本技術(shù)涉及伴流場(chǎng)預(yù)測(cè)，尤其是一種基于卷積神經(jīng)網(wǎng)絡(luò)的伴流場(chǎng)預(yù)報(bào)方法及設(shè)備。

背景技術(shù)：

1、在船體、螺旋槳和節(jié)能附體等復(fù)雜幾何構(gòu)型優(yōu)化設(shè)計(jì)，幾何不確定性分析過程中，通常采用代理建模方法以緩解由幾何空間采樣及搜索中所帶來的計(jì)算資源耗費(fèi)過大的問題。傳統(tǒng)的代理模型往往依賴于特定的幾何參數(shù)化建模技術(shù)，不具備普遍適應(yīng)性。

2、并且，船體型線和伴流場(chǎng)之間映射關(guān)系是一個(gè)典型的圖對(duì)圖的映射問題，屬于高維映射范疇。對(duì)于這類問題，構(gòu)造代理模型表征其映射關(guān)系的最大難點(diǎn)在于數(shù)值模擬數(shù)據(jù)集的樣本數(shù)量十分有限，而且模型的輸入輸出維度較高，存在代理模型難以擴(kuò)展至高維的問題，最終導(dǎo)致利用代理模型進(jìn)行伴流場(chǎng)預(yù)報(bào)出現(xiàn)的準(zhǔn)確性差的問題。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)人針對(duì)上述問題及技術(shù)需求，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的伴流場(chǎng)預(yù)報(bào)方法及設(shè)備，用以解決現(xiàn)有技術(shù)中在船體幾何構(gòu)型過程中利用代理模型進(jìn)行伴流場(chǎng)預(yù)報(bào)時(shí)出現(xiàn)的準(zhǔn)確性差的問題，實(shí)現(xiàn)提高伴流場(chǎng)的預(yù)報(bào)準(zhǔn)確性和預(yù)報(bào)效率。

2、本技術(shù)實(shí)施例提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)的伴流場(chǎng)預(yù)報(bào)方法，所述方法包括：

3、獲取船體幾何文件和流體動(dòng)力學(xué)參數(shù)，其中，所述船體幾何文件包括：船體點(diǎn)云數(shù)據(jù)，所述船體點(diǎn)云數(shù)據(jù)基于船體型線得到，所述流體動(dòng)力學(xué)參數(shù)包括：船舶在航行時(shí)對(duì)應(yīng)的水流速度和水的物理性質(zhì)；

4、將所述船體幾何文件和所述流體動(dòng)力學(xué)參數(shù)輸入預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型，通過所述卷積神經(jīng)網(wǎng)絡(luò)模型基于所述船體點(diǎn)云數(shù)據(jù)利用預(yù)設(shè)大小的控制網(wǎng)格重構(gòu)所述船體型線對(duì)應(yīng)的船體，得到重構(gòu)點(diǎn)云數(shù)據(jù)；將所述重構(gòu)點(diǎn)云數(shù)據(jù)輸入與所述船體型線對(duì)應(yīng)的高斯混合模型，得到所述高斯混合模型輸出的點(diǎn)云特征矩陣；基于所述點(diǎn)云特征矩陣和所述流體動(dòng)力學(xué)參數(shù)預(yù)測(cè)并輸出當(dāng)前船型對(duì)應(yīng)的預(yù)測(cè)伴流場(chǎng)；

5、其中，所述船體型線和所述船型對(duì)應(yīng)；

6、其中，所述卷積神經(jīng)網(wǎng)絡(luò)模型基于船體幾何文件樣本、流體動(dòng)力學(xué)參數(shù)樣本和伴流場(chǎng)樣本訓(xùn)練得到。

7、根據(jù)本技術(shù)一個(gè)實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的伴流場(chǎng)預(yù)報(bào)方法，將所述重構(gòu)點(diǎn)云數(shù)據(jù)輸入與所述船體型線對(duì)應(yīng)的高斯混合模型之前，還包括：

8、分析所述船體型線對(duì)應(yīng)的船體的特征，并基于預(yù)設(shè)的船體的特征與高斯混合模型的對(duì)應(yīng)關(guān)系，得到與船體的特征對(duì)應(yīng)的高斯混合模型。

9、根據(jù)本技術(shù)一個(gè)實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的伴流場(chǎng)預(yù)報(bào)方法，基于所述船體點(diǎn)云數(shù)據(jù)利用預(yù)設(shè)大小的控制網(wǎng)格重構(gòu)所述船體型線對(duì)應(yīng)的船體，得到重構(gòu)點(diǎn)云數(shù)據(jù)，包括：

10、基于預(yù)設(shè)曲率，對(duì)所述控制網(wǎng)格在船體點(diǎn)云數(shù)據(jù)的寬度方向和高度方向分別進(jìn)行重采樣操作，得到重構(gòu)數(shù)量；

