[發(fā)明專利]一種基于混合深度神經網絡的非定常流場預測方法

有效

• 申請?zhí)枺?/td>: 201910506931.1
• 申請日: 2019-06-12
• 公開（公告）號: CN110222828B
• 公開（公告）日: 2021-01-15
• 發(fā)明（設計）人: 陳剛;韓仁坤;王怡星;張揚
• 申請（專利權）人: 西安交通大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 西安智大知識產權代理事務所 61215
• 代理人: 何會俠

本發(fā)明公開了一種基于混合深度神經網絡的非定常流場預測方法，該方法包括生成深度學習網絡輸入數據；基于該輸入數據，構建用于非定常流場快速預測的混合深度神經網絡結構；對該深度學習網絡進行訓練，以得到非定常流場預測神經網絡模型；該混合深度神將網絡結構由卷積深度神經網絡、長短時記憶神經網絡及反卷積深度神經網絡組成，卷積深度神經網絡被用于提取流場中的結構特征，長短時記憶神經網絡的作用是引入時間效應，反卷積深度神經網絡被用于重現流場信息，三者結合即形成能夠預測未知時刻流場信息的閉環(huán)網絡；測試結果表明這種神經網絡結構能夠準確地捕捉到流場信息的底層結構特性和時間特性，并能準確地重現出未知時刻整個流暢信息。

技術領域

本發(fā)明屬于計算流體力學與深度神經網絡建模領域，特別涉及一種基于混合深度神經網絡的非定常流場快速預測方法。

背景技術

非定常流場的快速計算一直是計算流體力學領域一個亟待解決的問題，尤其在進行流固耦合問題等大型復雜系統數值模擬耗費巨大，嚴重制約了計算速度。近些年來各種深度神經網絡在語音識別、圖像處理、無人駕駛和自動翻譯等領域都表現出其優(yōu)異的性能。將以深度神經網絡技術和流體力學相結合，為解決非定常流場的快速預測與機理研究問題提供了新思路。CNN網絡是最常用也是應用最廣泛的處理穩(wěn)態(tài)數據的深度網絡結構，LSTM在統計時間序列問題上能得到良好的效果，并且能夠以非線性方式處理具有多個維度的數據。因此將LSTM與CNN各自優(yōu)勢結合，能夠發(fā)展出進行非定常流場快速預測的新工具。

發(fā)明內容

本發(fā)明的目的在于克服現有技術的缺點和不足，提供一種基于混合深度神經網絡的非定常流場快速預測方法，從而有效解決非定常流場計算消耗大量時間和計算資源的問題，實現非定常流場快速預測。

為實現上述目的，本發(fā)明所采用的技術方案為:

一種基于混合深度神經網絡的非定常流場預測方法，包括生成混合深度神經網絡學習數據集，并基于該數據集構建用于非定常流場快速預測的混合深度神經網絡，最后將訓練好的混合深度神經網絡用于非定常流場快速預測；具體包括以下步驟：

1)非定常流場數據集構造：采用雷諾時均模擬方法或大渦模擬方法模擬有限時間步內物體周圍非定常流場變化過程，生成與模擬時間步相同數量的流場信息，構建深度神經網絡的輸入數據集；具體步驟如下：

1-1)采用雷諾時均模擬方法或大渦模擬方法求解有限時間步內的物體周圍非定常流場變化過程，每計算一時間步輸出一次流場信息，得到不同時刻物體周圍非定常流場每個計算網格點上的流場信息；

1-2)流場信息預處理，將得到的不同時刻物體周圍非定常流場每個計算網格點上的流場信息通過插值映射擬合到一個均勻分布的網格中，得到擬合后的流場信息；

1-3)將擬合后的流場信息按照時間順序排列，并將所有流場信息序列按照時間序列分成兩部分數據集，一部分為訓練集，另一部分為測試集；

2)構建適用于非定常流場預測的混合深度神經網絡：該混合深度神經網絡結構由三種基本的神經網絡結構組合而成，三種基本的神經網絡結構包括多層卷積深度神經網絡、長短時記憶神經網絡和多層反卷積深度神經網絡；該混合深度神經網絡中三種基本神經網絡間數據傳遞流程有兩種，分別為：