本發(fā)明涉及流體動(dòng)力學(xué)，尤其涉及一種物體繞流模擬方法。

背景技術(shù)：

1、在航空航天領(lǐng)域，對繞物體的流動(dòng)(物體繞流)進(jìn)行精確的模擬在飛行器設(shè)計(jì)的各個(gè)方面至關(guān)重要。在過去的幾十年，計(jì)算流體力學(xué)(computational?fluid?dynamics，cfd)方法是進(jìn)行物體繞流模擬的主要手段，它們包括有限差分法、有限體積法和有限元法等。隨著飛行器設(shè)計(jì)需求的不斷上升，cfd方法存在的依賴網(wǎng)格、高階格式設(shè)計(jì)困難及反問題求解成本巨大等局限性也日益突出，限制著飛行器的高效研制。

2、2019年，研究者提出了一種用于求解偏微分方程正反問題的物理信息神經(jīng)網(wǎng)絡(luò)(physics-informed?neural?networks，pinns)。該方法的核心是通過自動(dòng)微分將偏微分方程編碼到神經(jīng)網(wǎng)絡(luò)的損失函數(shù)中，使網(wǎng)絡(luò)在逼近定解條件或觀測數(shù)據(jù)的同時(shí)滿足方程約束。相比cfd方法，pinns方法具有無需網(wǎng)格生成、反問題易于實(shí)現(xiàn)、批量化求解等優(yōu)點(diǎn)。但是，pinns方法存在收斂速度慢導(dǎo)致訓(xùn)練時(shí)間長、訓(xùn)練成本高的局限性，這制約了該方法在物體繞流模擬問題上的應(yīng)用。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明為了解決上述技術(shù)問題，提供了一種物體繞流模擬方法，其在進(jìn)行物體繞流模擬時(shí)收斂速度快，降低了計(jì)算成本。

2、為了解決上述問題，本發(fā)明采用以下技術(shù)方案予以實(shí)現(xiàn)：

3、本發(fā)明的一種物體繞流模擬方法，包括以下步驟：

4、s1：獲取來流工況，構(gòu)建物體的幾何外形、計(jì)算區(qū)域；

5、s2：在計(jì)算區(qū)域內(nèi)以及計(jì)算區(qū)域邊界處采集約束點(diǎn)；

6、s3：確定約束點(diǎn)在物體表面上的投影點(diǎn)，將約束點(diǎn)與對應(yīng)投影點(diǎn)之間的距離作為約束點(diǎn)的距離特征，將約束點(diǎn)與對應(yīng)投影點(diǎn)的連線和水平面的夾角作為約束點(diǎn)的角度特征；

7、s4：以約束點(diǎn)的坐標(biāo)為輸入、約束點(diǎn)的距離特征為輸出構(gòu)建距離特征全連接神經(jīng)網(wǎng)絡(luò)，并訓(xùn)練至收斂；以約束點(diǎn)的坐標(biāo)為輸入、約束點(diǎn)的角度特征為輸出構(gòu)建角度特征全連接神經(jīng)網(wǎng)絡(luò)，并訓(xùn)練至收斂；

8、s5：將約束點(diǎn)的坐標(biāo)分別輸入訓(xùn)練完成的距離特征全連接神經(jīng)網(wǎng)絡(luò)、角度特征全連接神經(jīng)網(wǎng)絡(luò)，得到對應(yīng)的函數(shù)形式的距離特征、函數(shù)形式的角度特征；

9、s6：以約束點(diǎn)的坐標(biāo)、函數(shù)形式的距離特征、函數(shù)形式的角度特征為輸入，以繞流流場變量為輸出構(gòu)建用于繞流模擬的特征增強(qiáng)全連接神經(jīng)網(wǎng)絡(luò)，結(jié)合來流工況構(gòu)建總損失函數(shù)，訓(xùn)練特征增強(qiáng)全連接神經(jīng)網(wǎng)絡(luò)至收斂；

