[發明專利]一種湍流場更新方法、裝置及其相關設備

有效

• 申請號: 202010110908.3
• 申請日: 2020-02-21
• 公開（公告）號: CN111324993B
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 李茹楊;趙雅倩;李仁剛
• 申請（專利權）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: 北京集佳知識產權代理有限公司 11227
• 代理人: 張春輝

本申請公開了一種湍流場更新方法，包括獲取樣本湍流數據；利用所述樣本湍流數據進行模型訓練，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據；通過所述強化學習湍流模型對所述初始湍流數據進行處理，獲得預測雷諾應力；通過所述RANS方程對所述預測雷諾應力進行計算，獲得更新湍流數據；該湍流場更新方法可以有效提高計算精度，實現更為準確的湍流場更新。本申請還公開了一種湍流場更新裝置、設備以及計算機可讀存儲介質，均具有上述有益效果。

技術領域

本申請涉及強化學習技術領域，特別涉及一種湍流場更新方法，還涉及一種湍流場更新裝置、設備和計算機可讀存儲介質。

背景技術

湍流現象普遍存在于自然界與工業界中，例如，自然界中的沙塵暴、臺風海嘯等極端天氣，大型民航客機、客船所處的復雜流動環境，以及航空發動機自主研發涉及的發動機內部流動等，都是典型的湍流現象。湍流是空間和時間分布不規則的復雜流動現象，表現為強非線性、隨機性、多尺度性等特點。

在湍流場中，實際湍流環境的雷諾數往往達到Re～O(10¹⁰)，針對這種強非線性的超高雷諾數的復雜流動問題，一般采用風洞、水洞試驗觀測和雷諾平均RANS方程數值模擬求解，但由于試驗觀測技術的限制和試驗成本的約束，雷諾平均的數值模擬方法是現在主要的湍流研究手段。

然而，由于湍流模型多來源于簡單流動，在面對高雷諾數分離流等復雜問題時，RANS方程的計算結果往往與實際情況存在較大偏差，無法實現更為精確的湍流場更新。

因此，如何有效提高計算精度，實現更為準確的湍流場更新是本領域技術人員亟待解決的問題。

發明內容

本申請的目的是提供一種湍流場更新方法，該湍流場更新方法可以有效提高計算精度，實現更為準確的湍流場更新；本申請的另一目的是提供一種湍流場更新裝置、設備和計算機可讀存儲介質，也具有上述有益效果。

為解決上述技術問題，第一方面，本申請提供了一種湍流場更新方法，包括：

獲取樣本湍流數據；

利用所述樣本湍流數據進行模型訓練，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據；

通過所述強化學習湍流模型對所述初始湍流數據進行處理，獲得預測雷諾應力；

通過所述RANS方程對所述預測雷諾應力進行計算，獲得更新湍流數據。

優選的，所述利用所述樣本湍流數據進行模型訓練，獲得強化學習湍流模型之前，還包括：

對所述樣本湍流數據進行預處理，獲得標準樣本湍流數據。

優選的，所述對所述樣本湍流數據進行預處理，獲得標準樣本湍流數據，包括：

對所述樣本湍流數據進行歸一化處理，獲得歸一化樣本湍流數據；

對所述歸一化樣本湍流數據進行等間隔抽取處理，獲得所述標準樣本湍流數據。

優選的，所述利用所述樣本湍流數據進行模型訓練，獲得強化學習湍流模型，包括：

對所述樣本湍流數據進行特征提取，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。

優選的，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神經網絡；

將預設目標函數作為迭代條件，利用所述樣本湍流特征對所述DQN神經網絡進行迭代訓練，獲得所述強化學習湍流模型。