[發明專利]基于深度學習和SPH框架的流體動畫生成方法及裝置

在審

• 申請號: 201810317702.0
• 申請日: 2018-04-10
• 公開（公告）號: CN108717722A
• 公開（公告）日: 2018-10-30
• 發明（設計）人: 應翔;仇強;于瑞國;喻梅;王建榮;于健
• 申請（專利權）人: 天津大學
• 主分類號: G06T13/20
• 分類號: G06T13/20;G06T17/20
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 李林娟

1.一種基于深度學習和SPH框架的流體動畫生成方法，其特征在于，所述方法包括以下步驟：

根據一次迭代過程中的壓力項的求解過程，獲取壓力項計算前和計算后的相關模擬數據；

構造深度學習模型，訓練流體模擬數據以生成基于神經網絡的數據驅動項；

根據數據集的特征，構造神經網絡模型，設定相關超參數，然后讀取數據集在訓練之前，對數據集進行預處理后進行網絡模型的訓練，訓練結束保存神經網絡模型；

將訓練完成的神經網絡模型導入到SPH流體模擬框架中，作為數據驅動項，替換流體模擬步驟中的壓力項；

將基于神經網絡的數據驅動項導入低精度流體場景數據后，進行SPH流體模擬計算；

采用Marching Cubes算法構造流體表面模型，提取流體表面網格并輸出，將每幀的流體網格存儲為數據文件，用于離線渲染。

2.根據權利要求1所述的一種基于深度學習和SPH框架的流體動畫生成方法，其特征在于，所述方法還包括：

創建流體模擬場景的數據文件，所有流體數據及場景數據均通過外部的數據文件進行定義；

將場景文件中定義的數據轉化為流場邊界數據和流體參數，通過邊界數據初始化流場邊界，通過流體參數初始化流體。

3.根據權利要求2所述的一種基于深度學習和SPH框架的流體動畫生成方法，其特征在于，所述定義的內容包括但不限于：流體參數、流體位置及規模、流體邊界條件、流場位置及規模。

4.根據權利要求2所述的一種基于深度學習和SPH框架的流體動畫生成方法，其特征在于，所述初始化流體的內容包括但不限于：流體參數初始化，對流體塊和流場邊界進行粒子采樣，構造流場哈希鄰居等。

5.根據權利要求1所述的一種基于深度學習和SPH框架的流體動畫生成方法，其特征在于，所述對數據集進行預處理具體為：

將數據集分為訓練集、驗證集和測試集，進行數據歸一化，數據處理完成后進行網絡模型的訓練。

6.一種基于深度學習和SPH框架的流體動畫生成裝置，其特征在于，所述生成裝置包括：

基于神經網絡框架的數據訓練單元，通過神經網絡模型，對流體模擬數據進行訓練，以生成用于替換傳統SPH框架壓力項計算的數據驅動模塊；

基于數據驅動的流體模擬單元，將訓練完成的數據驅動模塊導入SPH模擬框架，進行傳統SPH框架與神經網絡模型的結合，提高流體模擬的計算效率，生成高質量的流體動畫；

流體自由表面構建單元，用于構建流體的自由表面Mesh，并進行輸出。

7.根據權利要求6所述的一種基于深度學習和SPH框架的流體動畫生成裝置，其特征在于，

所述基于神經網絡框架的數據訓練單元根據數據集的特征，構造神經網絡模型，設定相關超參數，然后讀取由上一單元生成的數據集，在訓練之前，對數據集進行預處理，數據處理完成后進行網絡模型的訓練，訓練結束保存神經網絡模型。

8.根據權利要求6或7所述的一種基于深度學習和SPH框架的流體動畫生成裝置，其特征在于，所述生成裝置還包括：

流體場景數據初始化單元，用于導入并初始化流場數據；

流體模擬數據生成單元，用于待訓練流體模擬數據集的獲取。