【技術實現步驟摘要】
本專利技術涉及流體流動量化，尤其涉及一種基于物理啟發神經網絡的流體軌跡追蹤方法。
技術介紹
1、隨著計算硬件和大數據的飛速發展，人工智能為建立數據驅動模型提供了有力工具。在流體力學領域，利用大量的實驗觀察和數值模擬數據來訓練人工智能算法，已成為解決流體流動問題的新途徑。人工智能方法通過構建模型來學習數據中的位置規律，這些模型通常包含未知參數，用于捕捉數據間的關系。通過優化過程，如梯度下降，模型的參數會被調整以最小化預測與實際數據之間的差異。通過反復迭代來逐步精確參數，直至模型能夠準確反映數據中的規律。
2、但是隨著被追蹤粒子數量的增加，所需的計算資源也相應增加，這在很大程度上影響了數值模擬的可行性和效率，粒子數量的增加意味著需要更多的計算內存和處理時間，對于大規模問題尤其如此。同時，在非結構化網格中，拉格朗日粒子追蹤計算速度緩慢，極大地限制了實際追蹤到的粒子數量以及可模擬的流動狀態。
3、實驗技術如piv在獲取流場內速度分布方面表現出色，能夠提供關于流體運動的直觀和精確數據。但由于piv需要使用高質量且密度均勻的微粒作為追蹤標記，因此不適用于一些低密度或者特殊氣體等情況。同時，piv作為一種獲取流場的速度分布的實驗方法，由于其測量目標單一，使得無法測量得到流動壓力場，需要額外的實驗設置和復雜的數據處理，這增加了實驗的復雜性和成本。盡管漂流器等其他實驗方法獲取到的流動數據是準確且高效的，其所能測量的空間域遠遠小于研究中尺度流動所需要的大小。數據覆蓋的空間域往往不足以進行全面的流體分析，針對許多實際問題，通過
4、而傳統的人工智能模型往往需要大量的數據才能夠得到有效的預測模型，在數據稀缺的情況下，這些模型的性能會顯著下降，此外，由于其黑盒特性，傳統ai模型的可解釋性和泛化能力常常受到質疑。在流體力學等需要高精確度和強可解釋性的領域中，這些局限性尤為重要，缺乏透明度可能會阻礙這些模型在安全關鍵和任務關鍵型應用中的部署。
技術實現思路
1、本專利技術提供一種基于物理啟發神經網絡的流體軌跡追蹤方法，用以解決現有技術的缺陷。
2、本專利技術提供一種基于物理啟發神經網絡的流體軌跡追蹤方法，包括：
3、s1：建立第一全連接網絡，通過所述第一全連接網絡預測獲得粒子軌跡；
4、s2：建立第二全連接網絡，基于所述粒子軌跡，通過所述第二全連接網絡預測獲得流場速度及流場壓力；
5、s3：將所述第一全連接網絡及所述第二全連接網絡串聯，并進行訓練，獲得預測網絡；
6、s4：通過所述預測網絡進行流體軌跡追蹤。
7、根據本專利技術提供的一種基于物理啟發神經網絡的流體軌跡追蹤方法，步驟s1進一步包括：
8、s11：建立第一全連接網絡；
9、s12：將粒子初始信息輸入所述第一全連接網絡，獲得映射的粒子位移；
10、s13：根據所述粒子位移及所述粒子初始信息，計算獲得粒子軌跡。
11、根據本專利技術提供的一種基于物理啟發神經網絡的流體軌跡追蹤方法，步驟s12中的是多數粒子初始信息包括粒子初始位置、粒子釋放時間及第一運動時間，其中所述第一運動時間為拉格朗日描述下的粒子運動時間。
12、根據本專利技術提供的一種基于物理啟發神經網絡的流體軌跡追蹤方法，步驟s12中的所述粒子位移的表達式為：
13、
14、其中，為映射的粒子位移，x0為粒子初始位置，t0為粒子釋放時間，τ為拉格朗日描述下的粒子運動時間，θ為第一全連接網絡的可訓練參數；
15、步驟s13中的所述粒子軌跡的表達式為：
16、
17、其中，xq為預測的粒子軌跡。
18、根據本專利技術提供的一種基于物理啟發神經網絡的流體軌跡追蹤方法，步驟s2進一步包括：
19、s21：建立第二全連接網絡；
20、s22：將第二運動時間及所述粒子軌跡輸入所述第二全連接網絡，預測獲得流場速度及流場壓力；其中所述第二運動時間為歐拉描述下的粒子運動時間。
21、根據本專利技術提供的一種基于物理啟發神經網絡的流體軌跡追蹤方法，步驟s22中的所述第二運動時間的表達式為：
22、t＝t0⊕τ；
23、其中，t為歐拉描述下的粒子運動時間，t0為粒子釋放時間，τ為拉格朗日描述下的粒子運動時間。
24、根據本專利技術提供的一種基于物理啟發神經網絡的流體軌跡追蹤方法，步驟s22中的所述流場速度的表達式為：
25、
26、其中，u為預測的流體速度，u0為前一狀態下的流體速度，x0為粒子初始位置，t0為粒子釋放時間，τ為拉格朗日描述下的粒子運動時間，為第二全連接網絡的可訓練參數，θ為第一全連接網絡的可訓練參數；
