离散化思想的条件下，即不需要对计算域进行网格划分，不需要对方程进行离散化处理，实现对N-S方程的近似求解的问题，进而能够直接计算整个计算域内所有位置的速度压力等状态量的预测值。由于深度学习技术属于黑箱模型，而且需要依赖标注数据，会存在数据依赖以及物理可解释性问题，针对深度学习本身的问题，该方法同时构建了一种在深度学习模型中的耦合先验信息的通用方法，使得模型可以在少量训练数据的条件下，实现对方程的近似求解，有效减轻数据依赖问题和物理可解释性的问题。

请参阅图1，图1为本申请实施例所提供的一种流体力学的运动参数预测方法的流程图。如图1中所示，本申请实施例提供的运动参数预测方法，包括：

S110，获取目标移动对象在运动过程中的每个检测点的运动时间，以及与所述运动时间相对应的每个检测点的位置坐标。

这里，目标移动对象可以为用在航空、航天、流体机械等许多领域的结构，如飞机、汽车、导弹等。可以将目标移动对象分割成许多个检测点，进而，在目标移动对象运动过程中，针对每个检测点，在预先建立好的坐标系中求出与运动时间相对应的检测点的位置坐标。其中，目标移动对象在不断运动，在运动过程中，目标移动对象的每个检测点的位置坐标都会发生变化，所以需要根据运动时间确定检测点在坐标系中的坐标。

S120，将获取到的每个检测点的运动时间以及与运动时间相对应的位置坐标输入至预先训练好的运动参数预测模型中，得到所述目标移动对象在运动过程中的运动参数预测值；其中，所述运动参数预测模型为融合先验信息的神经网络模型，所述先验信息用于描述所述目标移动对象在运动过程中的参数变化规则。

这里，将每个检测点的运动时间以及与运动时间相对应的位置坐标作为运动参数预测模型的输入，通过运动参数预测模型的预测，可以得到目标移动对象在运动过程中的运动参数预测值。

其中，运动参数预测值可以为速度和压力等状态量的预测值，也可以为介质物性参数的预测值。

具体地，运动参数预测模型为融合先验信息的神经网络模型，先验信息用于描述目标移动对象在运动过程中的参数变化规则，即为获得样本的试验之前，获得的经验和历史资料。将先验信息与神经网络模型结合起来，然后通过少量的训练样本数据对神经网络模型进行训练，并利用训练好的模型得到计算域内其他数据的速度和压力等状态量或物性参数的预测值。

具体实施时，本申请实施例通过深度学习模型(神经网络模型)的输入和输出，对非线性偏微分方程进行重构，将非线性偏微分方程中的先验信息转换为辅助函数，并利用辅助函数对模型损失函数进行修改，实现方程与深度学习模型相结合，进而对方程作近似求解。

本申请提供了一种流体力学的运动参数预测方法、装置及存储介质，其中，所述运动参数预测方法包括：获取目标移动对象在运动过程中的每个检测点的运动时间，以及与所述运动时间相对应的每个检测点的位置坐标；将获取到的每个检测点的运动时间以及与运动时间相对应的位置坐标输入至预先训练好的运动参数预测模型中，得到所述目标移动对象在运动过程中的运动参数预测值；其中，所述运动参数预测模型为融合先验信息的神经网络模型，所述先验信息用于描述所述目标移动对象在运动过程中的参数变化规则。与现有技术中通过对计算域进行网格划分，对方程进行离散化处理来预测流体力学的运动参数的方法相比，本申请将先验信息耦合在神经网络模型中，通过少量样本即可完成对神经网络模型的训练，不仅可以有效提高模型的鲁棒性和泛化能力，还可以得到较高精度的计算结果。

在本申请实施例中，作为一种优选的实施例，本申请实施例通过以下步骤训练所述运动参数预测模型：

获取移动对象样本在运动过程中的每个检测样本点的运动时间，以及与所述运动时间相对应的每个检测样本点的位置坐标，移动对象样本在先验信息方程中的运动参数先验值，以及移动对象样本在运动过程中的运动参数实际值。

这里，运动参数预测模型的输入为每个检测样本点的运动时间，以及与运动时间相对应的每个检测样本点的位置坐标，以及运动参数预测模型在训练过程中需要用到的运动参数先验值和运动参数实际值，通过这些参数值，即可完成对运动参数预测模型的训练。

