[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

本發明涉及網格劃分領域，具體而言，涉及一種基于深度強化學習的有限元網格優化方法、設備和介質，方法包括：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；將不合理的局部特征輸入至優化網絡，以使調整后有限元網格數據的網格質量達到設定要求；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，本實施例可以提高網格劃分的精度。

技術領域

本發明涉及網格劃分領域，具體而言，涉及一種基于深度強化學習的有限元網格優化方法、設備和介質。

背景技術

有限元網格劃分常見的方式有幾何編碼拓撲、圖形編碼拓撲、相似性啟發式拓撲和字符編碼拓撲。在主流計算機輔助工程（Computer Aided Engineering，CAE）仿真軟件中，網格劃分底層采用的是幾何編碼拓撲的方式來實現的。

CAE是汽車研發過程中非常重要的環節，其中網格劃分工作是最為基礎、重要的前置工作。網格工作占據了汽車研發仿真50%左右的工作量，同時網格的質量對仿真結果也有較大的影響。因此，如何提高網格劃分效率并保證網格質量，是汽車研發仿真領域亟待解決的痛點需求。一直以來，網格劃分多采用手動操作，且網格質量取決于工程師的技術經驗。目前主流商業軟件的BatchMesh功能可以完成網格初步劃分，但其所生成的網格也不能完全滿足分析計算的要求，且仍有大量工作需要手動操作來優化調整。

有鑒于此，特提出本發明。

發明內容

本發明實施例提供一種基于深度強化學習的有限元網格優化方法、設備和介質，以提高網格劃分的效率和精度。

第一方面，本申請實施例提供了一種基于深度強化學習的有限元網格優化方法，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。

第二方面，本發明實施例還提供了一種電子設備，包括：

一個或多個處理器；

存儲器，用于存儲一個或多個程序，

當所述一個或多個程序被所述一個或多個處理器執行，使得所述一個或多個處理器實現任一實施例所述的基于深度強化學習的有限元網格優化方法。

第三方面，本發明實施例還提供了一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行時實現任一實施例所述的基于深度強化學習的有限元網格優化方法。

本實施例通過自主構建三維模型結合深度神經網絡檢測有限元網格需優化的局部特征、通過優化網絡與檢測結果的迭代交互優化有限元網格質量，通過深度強化學習微調網格自主學習優化方法，實現基于人工智能的有限元網格質量優化方案，提高了網格優化的質量和效率。

附圖說明