10、s7：將約束點(diǎn)的坐標(biāo)、距離特征、角度特征輸入訓(xùn)練完成的特征增強(qiáng)全連接神經(jīng)網(wǎng)絡(luò)，特征增強(qiáng)全連接神經(jīng)網(wǎng)絡(luò)輸出對應(yīng)繞流流場變量的值，完成物體繞流模擬。

11、在本方案中，約束點(diǎn)在物體表面上的投影點(diǎn)是指物體表面上到約束點(diǎn)距離最短的點(diǎn)。將約束點(diǎn)的坐標(biāo)、距離特征、角度特征共同作為特征增強(qiáng)全連接神經(jīng)網(wǎng)絡(luò)的輸入，有效提升了特征增強(qiáng)全連接神經(jīng)網(wǎng)絡(luò)的表征能力，從而大大提高了物體繞流模擬的收斂速度，收斂速度比pinns方法的收斂速度提升了4-10倍，由于距離特征全連接神經(jīng)網(wǎng)絡(luò)、角度特征全連接神經(jīng)網(wǎng)絡(luò)的訓(xùn)練耗時(shí)僅為特征增強(qiáng)全連接神經(jīng)網(wǎng)絡(luò)訓(xùn)練耗時(shí)的1/100左右，對本方法的訓(xùn)練時(shí)間影響很小，所以本方法的整體訓(xùn)練時(shí)間為pinns方法訓(xùn)練時(shí)間的大大降低了計(jì)算成本。

12、作為優(yōu)選，所述步驟s2包括以下步驟：在計(jì)算區(qū)域內(nèi)采集約束點(diǎn)，將采集到的約束點(diǎn)記為殘差約束點(diǎn)；在計(jì)算區(qū)域邊界處采集約束點(diǎn)，將采集到的約束點(diǎn)記為邊界約束點(diǎn)。

13、作為優(yōu)選，所述步驟s4包括以下步驟：以約束點(diǎn)的坐標(biāo)為輸入、約束點(diǎn)的距離特征為輸出構(gòu)建距離特征全連接神經(jīng)網(wǎng)絡(luò)，并構(gòu)建用于訓(xùn)練的第一損失函數(shù)，訓(xùn)練距離特征全連接神經(jīng)網(wǎng)絡(luò)至收斂，得到訓(xùn)練完成的距離特征全連接神經(jīng)網(wǎng)絡(luò)；以約束點(diǎn)的坐標(biāo)為輸入、約束點(diǎn)的角度特征為輸出構(gòu)建角度特征全連接神經(jīng)網(wǎng)絡(luò)，并構(gòu)建用于訓(xùn)練的第二損失函數(shù)，訓(xùn)練角度特征全連接神經(jīng)網(wǎng)絡(luò)至收斂，得到訓(xùn)練完成的角度特征全連接神經(jīng)網(wǎng)絡(luò)。

14、作為優(yōu)選，所述第一損失函數(shù)的公式為：

15、

16、其中，loss1為第一損失函數(shù)，nf為殘差約束點(diǎn)的總數(shù)，為索引為i的殘差約束點(diǎn)的坐標(biāo)，為索引為i的殘差約束點(diǎn)的距離特征，為距離特征全連接神經(jīng)網(wǎng)絡(luò)根據(jù)輸入坐標(biāo)輸出的距離特征，nb為邊界約束點(diǎn)的總數(shù)，為索引為j的邊界約束點(diǎn)的坐標(biāo)，為索引為j的邊界約束點(diǎn)的距離特征，為距離特征全連接神經(jīng)網(wǎng)絡(luò)根據(jù)輸入坐標(biāo)輸出的距離特征，1≤i≤nf，1≤j≤nb；

17、所述第二損失函數(shù)的公式為：

18、

19、其中，loss2為第二損失函數(shù)，為索引為i的殘差約束點(diǎn)的角度特征，為角度特征全連接神經(jīng)網(wǎng)絡(luò)根據(jù)輸入坐標(biāo)輸出的角度特征，為索引為j的邊界約束點(diǎn)的角度特征，為角度特征全連接神經(jīng)網(wǎng)絡(luò)根據(jù)輸入坐標(biāo)輸出的角度特征。