27、步驟s22中的所述流場壓力的表達式為：
28、
29、其中，p為預測的流體壓力，p0為前一狀態下的流體壓力。
30、根據本專利技術提供的一種基于物理啟發神經網絡的流體軌跡追蹤方法，步驟s3中的所述預測網絡的訓練損失的表達式為：
31、
32、其中，為預測網絡的總體訓練損失，θ為第一全連接網絡的可訓練參數，為第二全連接網絡的可訓練參數，為在數據點評估的損失，為在配置點評估的損失，為第一數據損失，為第二數據損失，為第一殘差物理損失，為第二殘差物理損失，λ1為第一權重參數，λ2為第二權重參數，λ3為第三權重參數。
33、根據本專利技術提供的一種基于物理啟發神經網絡的流體軌跡追蹤方法，步驟s4還包括：
34、s41：通過所述預測網絡進行第一自動微分，獲得粒子位置與第一運動時間的導數，所述導數用于平衡所述第一全連接網絡及所述第二全連接網絡的訓練；
35、s42：通過所述預測網絡進行第二自動微分，獲得流場速度、流場壓力與粒子位置、粒子運動時間的函數關系。
36、根據本專利技術提供的一種基于物理啟發神經網絡的流體軌跡追蹤方法，步驟s42中的所述函數關系的表達式為：
37、
38、其中，u為流場速度，t為粒子運動時間，為梯度算子，ρ為流體密度，p為流場壓力，μ為流體動力粘度。
39、本專利技術提供的一種基于物理啟發神經網絡的流體軌跡追蹤方法，提出了一種名為trajectorynsnet的神經網絡架構設計，由兩個串聯的全連接網絡組成，使得人工神經網絡預測與物理定律更加一致，從而提供了對所研究物理問題的更全面的理解，能夠預測僅給定初始位置和運動時間的整個流場信息，且通過結合物理殘差，提高了兩個網絡的連通性和優化速度，此外，兩個串聯的網絡相互約束，最終達成最優解。本專利技術提出的網絡架構能夠高效地處理稀疏軌跡數據，并實現流動和粒子軌跡的精確跟蹤。本專利技術提出的網絡結合了數據驅動學習的靈活性和基于物理的納維-斯托克斯方程約束，從而在保證物理一致性的同時，提高了預測的準確性和效率，使得模型能夠適應復雜本文檔來自技高網...
【技術保護點】
1.一種基于物理啟發神經網絡的流體軌跡追蹤方法，其特征在于，包括：
2.根據權利要求1所述的一種基于物理啟發神經網絡的流體軌跡追蹤方法，其特征在于，步驟S1進一步包括：
3.根據權利要求2所述的一種基于物理啟發神經網絡的流體軌跡追蹤方法，其特征在于，步驟S12中的是多數粒子初始信息包括粒子初始位置、粒子釋放時間及第一運動時間，其中所述第一運動時間為拉格朗日描述下的粒子運動時間。
4.根據權利要求3所述的一種基于物理啟發神經網絡的流體軌跡追蹤方法，其特征在于，步驟S12中的所述粒子位移的表達式為：
5.根據權利要求1所述的一種基于物理啟發神經網絡的流體軌跡追蹤方法，其特征在于，步驟S2進一步包括：
6.根據權利要求5所述的一種基于物理啟發神經網絡的流體軌跡追蹤方法，其特征在于，步驟S22中的所述第二運動時間的表達式為：
7.根據權利要求5所述的一種基于物理啟發神經網絡的流體軌跡追蹤方法，其特征在于，步驟S22中的所述流場速度的表達式為：
8.根據權利要求1所述的一種基于物理啟發神經網絡的流體軌跡追蹤
9.根據權利要求1所述的一種基于物理啟發神經網絡的流體軌跡追蹤方法，其特征在于，步驟S4還包括：
10.根據權利要求1所述的一種基于物理啟發神經網絡的流體軌跡追蹤方法，其特征在于，步驟S42中的所述函數關系的表達式為：
...【技術特征摘要】
1.一種基于物理啟發神經網絡的流體軌跡追蹤方法，其特征在于，包括：
2.根據權利要求1所述的一種基于物理啟發神經網絡的流體軌跡追蹤方法，其特征在于，步驟s1進一步包括：
3.根據權利要求2所述的一種基于物理啟發神經網絡的流體軌跡追蹤方法，其特征在于，步驟s12中的是多數粒子初始信息包括粒子初始位置、粒子釋放時間及第一運動時間，其中所述第一運動時間為拉格朗日描述下的粒子運動時間。
4.根據權利要求3所述的一種基于物理啟發神經網絡的流體軌跡追蹤方法，其特征在于，步驟s12中的所述粒子位移的表達式為：
5.根據權利要求1所述的一種基于物理啟發神經網絡的流體軌跡追蹤方法，其特征在于，步驟s2進一步包括：<...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。