一种基于机器学习的非定常流场网格自适应分析方法

摘要

本发明实施例公开了一种基于机器学习的非定常流场网格自适应分析方法，涉及流场分析技术领域，能够高效准确地分析非定常流场，节约设备资源的占用量、降低计算成本。本发明包括：使用DG方法在初始流场求解方程，统计得到网格间断量；构造Binary分类器对网格数据进行分类，并根据初始网格信息和间断量训练BP神经网络回归模型预测任意节点间断量；基于MMPDE的变分法移动网格节点使其符合统计意义上的间断量分布情况；使用Laplacian光滑法进行网格质量优化；最终得到的网格信息返回CFD计算客户端。

说明书

技术领域

本发明涉及流体力学中的流场分析技术领域，尤其涉及一种基于机器学习的非定常流场网格自适应分析方法。

背景技术

CFD(Computational Fluid Dynamics,计算流体力学)是一门深入到各个行业技术领域与流动相关的模拟仿真学科，随着计算机技术的发展，基于CFD的建模和运算方法得到了广泛的应用。

在实际应用中，对于简单流场，传统的处理手段已经可以做到精确的计算与分析。然而，一旦流场的分析场景复杂起来，比如存在激波、湍流等复杂的非定常流场，这类流程具有多尺度结构的特点，传统的处理手段无法给出合适的网格，仅凭人工经验调整网格准确度低且占用计算资源大，无法做到稳定且精确的计算与分析，因此需要研究网格自适应划分技术以提高求解精度，从而减少计算时间，并节约运行内存。

现有非定常流场网格自适应方法大多使用局部加密法，是根据某些误差指标局部细化网格，通常需要大量增加网格节点且改变网格拓扑结构，占用大量计算资源。此外，大部分自适应方法每隔一段时间步进行一次网格调整，且每次调整通过多次插值减小时间差，其数值插值传递的误差增大。这些因素导致计算成本增大，且计算效率下降。

总的来说，目前的处理手段应用在实际的科研和生产中，无法高效准确地分析非定常流场，存在设备资源占用量大、计算成本高的问题。

发明内容

本发明的实施例提供一种基于机器学习的非定常流场网格自适应分析方法，能够高效准确地分析非定常流场，节约设备资源的占用量、降低计算成本。

为达到上述目的，本发明的实施例采用如下技术方案：

S1、接收客户端发送的流场的初始信息，其中，所述初始信息包括初始网格参数、物面几何信息和初始流场条件；

S2、对所述初始信息进行初始化处理，初始化处理后得到的数据包括初始网格信息和初始网格间断量；

S3、利用所述初始化处理后的数据进行网格自适应处理；

S4、对经过网格自适应处理后的网格进行CFD计算，并将计算结果返回给所述客户端。

本发明实施例提供的基于机器学习的非定常流场网格自适应分析方法，通过使用DG(Discontinuous Galerki，间断伽辽金)方法在初始流场求解方程，统计得到网格间断量，构造Binary分类器对网格数据进行分类，并根据初始网格信息和间断量训练BP神经网络回归模型预测任意节点间断量，基于MMPDE(Moving mesh partial differentialequations，移动网格偏微分方程)的变分法移动网格节点使其符合统计意义上的间断量分布情况，使用Laplacian光滑法进行网格质量优化，最终得到的网格信息返回CFD(Computational Fluid Dynamics，计算流体动力学)计算客户端。本发明减少了传统网格自适应的计算量，不改变网格的拓扑结构且无需多次更新网格计算流场解，在保证计算精度的同时不会影响算法的复杂度。从而解决了无法高效准确地分析非定常流场，存在设备资源占用量大、计算成本高的问题。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。

图1为本发明实施例提供的基于机器学习的非定常流场网格自适应方法总体流程图；

图2为本发明实施例提供的具体实例中，神经网络模型的神经元示意图；

图3为本发明实施例提供的交互方式的示意图；

图4为本发明实施例提供的方法流程示意图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本实施例可以实现在如图1所示的交互场景中，具体可以实现为一种服务器与客户端之间进行交互的系统。例如：科研人员的计算机上运行的客户端与服务器设备之间的交互环境。其中，客户端中提供初始网格参数、物面几何参数和初始流场条件，服务器根据上述信息完成初始网格生成，初始CFD计算操作，并根据结果实施本发明的网格自适应方法，最终将达到精度要求的流场数值计算结果返回到客户端。

本发明实施例提供一种基于机器学习的非定常流场网格自适应分析方法，如图4所示，包括：

S1、服务器接收客户端发送的流场的初始信息。

其中，所述初始信息包括初始网格参数、物面几何信息和初始流场条件。

S2、对所述初始信息进行初始化处理，初始化处理后得到的数据包括初始网格信息和初始网格间断量。

其中，所述初始化处理包括：利用所述初始信息生成初始网格和统计间断量。

S3、利用所述初始化处理后的数据进行网格自适应处理。

S4、对经过网格自适应处理后的网格进行CFD计算，并将计算结果返回给所述客户端。

具体的，在S2中，包括：

S21、根据所述初始信息，生成初始网格。

S22、利用DG有限元方法离散流场方程，在所述初始网格上获取指定时间内的间断量。

其中，通过BR2格式中的局部提升算子和总体提升因子量化每个单元的边界间断量，边界间断量作为量化网格疏密的好坏情况的指标。具体的，使用BR2格式中的局部提升算子

S23、根据所述初始网格的流场解统计所述初始网格中的间断量，直至出现周期性的非定常效应。

本实施例中，所述初始网格为物理域Ω的网格T

其中通过总体提升因子来表征单元的间断量，

例如图1所示的，输入流场的初始信息包括初始网格参数、物面几何信息和初始流场条件。所述初始化处理包括生成初始网格和统计间断量，初始化处理后的数据包括初始网格信息和初始网格间断量。具体的，生成的初始网格为物理域Ω的网格T