基于误差反向传播算法，通过所述移动对象样本的每个检测样本点的运动时间以及与运动时间相对应的位置坐标，所述移动对象样本的运动参数先验值，以及所述移动对象样本的运动参数实际值对构建好的神经网络模型进行训练，以得到训练好的运动参数预测模型。

这里，误差反向传播算法(error BackPropagation，BP)的学习过程由信号的正向传播与误差反向传播两个过程组成。正向传播时，输入样本从输入层传入，经过各隐层逐层处理后，传向输出层，若输出层的实际输出与期望输出不符，则转入误差的反向传播阶段；误差反向传播是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层的误差信号，此误差信号即作为修正单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程周而复始的进行，权值不断调整的过程，也就是网络学习训练的过程，此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。

本申请通过BP算法即可得到训练好的运动参数预测模型。

优选地，请参阅图2，图2为本申请实施例所提供的一种训练神经网络模型的方法流程图，本申请实施例通过以下步骤训练所述神经网络模型：

S210，将移动对象样本的每个检测样本点的运动时间，以及与所述运动时间相对应的每个检测样本点的位置坐标输入至所述神经网络模型中，得到移动对象样本在运动过程中的初始运动参数预测值。

这里，神经网络模型可以为全连接神经网络模型，卷积神经网络模型、自编码神经网络模型等。对于模型的种类，不做具体限定。即使用任意种类的神经网络模型都可以实现参数预测。

在步骤S210中，先搭建神经网络模型，本申请实施例使用全连接神经网络模型作为训练模型。每个检测样本点的运动时间，以及与运动时间相对应的每个检测样本点的位置坐标作为神经网络模型的输入数据，移动对象样本在运动过程中的初始运动参数预测值作为神经网络模型的输出数据。输出数据是由输入数据经过神经网络模型中一系列非线性映射得到的。

S220，基于移动对象样本的初始运动参数预测值和移动对象样本的运动参数实际值，确定均方差损失函数。

这里，在确定神经网络模型的输出(初始运动参数预测值)后，就可以与神经网络模型的输出真实值(运动参数实际值)进行对比，计算均方差损失函数。

具体地，通过以下公式计算所述均方差损失函数：

其中，loss1表示所述均方差损失函数，N表示样本数量，y

S230，将移动对象样本的运动参数先验值替换为所述初始运动参数预测值，确定先验损失函数。

现有技术中直接使用均方差损失函数作为损失函数，并利用误差反向传播算法针对其作模型参数的更新，但是这样会使得问题的原始信息丢失，带来数据依赖和物理可解释性问题，所以本申请实施例在该处考虑将先验信息与神经网络模型进行耦合。

在具体实施时，根据移动对象样本在运动过程中的参数变化规则，构建先验信息方程，其中，所述先验信息方程以移动对象样本的每个检测样本点的运动时间，以及与所述运动时间相对应的每个检测样本点的位置坐标为自变量，以移动对象样本的运动参数先验值为因变量；将所述先验信息方程中的因变量替换成所述初始运动参数预测值，得到辅助函数；通过所述辅助函数确定先验损失函数。

这里，先验信息方程为纳维-斯托克斯方程(Navier-Stokes，N-S)。根据流体力学的参数实际情况，可以得到N-S方程在一维空间内的简化形式：伯格斯方程(Burgersequation)，即一维Burgers方程。

针对一维Burgers方程，自变量是移动对象样本的每个检测样本点的运动时间，以及与所述运动时间相对应的每个检测样本点的位置坐标，因变量是移动对象样本的运动参数先验值。

这样，只需要对辅助函数最小化，使其不断趋近于0，就可以通过辅助函数确定先验损失函数。

具体地，通过以下公式计算先验损失函数：

其中，loss2表示所述先验损失函数，N表示样本数量，h

S240，基于所述均方差损失函数和所述先验损失函数，确定所述运动参数预测模型的模型损失函数。

这里，将均方差损失函数和先验损失函数求和，即可得到运动参数预测模型的模型损失函数。

S250，基于所述模型损失函数，对所述神经网络模型的参数进行更新，得到训练好的神经网络模型。

这里，在确定了模型损失函数后，使用误差反向传播算法对模型的参数进行更新。其中，训练好的模型也可以用于其他自变量，也即计算域内其他位置在不同时刻速度的预测。

请参阅图3和图4，图3为本申请实施例所提供的一种训练神经网络模型的流程架构图，图4为本申请实施例所提供的一种构建辅助函数的流程示意图，下面以流体力学领域中的速度求解为例对本申请实施例提供的运动参数预测方法进行详细描述，具体地，采用一维Burgers方程描述本申请实施例中的速度参数预测方法：

