[發明專利]基于注意力和卷積神經網絡編解碼器的流場預測方法

在審

• 申請號: 202211430114.0
• 申請日: 2022-11-15
• 公開（公告）號: CN115859781A
• 公開（公告）日: 2023-03-28
• 發明（設計）人: 黃宏宇;肖鴻飛
• 申請（專利權）人: 重慶大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/28;G06N3/0455;G06N3/0464;G06N3/084;G06F113/08;G06F119/14
• 代理公司: 重慶博凱知識產權代理有限公司 50212
• 代理人: 張乙山

1.基于注意力和卷積神經網絡編解碼器的流場預測方法，其特征在于，包括：

S1：獲取待預測對象的符號距離函數圖；

S2：將符號距離函數圖輸入經過訓練的流場預測模型，輸出對應的流場預測圖像；

訓練流場預測模型時：首先將包含符號距離函數圖及對應流場真實圖像的訓練數據集輸入流場預測模型；然后通過基于注意力機制和卷積神經網絡的編碼器提取符號距離函數圖的圖像特征，生成對應的注意力特征圖；進而通過融合映射模塊將注意力特征圖與對應符號距離函數圖的攻角和馬赫數融合，并映射生成對應的高級特征圖；隨后通過解碼器對高級特征圖進行解碼，生成對應的流場預測圖像；最后基于流場預測圖像和對應的流場真實圖像計算訓練損失，并通過訓練損失優化流場預測模型的參數；

S3：將流場預測圖像中速度場和壓力場的預測值作為待預測對象的流場預測結果。

2.如權利要求1所述的基于注意力和卷積神經網絡編解碼器的流場預測方法，其特征在于，通過如下步驟構建訓練數據集：

S201：對目標翼型進行參數化并增加擾動生成新的翼型，將各種翼型作為預測對象；

S202：對于單個預測對象，通過笛卡爾網格方法生成對應的符號距離函數圖；

S203：通過雷諾平均N-S方程數值模擬方法計算單個預測對象在不同攻角和不同馬赫數下的速度場和壓力場作為流場數據；

S204：通過三角部分的散亂數據插值法將單個預測對象的流場數據插值到對應尺寸的笛卡爾網格上，生成對應的流場真實圖像；

S205：重復步驟S202至S204，并將對應預測對象的符號距離函數圖和流場真實圖像作為一組訓練數據，以生成包含符號距離函數圖及對應流場真實圖像的訓練數據集。

3.如權利要求2所述的基于注意力和卷積神經網絡編解碼器的流場預測方法，其特征在于：步驟S202中，通過如下步驟生成符號距離函數圖：

S2021：通過笛卡爾網格方法將對應的預測對象進行網格化，生成對應的機翼網格；

S2022：計算給定的笛卡爾網格點與機翼網格中預測對象的邊界點之間的符號距離；

S2023：搜索預測對象的邊界點，計算與給定的笛卡爾網格點最近的邊界點處的法向量以及從給定的笛卡爾網格點到最近的邊界點的向量之間的標量積，并通過標量積值判斷函數符號；

S2024：根據計算得到的符號距離和函數符號生成對應預測對象的符號距離函數圖。

4.如權利要求1所述的基于注意力和卷積神經網絡編解碼器的流場預測方法，其特征在于，編碼器通過如下步驟生成注意力特征圖：

S211：將符號距離函數圖輸入卷積層進行卷積濾波處理，生成對應的原始特征圖；

S212：將原始特征圖輸入通道注意力模塊中提取通道重要性特征，生成對應的通道注意力特征圖；

S213：將通道注意力特征圖輸入空間注意力模塊中提取空間特征，生成對應的空間注意力特征圖；

S214：將空間注意力特征圖輸入卷積層進行卷積濾波處理，生成對應的注意力特征圖。

5.如權利要求4所述的基于注意力和卷積神經網絡編解碼器的流場預測方法，其特征在于：步驟S212中，通道注意力模塊通過如下步驟生成通道注意力特征圖：

S2121：將原始特征圖輸入并行的最大池化層和平均池化層，生成對應的第一特征圖和第二特征圖；

S2122：通過共享多層感知機分別將第一特征圖和第二特征圖的通道數壓縮為原通道數的1/r倍、再擴張回原通道數，生成對應的第一感知特征圖和第二感知特征圖；

S2123：通過ReLU激活函數對第一感知特征圖和第二感知特征圖進行激活，并將激活后的結果進行逐元素相加和sigmoid激活函數處理，生成對應的通道注意力機制圖；

S2124：將通道注意力機制圖與原始特征圖相乘，生成對應的通道注意力特征圖。