[發明專利]基于深度強化學習的有限元網格優化方法、設備和介質

有效

• 申請號: 202110462927.7
• 申請日: 2021-04-28
• 公開（公告）號: CN113221403B
• 公開（公告）日: 2022-10-14
• 發明（設計）人: 商慶亮;孫宇
• 申請（專利權）人: 中汽數據（天津）有限公司
• 主分類號: G06F30/23
• 分類號: G06F30/23;G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度強化學習的有限元網格優化方法，其特征在于，包括：

獲取幾何模型的初始有限元網格數據；

根據所述初始有限元網格數據，生成所述幾何模型的三維模型；

采用檢測網絡對所述三維模型進行特征識別和分類，得到所述三維模型的局部特征和所述局部特征的分類結果；所述分類結果包括合理和不合理；

將不合理的局部特征輸入至優化網絡，通過所述優化網絡按照優化策略對所述局部特征對應的局部有限元網格數據進行調整，以使調整后有限元網格數據的網格質量達到設定要求；其中，所述優化網絡通過局部特征樣本進行深度學習得到；

捕捉用戶對調整后有限元網格數據的再調整策略，將所述再調整策略作為正向激勵對所述優化網絡進行強化學習，以更新所述優化網絡；并采用更新后的優化網絡繼續優化所述調整后有限元網格數據；

所述初始有限元網格數據包括各頂點的標識和三維坐標，各頂點所在的面，以及同一面上各頂點的連接順序；

所述根據所述初始有限元網格數據，生成所述幾何模型的三維模型，包括：

根據所述初始有限元網格數據，以半邊結構為基礎，依次構建所述幾何模型的邊、頂點和面片；

其中，所述邊包括各半邊關聯的頂點和分享各半邊的面片；所述頂點包括頂點的標識、三維坐標、從所述頂點出發的邊的集合以及包括所述頂點的面片集合；所述面片包括面片的標識、組成所述面片的頂點集合，以及組成所述面片的邊集合；

所述檢測網絡包括PointNet++網絡、Geo網絡、特征融合網絡、權重特征提取網絡和分類網絡；

所述采用檢測網絡對所述三維模型進行特征識別和分類，得到所述三維模型的局部特征和所述局部特征的分類結果，包括：

將所述三維模型的三維數據結構分別輸入至所述PointNet++網絡和Geo網絡，得到所述PointNet++網絡輸出的第一特征和所述Geo網絡輸出的第二特征；將所述第一特征和所述第二特征連接后輸入至特征融合網絡，通過所述特征融合網絡對連接后的特征進行融合得到第三特征；將初始權重輸入至權重特征提取網絡，得到權重特征；將所述權重特征和第三特征對應相乘后輸入至所述分類網絡，得到所述分類網絡輸出的局部特征和局部特征的分類結果。

2.根據權利要求1所述的方法，其特征在于，所述三維模型支持頂點和拓撲結構的添加、修改和刪除。

3.根據權利要求1所述的方法，其特征在于，所述將不合理的局部特征輸入至優化網絡，通過所述優化網絡按照優化策略對所述局部特征對應的局部有限元網格數據進行調整，以使調整后有限元網格數據的網格質量達到設定要求，包括：

將不合理的局部特征輸入至優化網絡，基于所述優化網絡中的推理機和知識庫得到所述局部特征的一步優化策略；

按照所述一步優化策略對所述局部特征對應的局部有限元網格數據進行調整，并獲取當前有限元網格數據的網格質量；

判斷所述當前有限元網格數據的網格質量是否達到設定要求；

如果所述當前有限元網格數據的網格質量未達到設定要求，生成所述當前有限元網格數據的三維模型，并返回所述特征識別和分類操作，直到所述當前有限元網格數據的網格質量達到設定要求。

4.根據權利要求3所述的方法，其特征在于，在所述將不合理的局部特征輸入至優化網絡，通過所述優化網絡按照優化策略對所述局部特征對應的局部有限元網格數據進行調整，以使調整后有限元網格數據的網格質量達到設定要求之前，還包括：獲取所述初始有限元網格數據的網格質量；

所述如果所述當前有限元網格數據的網格質量未達到設定要求，生成所述當前有限元網格數據的三維模型，包括：

如果所述當前有限元網格數據的網格質量未達到設定要求，判斷當前有限元網格數據的網格質量是否高于所述初始有限元網格數據的網格質量；

如果是，接受前一步優化策略，生成所述當前有限元網格數據的三維模型；

如果否，按照前一步優化策略對所述局部有限元網格數據進行回滾后，生成當前有限元網格數據的三維模型。