本發(fā)明涉及流體動力學(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(物體繞流)進(jìn)行精確的模擬在飛行器設(shè)計的各個方面至關(guān)重要。在過去的幾十年，計算流體力學(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、反問題易于實現(xiàn)、批量化求解等優(yōu)點。但是，pinns方法存在收斂速度慢導(dǎo)致訓(xùn)練時間長、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)行物體繞流模擬時收斂速度快，降低了計算成本。

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、計算區(qū)域；

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

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

7、s4：以約束點的坐標(biāo)為輸入、約束點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；以約束點的坐標(biāo)為輸入、約束點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)練特征增強全連接神經(jīng)網(wǎng)絡(luò)至收斂；

10、s7：將約束點的坐標(biāo)、距離特征、角度特征輸入訓(xùn)練完成的特征增強全連接神經(jīng)網(wǎng)絡(luò)，特征增強全連接神經(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，約束點在物體表面上的投影點是指物體表面上到約束點距離最短的點。將約束點的坐標(biāo)、距離特征、角度特征共同作為特征增強全連接神經(jīng)網(wǎng)絡(luò)的輸入，有效提升了特征增強全連接神經(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)練耗時僅為特征增強全連接神經(jīng)網(wǎng)絡(luò)訓(xùn)練耗時的1/100左右，對本方法的訓(xùn)練時間影響很小，所以本方法的整體訓(xùn)練時間為pinns方法訓(xùn)練時間的大大降低了計算成本。

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

13、作為優(yōu)選，所述步驟s4包括以下步驟：以約束點的坐標(biāo)為輸入、約束點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)；以約束點的坐標(biāo)為輸入、約束點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為殘差約束點的總數(shù)，為索引為i的殘差約束點的坐標(biāo)，為索引為i的殘差約束點的距離特征，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為邊界約束點的總數(shù)，為索引為j的邊界約束點的坐標(biāo)，為索引為j的邊界約束點的距離特征，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)建流動控制方程，從來流工況中獲取邊界條件；

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

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

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

29、采用自動微分方法計算出約束點的距離特征關(guān)于坐標(biāo)的偏導(dǎo)數(shù)、約束點的角度特征關(guān)于坐標(biāo)的偏導(dǎo)數(shù)以及約束點的繞流流場變量關(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計算出流動控制方程中的各階微分項。

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、反問題易于實現(xiàn)、批量化求解的優(yōu)點，且本方法比pinns方法收斂速度快，顯著縮短了訓(xùn)練時間，降低了計算成本，可用于航空飛行器、汽車高鐵、航海器等物體的繞流模擬。