20、作為優(yōu)選，所述步驟s6包括以下步驟：

21、s61：以約束點(diǎn)的坐標(biāo)、函數(shù)形式的距離特征、函數(shù)形式的角度特征為輸入，以繞流流場變量為輸出構(gòu)建用于繞流模擬的特征增強(qiáng)全連接神經(jīng)網(wǎng)絡(luò)；

22、s62：根據(jù)來流工況構(gòu)建特征增強(qiáng)全連接神經(jīng)網(wǎng)絡(luò)的總損失函數(shù)；

23、s63：以總損失函數(shù)最小化為目標(biāo)，訓(xùn)練特征增強(qiáng)全連接神經(jīng)網(wǎng)絡(luò)至收斂。

24、作為優(yōu)選，所述步驟s62包括以下步驟：

25、s621：根據(jù)來流工況構(gòu)建流動(dòng)控制方程，從來流工況中獲取邊界條件；

26、s622：采用自動(dòng)微分方法計(jì)算出流動(dòng)控制方程中的各階微分項(xiàng)，并組合計(jì)算出流動(dòng)控制方程的方程殘差；

27、s623：在殘差約束點(diǎn)構(gòu)成的殘差約束點(diǎn)數(shù)據(jù)集上計(jì)算流動(dòng)控制方程的方程損失，在邊界約束點(diǎn)構(gòu)成的邊界約束點(diǎn)數(shù)據(jù)集上根據(jù)邊界條件計(jì)算邊界損失，根據(jù)方程損失、邊界損失構(gòu)建出特征增強(qiáng)全連接神經(jīng)網(wǎng)絡(luò)的總損失函數(shù)。

28、作為優(yōu)選，所述步驟s622中采用自動(dòng)微分方法計(jì)算出流動(dòng)控制方程中的各階微分項(xiàng)的方法包括以下步驟：

29、采用自動(dòng)微分方法計(jì)算出約束點(diǎn)的距離特征關(guān)于坐標(biāo)的偏導(dǎo)數(shù)、約束點(diǎn)的角度特征關(guān)于坐標(biāo)的偏導(dǎo)數(shù)以及約束點(diǎn)的繞流流場變量關(guān)于坐標(biāo)的偏導(dǎo)數(shù)、關(guān)于距離特征的偏導(dǎo)數(shù)、關(guān)于角度特征的偏導(dǎo)數(shù)，并依據(jù)鏈?zhǔn)椒▌t計(jì)算出流動(dòng)控制方程中的各階微分項(xiàng)。

30、作為優(yōu)選，所述總損失函數(shù)的公式如下：

31、loss＝λflossf+λblossb，

32、其中，loss為總損失函數(shù)，lossf為方程損失，lossb為邊界損失，λf為方程損失的權(quán)重，λb為邊界損失的權(quán)重。

33、作為優(yōu)選，所述方程損失的公式為：

34、

35、所述邊界損失的公式為：

36、

37、其中，lossf為方程損失，lossb為邊界損失，為將坐標(biāo)為的殘差約束點(diǎn)的坐標(biāo)、函數(shù)形式的距離特征、函數(shù)形式的角度特征輸入特征增強(qiáng)全連接神經(jīng)網(wǎng)絡(luò)后網(wǎng)絡(luò)輸出的繞流流場變量，為將坐標(biāo)為的邊界約束點(diǎn)的坐標(biāo)、函數(shù)形式的距離特征、函數(shù)形式的角度特征輸入特征增強(qiáng)全連接神經(jīng)網(wǎng)絡(luò)后網(wǎng)絡(luò)輸出的繞流流場變量，r[·]為方程殘差算子，b[·]為邊界條件算子。

38、作為優(yōu)選，所述角度特征的角度范圍為0-π/2。

39、本發(fā)明的有益效果是：本方法與pinns方法一樣具有無需網(wǎng)格生成、反問題易于實(shí)現(xiàn)、批量化求解的優(yōu)點(diǎn)，且本方法比pinns方法收斂速度快，顯著縮短了訓(xùn)練時(shí)間，降低了計(jì)算成本，可用于航空飛行器、汽車高鐵、航海器等物體的繞流模擬。