11、基于所述重構(gòu)數(shù)量的控制網(wǎng)格擬合所述船體型線對(duì)應(yīng)的三維船體模型，得到所述重構(gòu)點(diǎn)云數(shù)據(jù)，其中，所述三維船體模型包括：船體部分、船艏部分、船艉部分和尾軸部分，所述三維船體模型的一個(gè)部分對(duì)應(yīng)一個(gè)曲面，不同的曲線之間處于g1連續(xù)。

12、根據(jù)本技術(shù)一個(gè)實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的伴流場(chǎng)預(yù)報(bào)方法，基于所述重構(gòu)數(shù)量的控制網(wǎng)格擬合所述船體型線對(duì)應(yīng)的三維船體模型，得到所述重構(gòu)點(diǎn)云數(shù)據(jù)，包括：

13、基于第一計(jì)算公式得到重構(gòu)點(diǎn)云數(shù)據(jù)；

14、其中，所述第一計(jì)算公式包括：

15、

16、其中，s(u,v)表示重構(gòu)點(diǎn)云數(shù)據(jù)，pi,j表示控制網(wǎng)格，所述控制網(wǎng)格包括i方向和j方向，ωi,j表示對(duì)應(yīng)控制網(wǎng)格的權(quán)因子，u表示i方向上的節(jié)點(diǎn)，對(duì)應(yīng)的節(jié)點(diǎn)總數(shù)為r+1，p表示i方向上的樣條曲線次數(shù)，v表示j方向上的節(jié)點(diǎn)，對(duì)應(yīng)的節(jié)點(diǎn)總數(shù)為s+1，q表示j方向上的樣條曲線次數(shù)，ni,p(u)表示在節(jié)點(diǎn)矢量u上的非有理b樣條基函數(shù)；nj,q(v)表示在節(jié)點(diǎn)矢量v上的非有理b樣條基函數(shù)，n表示i方向上控制網(wǎng)格的重構(gòu)數(shù)量，m表示j方向上控制網(wǎng)格的重構(gòu)數(shù)量；

17、其中，

18、根據(jù)本技術(shù)一個(gè)實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的伴流場(chǎng)預(yù)報(bào)方法，將所述重構(gòu)點(diǎn)云數(shù)據(jù)輸入與所述船體型線對(duì)應(yīng)的高斯混合模型，得到所述高斯混合模型輸出的點(diǎn)云特征矩陣，包括：

19、將所述重構(gòu)點(diǎn)云數(shù)據(jù)輸入所述高斯混合模型，通過所述高斯混合模型計(jì)算各控制網(wǎng)格的似然函數(shù)；對(duì)得到的所述似然函數(shù)進(jìn)行正則化梯度統(tǒng)計(jì)量求和處理，得到所述點(diǎn)云特征矩陣。

20、根據(jù)本技術(shù)一個(gè)實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的伴流場(chǎng)預(yù)報(bào)方法，計(jì)算各控制網(wǎng)格的似然函數(shù)；對(duì)得到的所述似然函數(shù)進(jìn)行正則化梯度統(tǒng)計(jì)量求和處理，得到所述點(diǎn)云特征矩陣，包括：

21、基于第二計(jì)算公式計(jì)算各控制網(wǎng)絡(luò)的似然函數(shù)；

22、其中，所述第二計(jì)算公式包括：

23、

24、其中，uλ(p)表示控制網(wǎng)格對(duì)應(yīng)的似然函數(shù)，λ表示具有k個(gè)分量的高斯混合模型的參數(shù)集，λ＝{(wk,μk,σk),k＝1,...,k}，wk表示第k個(gè)分量的權(quán)重，σk表示第k個(gè)分量的方差，μk表示第k個(gè)分量的期望；p表示基于重構(gòu)點(diǎn)云數(shù)據(jù)創(chuàng)建的坐標(biāo)系下每個(gè)坐標(biāo)點(diǎn)的坐標(biāo)信息，坐標(biāo)點(diǎn)和控制網(wǎng)格存在預(yù)設(shè)的對(duì)應(yīng)關(guān)系；

25、其中，

26、通過第三計(jì)算公式計(jì)算對(duì)得到的似然函數(shù)進(jìn)行正則化梯度統(tǒng)計(jì)量求和處理；

27、其中，第三計(jì)算公式包括：

28、

29、其中，表示梯度統(tǒng)計(jì)量求和結(jié)果，t表示坐標(biāo)點(diǎn)的數(shù)量，lλ表示預(yù)設(shè)的信息矩陣，表示預(yù)設(shè)的評(píng)價(jià)函數(shù)，pt表示第t個(gè)坐標(biāo)點(diǎn)；