采用Bassi和Rebay提出的BR2格式，引入辅助变量

引入无粘数值通量和粘性数值通量，

采用总体提升因子表征单元的间断量，由于总体提升因子R

本实施例中，在S3中包括：

S31、对所述初始化处理后的数据中的初始网格间断量进行预处理，得到预处理后的间断量。其中，预处理初始网格间断量是为了使间断量大小分布更符合实际流场变化情况。可以根据实际流场数据变化剧烈位置，处理所述初始化处理后的数据中的初始网格间断量，其中，减小远场初始间断量，并对间断量进行平滑处理，从而减小初始人工设置条件和计算误差的影响。

S32、将所述预处理后的间断量和初始网格信息输入Binary分类器，之后所述Binary分类器输出网格节点的分类结果。

S33、获取所述初始网格的所有网格节点的度量张量，并根据所述Binary分类器输出的分类结果进行放缩。

S34、在每次迭代中，更新网格节点的间断量和度量张量，之后根据所述初始网格信息和网格节点的度量张量，更新网格节点坐标，直至得到自适应后网格节点的坐标信息。其中，根据所述初始网格信息和网格节点的度量张量，更新网格节点坐标，进行多次迭代，每次迭代时更新当前网格节点的间断量和度量张量，对最终调整的网格进行质量优化，得到自适应后网格节点的坐标信息。

进一步的，在S32之前，还包括：

将所述初始网格的节点坐标和所述预处理后的间断量作为训练数据，其中，在训练数据中，所述初始网格的节点坐标作为训练输入，所述预处理后的间断量作为训练数据的标签。利用所述训练数据训练BP神经网络回归模型，并将训练完成的所述BP神经网络回归模型保存至服务器中，其中，用于监督训练的损失函数为

本实施例中，将所述初始网格信息和所述预处理后的间断量，分别作为训练数据的输入和标签，来训练所述BP神经网络回归模型，将训练完成的所述BP神经网络回归模型保存至所述服务器中。具体的，为了保证神经网络完成非线性拟合，每个神经元需选用一个非线性函数作为激活函数，如图2所示的神经元示意图，输入为x

其中，利用所述预处理后的网格间断量和设置的高间断量阈值构造训练数据，Binary分类器用于判断节点是否是高间断量节点，将训练完成的所述Binary分类器保存至所述服务器中。所述Binary分类器的目标为对所有网格节点进行分类，所述Binary分类器利用所述预处理后的网格间断量和设置的高间断量阈值构造训练数据。所述Binary分类器用于判断节点是否是高间断量节点，符合高间断量的节点满足：DG

在S33中，所获取的所述初始网格的所有网格节点的度量张量为

而在S34的每次迭代中，包括：

S341、通过MMPDE变分法更新网格节点坐标，在每次迭代使用所述BP神经网络回归模型预测当前网格节点的间断量并重新计算度量张量。其中，建立带有度量张量的网格泛函I[ξ]＝∫G(J，det(J)，M，x)dx其中，

S342、通过Laplacian光滑法对移动后的网格进行质量优化。其中包括：通过Laplacian光滑法处理对移动后的网格，其中，每次处理后得到更新后的节点为

现有非定常流场网格自适应方法大多使用局部加密法，是根据某些误差指标局部细化网格，通常需要大量增加网格节点且改变网格拓扑结构，占用大量计算资源。此外，大部分自适应方法每隔一段时间步进行一次网格调整，且每次调整通过多次插值减小时间差，其数值插值传递的误差增大。这些因素导致计算成本增大，且计算效率下降。总的来说，目前的处理手段应用在实际的科研和生产中，无法高效准确地分析非定常流场，存在设备资源占用量大、计算成本高的问题。在计算资源紧张，需要排队使用服务器设备进行多个实验时，造成很大不便。

本实施例提供的方案，适用于非定常流场分析，在不改变网格的拓扑结构且无需多次更新网格计算流场解的前提下，能够提高非定常流场分析的计算精度。具体使用DG方法在初始流场求解方程，统计得到网格间断量；构造Binary分类器对网格数据进行分类，并根据初始网格信息和间断量训练BP神经网络回归模型预测任意节点间断量；基于MMPDE的变分法移动网格节点使其符合统计意义上的间断量分布情况；使用Laplacian光滑法进行网格质量优化；最终得到的网格信息返回CFD计算客户端。本发明减少了传统网格自适应的计算量，在保证计算精度的同时不会影响算法的复杂度。本实施例中，如图1所示，初始化处理中，在初始网格上离散NS方程统计得到的间断量输入到基于机器学习的网格自适应模块中；自适应过程中首先对初始间断量进行预处理，且每次移动后更新的网格节点对应的间断量无需CFD计算，而是使用所述的保存在服务器的训练好的神经网络回归模型进行预测；多次迭代后，达到精度要求则对最终网格进行质量优化；最后进行CFD求解，计算结果返回客户端。本发明完成对非定常流场的网格自适应调整，提高计算精度，比较传统的网格自适应方法，本发明中网格自适应模块独立于CFD计算模块，不影响计算复杂度。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。