[發明專利]一種基于神經網絡的結構網格生成方法及裝置

有效

• 申請號: 202210363015.9
• 申請日: 2022-04-08
• 公開（公告）號: CN114462320B
• 公開（公告）日: 2022-07-05
• 發明（設計）人: 賀曉宇;郭永恒;龐宇飛;劉楊;謝冬香;陳堅強
• 申請（專利權）人: 中國空氣動力研究與發展中心計算空氣動力研究所
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 北京觀韜中茂律師事務所 11553
• 代理人: 張聰聰

本發明實施例提供了一種基于神經網絡的結構網格生成方法及裝置，方法包括：獲取目標物的模型；通過繪制模型的物面網格線，將模型劃分為多個封閉區域；隨機生成封閉區域的第一參數域的值；根據第一參數域的值對神經網絡進行訓練，得到訓練完成的神經網絡模型；根據用戶設置的點數值，計算封閉區域的第二參數域的值；將第二參數域的值輸入至訓練完成的神經網絡模型中，得到神經網絡模型輸出的第二物理域網格點坐標值；根據第二物理域網格點坐標值，生成目標物的模型的表面網格，表面網格為結構網格。可見，本方案中，基于神經網絡自動生成目標物的模型的表面網格，人為干預較少，提高了網格生成的自動化程度。

技術領域

本發明實施例涉及計算流體動力學技術領域，特別是涉及一種基于神經網絡的結構網格生成方法及裝置。

背景技術

網格生成是CFD（Computational Fluid Dynamics，計算流體動力學）分析的前處理步驟，生成網格的大小和質量會影響CFD的分析結果。網格包括結構網格，結構網格通常具有統一的拓撲結構，網格區域可以劃分為規則的單元，結構網格通常適用于求解模型簡單、幾何規則的情況。

目前，通常采用TFI（Transfinite Interpolation，超限插值）算法來生成結構網格。但隨著網格規模逐漸增大、外形越來越復雜，采用TFI算法生成結構網格自動化程度較低。

發明內容

本發明實施例的目的在于提供一種基于神經網絡的結構網格生成方法及裝置，以提高網格生成的自動化程度。

為達到上述目的，本發明實施例提供了一種基于神經網絡的結構網格生成方法，包括：

獲取目標物的模型；

通過繪制所述模型的物面網格線，將所述模型劃分為多個封閉區域；

隨機生成所述封閉區域的參數域的值，作為第一參數域的值；將所述第一參數域的值輸入至待訓練的神經網絡中，得到所述神經網絡輸出的物理域的網格點坐標值，作為第一物理域網格點坐標值；根據所述第一物理域網格點坐標值，對所述神經網絡進行迭代調整，直至調整完畢得到訓練完成的神經網絡模型；

根據用戶設置的點數值，計算所述封閉區域的參數域的值，作為第二參數域的值；將所述第二參數域的值輸入至所述訓練完成的神經網絡模型中，得到所述神經網絡模型輸出的物理域的網格點坐標值，作為第二物理域網格點坐標值；

根據所述第二物理域網格點坐標值，生成所述目標物的模型的表面網格，所述表面網格為結構網格。

可選的，所述通過繪制所述模型的物面網格線，將所述模型劃分為多個封閉區域之后，還包括：

根據所述物面網格線生成邊界信息；

構造損失函數，所述損失函數包括偏微分方程的內部損失和邊界條件損失，所述偏微分方程的內部損失基于所述第一物理域網格點坐標值得到，所述邊界條件損失基于所述邊界信息得到；

所述根據所述第一物理域網格點坐標值，對所述神經網絡進行迭代調整，包括：

根據所述第一物理域網格點坐標值，計算所述損失函數的值；

通過隨機梯度下降優化算法和Adam優化方法對所述損失函數的值進行優化，以對所述神經網絡進行迭代調整。

可選的，所述偏微分方程為橢圓方程或雙曲方程。

可選的，所述偏微分方程為泊松方程；所述損失函數為：