30、將wk變換為αk，通過第四計(jì)算公式得到；

31、其中，所述第四計(jì)算公式包括：

32、

33、通過第五計(jì)算公式得到最終的點(diǎn)云特征矩陣；

34、其中，第五計(jì)算公式包括：

35、

36、其中，表示點(diǎn)云特征矩陣。

37、根據(jù)本技術(shù)一個(gè)實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的伴流場(chǎng)預(yù)報(bào)方法，卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程包括：

38、獲取訓(xùn)練樣本集合，其中，訓(xùn)練樣本集合包括：多種船型對(duì)應(yīng)的船體點(diǎn)云數(shù)據(jù)樣本、每個(gè)船型的船體點(diǎn)云數(shù)據(jù)樣本對(duì)應(yīng)的伴流場(chǎng)樣本和流體學(xué)參數(shù)樣本。

39、將所述訓(xùn)練樣本集合輸入卷積神經(jīng)網(wǎng)絡(luò)模型，通過卷積神經(jīng)網(wǎng)絡(luò)模型基于所述船體點(diǎn)云數(shù)據(jù)樣本利用預(yù)設(shè)大小的控制網(wǎng)格重構(gòu)所述船體型線對(duì)應(yīng)的船體，得到重構(gòu)點(diǎn)云數(shù)據(jù)樣本；將所述重構(gòu)點(diǎn)云數(shù)據(jù)樣本輸入與所述船體型線對(duì)應(yīng)的高斯混合模型，得到所述高斯混合模型輸出的點(diǎn)云特征矩陣樣本；基于所述點(diǎn)云特征矩陣樣本和所述流體動(dòng)力學(xué)參數(shù)樣本預(yù)測(cè)并輸出當(dāng)前船型對(duì)應(yīng)的預(yù)測(cè)伴流場(chǎng)樣本；

40、比對(duì)伴流場(chǎng)樣本和預(yù)測(cè)伴流場(chǎng)樣本的相似度，基于比對(duì)結(jié)果優(yōu)化所述卷積神經(jīng)網(wǎng)絡(luò)模型的模型參數(shù)，直至所述相似度達(dá)到預(yù)設(shè)相似度，確定所述卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練完成。

41、根據(jù)本技術(shù)一個(gè)實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的伴流場(chǎng)預(yù)報(bào)方法，獲取船體幾何文件之后，還包括：

42、基于實(shí)驗(yàn)?zāi)B(tài)分析提取所述船體幾何文件對(duì)應(yīng)的前7階模態(tài)參數(shù)。

43、根據(jù)本技術(shù)一個(gè)實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的伴流場(chǎng)預(yù)報(bào)方法，獲取船體幾何文件和流體動(dòng)力學(xué)參數(shù)之前，還包括：

44、獲取與待分析流場(chǎng)區(qū)域?qū)?yīng)的三維笛卡爾網(wǎng)絡(luò)，并基于三維笛卡爾網(wǎng)絡(luò)得到高斯混合模型。

45、本技術(shù)實(shí)施例還提供了一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如上任一項(xiàng)的基于卷積神經(jīng)網(wǎng)絡(luò)的伴流場(chǎng)預(yù)報(bào)方法的步驟。

46、本技術(shù)實(shí)施例提供的基于卷積神經(jīng)網(wǎng)絡(luò)的伴流場(chǎng)預(yù)報(bào)方法及設(shè)備，通過將獲取的船體幾何文件和流體動(dòng)力學(xué)參數(shù)輸入預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型，通過卷積神經(jīng)網(wǎng)絡(luò)模型基于船體點(diǎn)云數(shù)據(jù)利用預(yù)設(shè)大小的控制網(wǎng)格重構(gòu)船體型線對(duì)應(yīng)的船體，得到重構(gòu)點(diǎn)云數(shù)據(jù)；將重構(gòu)點(diǎn)云數(shù)據(jù)輸入與船體型線對(duì)應(yīng)的高斯混合模型，得到高斯混合模型輸出的點(diǎn)云特征矩陣；基于點(diǎn)云特征矩陣和流體動(dòng)力學(xué)參數(shù)預(yù)測(cè)并輸出當(dāng)前船型對(duì)應(yīng)的預(yù)測(cè)伴流場(chǎng)，本技術(shù)利用卷積神經(jīng)網(wǎng)絡(luò)模型獲取船體幾何構(gòu)型與其對(duì)應(yīng)的流體動(dòng)力學(xué)參數(shù)，并利用高斯混合模型提取高維輸入特征，預(yù)測(cè)與高維輸入特征和流體動(dòng)力學(xué)參數(shù)對(duì)應(yīng)的伴流場(chǎng)，有效的提高了伴流場(chǎng)預(yù)報(bào)的準(zhǔn)確性和效率。