(1)一维Burgers方程具有以下形式：

首先明确非线性偏微分方程的自变量和因变量，在Burgers方程中，自变量指位置坐标x和运动时间t，因变量指速度u。这里使用向量X表示自变量，向量Y表示因变量，并将Burgers方程简化为：Ω(X,Y)＝0。

(2)搭建神经网络模型，这里使用全连接神经网络作为训练模型，图3中，自变量X作为输入数据，因变量Y的预测值作为输出数据，输出数据是由输入数据经过神经网络模型中一系列非线性映射得到，假定模型进行的变换为函数f，则模型输出的因变量的预测值可以表示为f(X)。

(3)由于方程的近似求解问题属于回归问题，所以确定了神经网络模型的输出之后，就可以与因变量的真实值(运动参数实际值)作对比，构造多维数据的均方差损失函数：

(4)由于模型会输出因变量的预测值f(X)，所以可以使用f(X)代替方程Ω中的因变量Y，并建立辅助函数h＝Ω(X，f(X))，如图4所示，那么只需要对h最小化，使其不断趋近于0，就等价于对方程作近似求解。

(5)为了将先验信息耦合到模型中，辅助函数h需要满足待求解的方程，也即模型训练过程中h要不断趋近于0，所以可以通过h确定先验损失函数loss2：

并将其与均方差损失结合，共同作为模型损失函数loss：

loss＝loss1+loss2；

(6)确定了模型损失函数，使用误差反向传播算法对模型的参数进行更新，这样训练好的模型就可以预测目标移动对象的其他位置在不同时刻速度。

需要说明的是，由于流体力学中的控制方程大多以非线性偏微分方程的形式存在，故以流体力学中N-S方程的求解为例对方案作了详细介绍。可以明白的是，本申请实施例提供的方法同样适用于如金融学，电学，空气动力学等其他领域的非线性偏微分方程，而且不仅仅局限于非线性偏微分方程，对于非线性常微分方程、线性方程、方程组等，甚至是带有边界条件、初始条件的方程组，均可以使用该方法进行先验信息的耦合，以达到对方程近似求解的效果，在此不再一一赘述。

本申请实施例提供的流体力学的运动参数预测方法，认为先验信息等同于描述流体力学问题的控制方程本身，因此本申请实施例中融合先验信息的实质是，使用一种通用且规范的方式对N-S方程本身与深度学习模型进行深层次的耦合，以完成模型的构建过程。具体地，通过神经网络模型的输入和输出，对非线性偏微分方程进行重构，引入辅助函数，将方程的求解问题转为辅助函数的最小化问题，并与深度学习最小化损失函数的思想相结合，成功将方程中的先验信息耦合到了深度学习模型中，然后通过少量的训练数据对深度学习模型进行训练，并利用训练好的模型获取计算域内其他数据的速度和压力等状态量或物性参数的预测值，达到对N-S方程近似求解的目的。

这样一来，本申请实施例提供的流体力学的运动参数预测方法，具有以下优点：该方法不具有网格依赖性，不需要对计算域进行网格划分，不需要对方程进行离散化处理，只需要少量的训练数据，就可以实现对N-S方程的近似求解；该方法对深度学习模型没有限制，任何神经网络模型都可以通过该方法实现对N-S方程的近似求解；该方法的泛化能力强，求解准确度高，由于耦合了先验信息，而且第二项先验损失在统计学中等价于正则化项的作用，可以有效提高模型的鲁棒性和泛化能力；该方法对数据量的要求较低并且具有物理意义上的可解释性，在少样本的情况下，该方法依旧可以实现较高精度的方程求解，而且先验信息的存在使得模型具备一定的物理可解释性。

基于同一发明构思，本申请实施例中还提供了与流体力学的运动参数预测方法对应的流体力学的运动参数预测装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述流体力学的运动参数预测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。

