[發(fā)明專利]一種湍流場更新方法、裝置及其相關(guān)設(shè)備

有效

• 申請?zhí)枺?/td>: 202010110908.3
• 申請日: 2020-02-21
• 公開（公告）號: CN111324993B
• 公開（公告）日: 2022-06-07
• 發(fā)明（設(shè)計）人: 李茹楊;趙雅倩;李仁剛
• 申請（專利權(quán)）人: 蘇州浪潮智能科技有限公司
• 主分類號: G06F30/28
• 分類號: G06F30/28;G06N3/04;G06N3/08;G06F111/10;G06F113/08;G06F119/14
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司 11227
• 代理人: 張春輝

1.一種湍流場更新方法，其特征在于，包括：

獲取樣本湍流數(shù)據(jù)；

利用所述樣本湍流數(shù)據(jù)進行模型訓練，獲得強化學習湍流模型；

通過RANS方程計算獲得湍流場的初始湍流數(shù)據(jù)；

通過所述強化學習湍流模型對所述初始湍流數(shù)據(jù)進行處理，獲得預(yù)測雷諾應(yīng)力；

通過所述RANS方程對所述預(yù)測雷諾應(yīng)力進行計算，獲得更新湍流數(shù)據(jù)；

所述利用所述樣本湍流數(shù)據(jù)進行模型訓練，獲得強化學習湍流模型，包括：

對所述樣本湍流數(shù)據(jù)進行特征提取，獲得樣本湍流特征；

利用所述樣本湍流特征進行模型訓練，獲得所述強化學習湍流模型；

所述利用所述樣本湍流特征進行模型訓練，獲得所述強化學習湍流模型，包括：

建立DQN神經(jīng)網(wǎng)絡(luò)；

將預(yù)設(shè)目標函數(shù)作為迭代條件，利用所述樣本湍流特征對所述DQN神經(jīng)網(wǎng)絡(luò)進行迭代訓練，獲得所述強化學習湍流模型；

其中，雷諾應(yīng)力預(yù)測神經(jīng)網(wǎng)絡(luò)的反向傳播和更新參數(shù)的預(yù)設(shè)目標函數(shù)定義為，通過來修正訓練網(wǎng)絡(luò)模型，通過RMSProp優(yōu)化器更新權(quán)重與偏置；

為已知的高精度、高分辨率DNS數(shù)據(jù)的雷諾應(yīng)力，為當前的雷諾應(yīng)力預(yù)測值。

2.根據(jù)權(quán)利要求1所述的湍流場更新方法，其特征在于，所述利用所述樣本湍流數(shù)據(jù)進行模型訓練，獲得強化學習湍流模型之前，還包括：

對所述樣本湍流數(shù)據(jù)進行預(yù)處理，獲得標準樣本湍流數(shù)據(jù)。

3.根據(jù)權(quán)利要求2所述的湍流場更新方法，其特征在于，所述對所述樣本湍流數(shù)據(jù)進行預(yù)處理，獲得標準樣本湍流數(shù)據(jù)，包括：

對所述樣本湍流數(shù)據(jù)進行歸一化處理，獲得歸一化樣本湍流數(shù)據(jù)；

對所述歸一化樣本湍流數(shù)據(jù)進行等間隔抽取處理，獲得所述標準樣本湍流數(shù)據(jù)。

4.根據(jù)權(quán)利要求1所述的湍流場更新方法，其特征在于，所述通過RANS方程計算獲得湍流場的初始湍流數(shù)據(jù)，包括：

獲取所述湍流場的初始雷諾應(yīng)力；

利用所述初始雷諾應(yīng)力對所述RANS方程的雷諾應(yīng)力項進行封閉，計算獲得所述初始湍流數(shù)據(jù)。

5.根據(jù)權(quán)利要求1所述的湍流場更新方法，其特征在于，所述通過所述強化學習湍流模型對所述初始湍流數(shù)據(jù)進行處理，獲得預(yù)測雷諾應(yīng)力，包括：

獲取所述強化學習湍流模型訓練過程中的學習經(jīng)歷和網(wǎng)絡(luò)參數(shù)；

利用所述學習經(jīng)歷和網(wǎng)絡(luò)參數(shù)對所述強化學習湍流模型進行優(yōu)化，獲得優(yōu)化強化學習湍流模型；

通過所述優(yōu)化強化學習湍流模型對所述初始湍流數(shù)據(jù)進行處理，獲得所述預(yù)測雷諾應(yīng)力。

6.一種湍流場更新裝置，其特征在于，包括：

樣本獲取模塊，用于獲取樣本湍流數(shù)據(jù)；

模型訓練模塊，用于利用所述樣本湍流數(shù)據(jù)進行模型訓練，獲得強化學習湍流模型；

初始數(shù)據(jù)計算模塊，用于通過RANS方程計算獲得湍流場的初始湍流數(shù)據(jù)；

初始數(shù)據(jù)處理模塊，用于通過所述強化學習湍流模型對所述初始湍流數(shù)據(jù)進行處理，獲得預(yù)測雷諾應(yīng)力；

湍流場更新模塊，用于通過所述RANS方程對所述預(yù)測雷諾應(yīng)力進行計算，獲得更新湍流數(shù)據(jù)；

模型訓練模塊，具體用于對所述樣本湍流數(shù)據(jù)進行特征提取，獲得樣本湍流特征；建立DQN神經(jīng)網(wǎng)絡(luò)；將預(yù)設(shè)目標函數(shù)作為迭代條件，利用所述樣本湍流特征對所述DQN神經(jīng)網(wǎng)絡(luò)進行迭代訓練，獲得所述強化學習湍流模型；

其中，雷諾應(yīng)力預(yù)測神經(jīng)網(wǎng)絡(luò)的反向傳播和更新參數(shù)的預(yù)設(shè)目標函數(shù)定義為，通過來修正訓練網(wǎng)絡(luò)模型，通過RMSProp優(yōu)化器更新權(quán)重與偏置；

為已知的高精度、高分辨率DNS數(shù)據(jù)的雷諾應(yīng)力，為當前的雷諾應(yīng)力預(yù)測值。

7.一種湍流場更新設(shè)備，其特征在于，包括：

存儲器，用于存儲計算機程序；

處理器，用于執(zhí)行所述計算機程序以實現(xiàn)如權(quán)利要求1至5任一項所述的湍流場更新方法的步驟。

8.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)中存儲有計算機程序，所述計算機程序被處理器執(zhí)行時用以實現(xiàn)如權(quán)利要求1至5任一項所述的湍流場更新方法的步驟。