请参阅图5，图5为本申请实施例所提供的一种流体力学的运动参数预测装置的结构示意图。如图5中所示，所述运动参数预测装置500包括：

参数获取模块510，用于获取目标移动对象在运动过程中的每个检测点的运动时间，以及与所述运动时间相对应的每个检测点的位置坐标；

模型应用模块520，用于将获取到的每个检测点的运动时间以及与运动时间相对应的位置坐标输入至预先训练好的运动参数预测模型中，得到所述目标移动对象在运动过程中的运动参数预测值；其中，所述运动参数预测模型为融合先验信息的神经网络模型，所述先验信息用于描述所述目标移动对象在运动过程中的参数变化规则。

在本申请实施例中，作为一种优选的实施例，所述运动参数预测装置500还包括模型训练模块530，模型训练模块530用于通过以下步骤训练所述运动参数预测模型：

获取移动对象样本在运动过程中的每个检测样本点的运动时间，以及与所述运动时间相对应的每个检测样本点的位置坐标，移动对象样本在先验信息方程中的运动参数先验值，以及移动对象样本在运动过程中的运动参数实际值；

基于误差反向传播算法，通过所述移动对象样本的每个检测样本点的运动时间以及与运动时间相对应的位置坐标，所述移动对象样本的运动参数先验值，以及所述移动对象样本的运动参数实际值对构建好的神经网络模型进行训练，以得到训练好的运动参数预测模型。

优选地，模型训练模块530用于通过以下步骤训练所述神经网络模型：

将移动对象样本的每个检测样本点的运动时间，以及与所述运动时间相对应的每个检测样本点的位置坐标输入至所述神经网络模型中，得到移动对象样本在运动过程中的初始运动参数预测值；

基于移动对象样本的初始运动参数预测值和移动对象样本的运动参数实际值，确定均方差损失函数；

将移动对象样本的运动参数先验值替换为所述初始运动参数预测值，确定先验损失函数；

基于所述均方差损失函数和所述先验损失函数，确定所述运动参数预测模型的模型损失函数；

基于所述模型损失函数，对所述神经网络模型的参数进行更新，得到训练好的神经网络模型。

优选地，模型训练模块530用于通过以下公式计算所述均方差损失函数：

其中，loss1表示所述均方差损失函数，N表示样本数量，y

优选地，模型训练模块530在用于将移动对象样本的运动参数先验值替换为所述初始运动参数预测值，确定先验损失函数时，模型训练模块530用于：

根据移动对象样本在运动过程中的参数变化规则，构建先验信息方程，其中，所述先验信息方程以移动对象样本的每个检测样本点的运动时间，以及与所述运动时间相对应的每个检测样本点的位置坐标为自变量，以移动对象样本的运动参数先验值为因变量；

将所述先验信息方程中的因变量替换成所述初始运动参数预测值，得到辅助函数；

通过所述辅助函数确定先验损失函数。

优选地，模型训练模块530用于通过以下公式计算先验损失函数：

其中，loss2表示所述先验损失函数，N表示样本数量，h

优选地，所述先验信息方程为纳维-斯托克斯方程。

本申请实施例提供的流体力学的运动参数预测装置，包括参数获取模块、模型训练模块和模型应用模块，具体地，参数获取模块获取目标移动对象在运动过程中的每个检测点的运动时间，以及与所述运动时间相对应的每个检测点的位置坐标；模型训练模块通过以下步骤训练所述运动参数预测模型：模型应用模块将获取到的每个检测点的运动时间以及与运动时间相对应的位置坐标输入至预先训练好的运动参数预测模型中，得到目标移动对象在运动过程中的运动参数预测值；其中，运动参数预测模型为融合先验信息的神经网络模型，先验信息用于描述目标移动对象在运动过程中的参数变化规则。这样，本申请实施例将先验信息耦合在神经网络模型中，通过少量样本即可完成对神经网络模型的训练，不仅可以有效提高模型的鲁棒性和泛化能力，还可以得到较高精度的计算结果。

请参阅图6，图6为本申请实施例所提供的一种电子设备的结构示意图。如图6中所示，所述电子设备600包括处理器610、存储器620和总线630。

所述存储器620存储有所述处理器610可执行的机器可读指令，当电子设备600运行时，所述处理器610与所述存储器620之间通过总线630通信，所述机器可读指令被所述处理器610执行时，可以执行如上述图1所示方法实施例中的流体力学的运动参数预测方法的步骤以及图2所示方法实施例中的训练神经网络模型的步骤，具体实现方式可参见方法实施例，在此不再赘述。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的流体力学的运动参数预测方法的步骤以及图2所示方法实施例中的训练神经网络模型的步骤，具体实现方式可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。